مقاله‌ی جدیدی با عنوان "فراخوان به همه دانشمندان: از همکاران ایرانی خود حمایت کنید" در مجله Nature منتشر شده است:

پژوهشگران ایرانی در شرایط دشواری قرار دارند. آن‌هایی که در ایران هستند با دستمزدهای پایین، تورم بالا، بی‌ثباتی اجتماعی‌ و سیاسی، سوءمدیریت منابع، فشار و سرکوب از سوی حاکمیت و تحریم‌های بین‌المللی طولانی‌مدت مواجه‌اند.

هزینه‌های بالا حضور در کنفرانس‌های علمی را دشوار کرده و مشکلات دریافت ویزا نیز مانعی جدی است. ناپایداری اینترنت، قطعی‌های مکرر برق و عدم دسترسی به منابع علمی، همکاری‌های پژوهشی را به خطر می‌اندازد. پژوهشگران همچنین با انزوا و گاهی با برخورد های تبعیض‌آمیز از سوی جامعه بین‌المللی مواجه می‌شوند. برای کسانی هم که خارج از ایران کار می‌کنند، رفت‌وآمد به ایران حتی با داشتن ویرا یا تابعیت دوگانه با خطر همراه است.
تنش‌های اخیر این وضعیت را بیش از پیش تشدید کرده است. دانشمندان که در شوک و نگرانی به سر می‌برند، خشونت علیه غیرنظامیان را محکوم کرده‌اند.

پژوهش علمی نیازمند تمرکز، آرامش ذهنی و ثبات است. چیزهایی که در این روزها کمیاب شده‌اند.

جامعه بین‌المللی پژوهشی می‌تواند از همکاران ایرانی حمایت کند: پیامی بفرستید و نشان دهید که فراموش نشده‌اند. اگر سیاست‌های موسسه شما اجازه می‌دهد، بکوشید با پژوهشگران داخل ایران همکاری کنید. همکاری‌های بین‌المللی به ظرفیت‌سازی کمک می‌کند، جامعه مدنی را تقویت می‌کند و امکان مواجهه با چالش‌های ساختاری و سیستمیک را فراهممی ‌آورد.

برای مشارکت در دیپلماسی علمی نیازی نیست سیاستمدار باشید. منتظر ابتکار ها و طرح‌های بزرگ نمانید تا پل‌ها ساخته شوند. در این مقطع، پژوهشگران ایرانی بیش از هر زمان دیگری به اقدامات محبت آمیز نیاز دارند. همبستگی خود را نشان دهید.

این مقاله Correspondence کوتاه به قلم محمد حسینی، از دانشکده پزشکی فاینبرگ دانشگاه نورث وسترن آمریکا نوشته شده است.

دسترسی به مقاله: لینک

@Sceientometric

📊 آشنایی با Bivariate Meta-analysis — مخصوص متاآنالیز مطالعات تشخیصی (Diagnostic)

اگه روی مطالعات تشخیصی کار می‌کنی (مثلاً دقت یه تست برای تشخیص بیماری)، یکی از مهم‌ترین روش‌ها bivariate meta-analysis هست. این روش خیلی جاها درست استفاده نمی‌شه، پس بیاین کامل و ساده بفهمیمش 👇



🧠 اصلاً Bivariate Meta-analysis یعنی چی؟

توی مطالعات تشخیصی ما معمولاً دو تا شاخص مهم داریم:

Sensitivity (حساسیت)

Specificity (ویژگی)


❗ مشکل اینجاست: این دوتا به هم وابسته‌ان (trade-off دارن)

👉 وقتی sensitivity بالا میره، معمولاً specificity میاد پایین (و برعکس)

📌 ءBivariate meta-analysis میاد این دوتا رو همزمان و به‌صورت وابسته مدل می‌کنه.



❌ چرا روش‌های ساده کافی نیستن؟

بعضی‌ها اشتباه می‌کنن و:

ءsensitivity رو جداگانه متاآنالیز می‌کنن

ءspecificity رو هم جداگانه


⚠️ این کار اشتباهه چون: 👈 correlation بین این دوتا رو نادیده می‌گیره
👈 نتیجه می‌تونه biased بشه



🔬 ایده اصلی Bivariate Model

این مدل:

ءsensitivity و specificity رو همزمان تحلیل می‌کنه

هم within-study variance رو در نظر می‌گیره

هم between-study heterogeneity رو

و مهم‌تر از همه: correlation بین sensitivity و specificity رو لحاظ می‌کنه


📌 معمولاً بر پایه random-effects model هست



🧮 از چه داده‌هایی استفاده می‌کنه؟

از جدول 2×2 هر مطالعه:

Disease + Disease -

Test + TP FP
Test - FN TN


از این‌ها:

Sensitivity = TP / (TP + FN)

Specificity = TN / (TN + FP)




🔥 خروجی‌های مهم Bivariate Meta-analysis

1️⃣ Pooled Sensitivity

2️⃣ Pooled Specificity

3️⃣ Summary ROC Curve (SROC)

4️⃣ Confidence region و prediction region



📈 مثال ساده

فرض کن 5 تا مطالعه درباره CT scan برای تشخیص PE داریم:

Study Sens Spec

A 0.90 0.80
B 0.85 0.88
C 0.92 0.75
D 0.88 0.82
E 0.80 0.90


👈 اگر جدا جدا متاآنالیز کنی → correlation از دست میره
👈 با bivariate:

Pooled Sens ≈ 0.87

Pooled Spec ≈ 0.83


و یه SROC هم داری که کل performance تست رو نشون میده.



🧠 مثال کلینیکال

مثلاً PCR برای COVID-19:

بعضی مطالعات threshold متفاوت دارن

بعضی sensitivity بالا ولی specificity پایین دارن


ءBivariate model کمک می‌کنه این تفاوت‌ها رو بهتر مدیریت کنی.



🔄 ارتباط با HSROC

📌 دو مدل معروف داریم:

Bivariate model

HSROC model


💡 در عمل خیلی نزدیکن و نتایج مشابه میدن
ولی:

ءBivariate → تمرکز روی Sens/Spec

ءHSROC → تمرکز روی ROC curve




🧪 کی باید از Bivariate استفاده کنیم؟

وقتی:

مطالعه تشخیصی داریم

داده 2×2 داریم

می‌خوای sensitivity و specificity رو درست combine کنی




⚠️ اشتباهات رایج

❌ متاآنالیز جداگانه Sens و Spec
❌ نادیده گرفتن threshold effect
❌ گزارش فقط AUC بدون Sens/Spec
❌ استفاده از مدل‌های ساده برای داده‌های تشخیصی



💻 نرم‌افزارها

Stata → (metandi, midas)

R → (mada, meta4diag)




⭐ جمع‌بندی

ءBivariate meta-analysis یعنی: 👈 تحلیل همزمان sensitivity و specificity
👈 در نظر گرفتن ارتباط بین اون‌ها
👈 ارائه نتیجه دقیق‌تر برای تست‌های تشخیصی



🧩 خیلی خلاصه

اگر diagnostic meta-analysis کار می‌کنی:

❌ روش جداگانه → اشتباه
✅ ءBivariate model → استاندارد




@ResearchPrimeSupport

✅ @ResearchPrime

ددلاین ارسال ابسترکت به کنگره ISCOMS که تا ۳۰‌اپریل بود، تا ۸ می (۴ روز دیگه تمدید شده)
از این لینک میتونید ابسترکتتون رو بفرستید و توی یکی از بهترین دانشگاه های جهان ارائه داشته باشید:
https://p.easydus.com/project/4ae5bb94-ddd2-49e2-bec7-c57ec164f7c4/form/16?sig=9b1922be084aee3f2a5359c537ea1ebdf7c6cb061227c35711bcbb47404e396d

@ResearchPrimeSupport

✅ @ResearchPrime

🤖 آشنایی با Internal vs External Validation در Machine Learning و Prediction Models

یکی از مهم‌ترین چیزایی که توی مدل‌های پیش‌بینی و هوش مصنوعی پزشکی باید بفهمی، مفهوم Validation هست.
خیلی از مقاله‌ها مدل می‌سازن و Accuracy عالی گزارش می‌کنن، ولی در دنیای واقعی مدل عملاً به درد نمی‌خوره!

چرا؟ چون Validation درست انجام نشده 👇


🧠 اصلاً Validation یعنی چی؟

یعنی:
👈 بررسی کنیم مدل روی داده‌های جدید چقدر خوب کار می‌کنه.

چون مدل ممکنه:

* فقط داده‌های آموزشی رو حفظ کرده باشه
* ولی روی بیماران جدید خراب عمل کنه


🔥 مشکل اصلی: Overfitting

فرض کن یه مدل AI برای تشخیص سرطان ساختی.

روی دیتاست خودت:
Accuracy = 99٪ 😍

ولی روی بیمارستان دیگه:
Accuracy = 60٪ 😐

یعنی مدل:
❌ الگوی واقعی یاد نگرفته
❌ فقط دیتاست اولیه رو حفظ کرده

به این میگیم:

⚠️ Overfitting


📊 دو نوع اصلی Validation

🟢 1️⃣ Internal Validation

🔵 2️⃣ External Validation


🟢 ءInternal Validation چیست؟

یعنی:
👈 مدل رو روی همان دیتاست اصلی ارزیابی کنیم
ولی با تکنیک‌هایی که leakage ایجاد نشه.


📌 هدف: بررسی عملکرد مدل داخل همان population


روش‌های رایج Internal Validation


✅ 1️⃣ Train-Test Split

داده رو تقسیم می‌کنیم:

Train set → آموزش مدل
Test set → ارزیابی مدل

مثلاً:
70٪ آموزش
30٪ تست

🧪 مثال

1000 بیمار داریم:

700 نفر → train
300 نفر → test

مدل روی 700 نفر یاد می‌گیره
بعد روی 300 نفر امتحان میشه.


✅ 2️⃣ Cross-validation

خیلی مهم و رایج 👇

هر داده چند برابر میشه و سپس قسمت میشه (مثلاً 5-fold یعنی از هرداده ۵ تا داریم و بعد اینا رو تصادفی توی ۵ دسته میزاریم):

هر بار:

* 4 قسمت train
* 1 قسمت test

و این روند تکرار میشه.


🧪 مثال

5-fold CV:

Round 1:
Fold 1 → test

Round 2:
Fold 2 → test

...

در آخر میانگین عملکرد گرفته میشه.


✅ 3️⃣ Bootstrap Validation

نمونه‌گیری تصادفی با جایگذاری

خیلی قوی برای:

دیتاست کوچک
و prediction modeling


🔵 ءExternal Validation چیست؟

مهم‌ترین مرحله 👑

یعنی:
👈 مدل رو روی یک دیتاست کاملاً جدید تست کنیم.


📌 هدف: بررسی Generalizability

یعنی:
"آیا مدل روی بیماران واقعی جدید هم خوبه؟"


🧪 مثال واقعی

مدل تشخیص سپسیس:

Training:
بیمارستان تهران

External validation:
بیمارستان مشهد

اگر عملکرد خوب بمونه 👈 مدل قوی و generalizable هست.


🔥 انواع External Validation


✅ 1️⃣ Geographic Validation

کشور یا مرکز متفاوت


✅ 2️⃣ Temporal Validation

زمان متفاوت

📌 مثال:
Train → 2020
Test → 2025


✅ 3️⃣ Domain Validation

ءPopulation متفاوت

مثلاً:

Adult → Pediatric
ICU → ward


⚠️ اشتباه خیلی رایج

بعضی مقاله‌ها فقط:
ءTrain/Test split انجام میدن
بعد میگن:
"مدل validated شد"

❌ نه!
این فقط Internal validation هست.


🧠 چرا External Validation اینقدر مهمه؟

چون تو پزشکی:

* دستگاه‌ها فرق دارن
* ءpopulation فرق داره
* ءprevalence فرق داره
* ءpractice pattern فرق داره

مدلی که فقط روی یک مرکز خوب باشه،
ممکنه clinically useless باشه.


📈 معیارهای مهم Validation


🔹 Discrimination

قدرت تفکیک مدل

مثلاً:
AUC / C-statistic


🔹 Calibration

چقدر probabilityهای پیش‌بینی‌شده واقعی‌اند

📌 خیلی underrated ولی مهمه.


🔹 Clinical Utility

آیا تصمیم‌گیری بالینی بهتر میشه؟

مثلاً:
Decision Curve Analysis


🧪 مثال کامل

مدل پیش‌بینی mortality در ICU:

Internal validation:
AUC = 0.92

External validation:
AUC = 0.71

📌 یعنی مدل احتمالاً overfitted بوده.


🚨 ءData Leakage چیست؟

یکی از خطرناک‌ترین اشتباه‌ها

یعنی:
اطلاعات test set به نحوی وارد train بشه.


🧪 مثال

قبل از split:
کل داده normalize بشه

❌ leakage


⭐️ نکات حرفه‌ای

✅ ءExternal validation از internal مهم‌تره
✅ ءCalibration به اندازه AUC مهمه
✅ ءHigh accuracy همیشه good model نیست
✅ بدون validation 👈 مدل تقریباً بی‌ارزشه


📌 توی مقاله باید چی گزارش کنیم؟

طبق guidelineهای:

* TRIPOD
* PROBAST

اینا رو باید دقیق بگی:

* validation type
* dataset separation
* performance metrics


🧩 خلاصه خیلی کوتاه

ءInternal validation 👈 عملکرد داخل همان dataset
ءExternal validation 👈 عملکرد در دنیای واقعی


🎯 جمله طلایی

"مدلی که external validation نشده، هنوز برای استفاده بالینی آماده نیست."

@ResearchPrimeSupport

✅ @ResearchPrime