🔬 خدمات جدید Research Prime برای پژوهشگرها 🔬
اگر به ابزارها و دیتابیسهای مهم پژوهشی دسترسی ندارین یا نمیخواین هزینههای بالای اشتراک پرداخت کنین، ما توی Research Prime این خدمات رو با هزینهای پایینتر از خیلی از مراکز دیگه براتون انجام میدیم 👇
📚 خدمات فعلی:
🔹 سرچ تخصصی در Scopus
💰 120 هزار تومان
🔹 سرچ تخصصی در Web of Science (WOS)
💰 120 هزار تومان
🔹 غلطیابی املایی و نگارشی مقاله با Grammarly
💰 70 هزار تومان
📌 مناسب برای:
مقالهنویسی
پایاننامه
Systematic Review
پیدا کردن مقالات مرتبط
بهبود کیفیت نگارش انگلیسی مقاله
📩 برای ثبت درخواست و هماهنگی، به آیدی ادمین پیام بدین:
@ResearchPrimeSupport
✅ @ResearchPrime
اگر به ابزارها و دیتابیسهای مهم پژوهشی دسترسی ندارین یا نمیخواین هزینههای بالای اشتراک پرداخت کنین، ما توی Research Prime این خدمات رو با هزینهای پایینتر از خیلی از مراکز دیگه براتون انجام میدیم 👇
📚 خدمات فعلی:
🔹 سرچ تخصصی در Scopus
💰 120 هزار تومان
🔹 سرچ تخصصی در Web of Science (WOS)
💰 120 هزار تومان
🔹 غلطیابی املایی و نگارشی مقاله با Grammarly
💰 70 هزار تومان
📌 مناسب برای:
مقالهنویسی
پایاننامه
Systematic Review
پیدا کردن مقالات مرتبط
بهبود کیفیت نگارش انگلیسی مقاله
📩 برای ثبت درخواست و هماهنگی، به آیدی ادمین پیام بدین:
@ResearchPrimeSupport
✅ @ResearchPrime
🇦🇺 اگر برای USMLE Step 2 CK خوندی، احتمال زیاد ذهنت از همین الان درگیر یه سناریوی آشناست: «اگه آمریکا نشه چی؟»
برای خیلی از پزشکهای ایرانی، مخصوصاً با وضعیت محدودیتهای ویزا و Travel ban برای ایران، این سؤال کاملاً واقعی و تعیینکنندهست.
یکی از مسیرهایی که واقعاً ارزش بررسی داره، استرالیا و سیستم رزیدنتی اون هست.
مسیر ورود به رزیدنتی در استرالیا چطوریه؟
برای پزشکهای بینالمللی (IMG)، مسیر اصلی اینه:
ارزیابی مدرک پزشکی توسط AMC (Australian Medical Council)
قبولی در AMC MCQ exam
گرفتن ثبتنام موقت از AHPRA
کار به عنوان Resident / RMO (معادل اینترن یا رزیدنت اولیه)
بعدش ورود به Specialty training (مثل داخلی، قلب، نورولوژی و…)
به طور ساده: اول امتحان 👈 بعد ورود به سیستم کاری 👈 بعد تخصص
تایملاین واقعبینانه
اگر همه چیز روان پیش بره:
0 تا 6 ماه: آمادهسازی AMC MCQ + جمع کردن مدارک
6 تا 12 ماه: شرکت و قبولی در AMC
1 تا 2 سال: کار به عنوان RMO یا Resident در بیمارستان
2 تا 4 سال: ورود به برنامه تخصص
📌 یعنی از شروع تا ورود جدی به رزیدنتی تخصصی: حدود 2 تا 4 سال
نکته مهم: USMLE vs AMC
خبر خوب اینه که اگر برای USMLE Step 2 CK خوندی، تقریباً نصف راه AMC رو رفتی.
چون هر دو آزمون:
کیسمحور هستن (clinical vignette)
تصمیمگیری بالینی رو تست میکنن
روی internal medicine و emergency خیلی متمرکز هستن
منابعی که overlap دارن:
ءUWorld Step 2 CK 👈 تقریباً ستون اصلی آمادگی AMC
ءAMBOSS 👈 برای تثبیت مفاهیم
ءFirst Aid Step 2 👈 برای مرور سریع
📌 تفاوت اصلی: AMC کمتر trickی و بیشتر guideline-based (خصوصاً استرالیایی) هست.
یعنی اگر Step 2 CK رو خوب زده باشی، حدود 70 تا 80 درصد آماده AMC هستی؛ فقط باید با سبک سوال و گایدلاینهای استرالیا آشنا شی.
جمعبندی واقعبینانه
برای خیلیها مسیر اینطوری میشه:
اول USMLE رو جدی شروع میکنن
بعد به خاطر ویزا/ریسکها یا Travel ban مسیر رو diversify میکنن
و استرالیا تبدیل میشه به گزینه عملیتر
استرالیا از نظر ساختار رزیدنتی:
قابل پیشبینیتر از آمریکا
اما همچنان رقابتی در specialty ها (خصوصاً cardiology و neurology)
@ResearchPrimeSupport
✅ @ResearchPrime
برای خیلی از پزشکهای ایرانی، مخصوصاً با وضعیت محدودیتهای ویزا و Travel ban برای ایران، این سؤال کاملاً واقعی و تعیینکنندهست.
یکی از مسیرهایی که واقعاً ارزش بررسی داره، استرالیا و سیستم رزیدنتی اون هست.
مسیر ورود به رزیدنتی در استرالیا چطوریه؟
برای پزشکهای بینالمللی (IMG)، مسیر اصلی اینه:
ارزیابی مدرک پزشکی توسط AMC (Australian Medical Council)
قبولی در AMC MCQ exam
گرفتن ثبتنام موقت از AHPRA
کار به عنوان Resident / RMO (معادل اینترن یا رزیدنت اولیه)
بعدش ورود به Specialty training (مثل داخلی، قلب، نورولوژی و…)
به طور ساده: اول امتحان 👈 بعد ورود به سیستم کاری 👈 بعد تخصص
تایملاین واقعبینانه
اگر همه چیز روان پیش بره:
0 تا 6 ماه: آمادهسازی AMC MCQ + جمع کردن مدارک
6 تا 12 ماه: شرکت و قبولی در AMC
1 تا 2 سال: کار به عنوان RMO یا Resident در بیمارستان
2 تا 4 سال: ورود به برنامه تخصص
📌 یعنی از شروع تا ورود جدی به رزیدنتی تخصصی: حدود 2 تا 4 سال
نکته مهم: USMLE vs AMC
خبر خوب اینه که اگر برای USMLE Step 2 CK خوندی، تقریباً نصف راه AMC رو رفتی.
چون هر دو آزمون:
کیسمحور هستن (clinical vignette)
تصمیمگیری بالینی رو تست میکنن
روی internal medicine و emergency خیلی متمرکز هستن
منابعی که overlap دارن:
ءUWorld Step 2 CK 👈 تقریباً ستون اصلی آمادگی AMC
ءAMBOSS 👈 برای تثبیت مفاهیم
ءFirst Aid Step 2 👈 برای مرور سریع
📌 تفاوت اصلی: AMC کمتر trickی و بیشتر guideline-based (خصوصاً استرالیایی) هست.
یعنی اگر Step 2 CK رو خوب زده باشی، حدود 70 تا 80 درصد آماده AMC هستی؛ فقط باید با سبک سوال و گایدلاینهای استرالیا آشنا شی.
جمعبندی واقعبینانه
برای خیلیها مسیر اینطوری میشه:
اول USMLE رو جدی شروع میکنن
بعد به خاطر ویزا/ریسکها یا Travel ban مسیر رو diversify میکنن
و استرالیا تبدیل میشه به گزینه عملیتر
استرالیا از نظر ساختار رزیدنتی:
قابل پیشبینیتر از آمریکا
اما همچنان رقابتی در specialty ها (خصوصاً cardiology و neurology)
@ResearchPrimeSupport
✅ @ResearchPrime
🇨🇦 اگر داری برای USMLE Step 2 CK میخونی، احتمالاً یه فکر مشترک بین خیلی از ماها هست: اینکه مسیر آمریکا جذابه، ولی همیشه هم تضمینی نیست—بهخصوص با محدودیتهای ویزا و شرایط مهاجرتی که برای خیلی از کشورها مثل ایران وجود داره. برای همین خیلیها از همون اول یا بعدش، کانادا رو هم جدی وارد برنامهشون میکنن.
مسیر رزیدنتی کانادا برای پزشک بینالمللی چطوره؟
کانادا مثل ایران نیست که فقط با یک امتحان وارد رزیدنتی بشی. اینجا چند تا فیلتر پشت سر هم داری و همهچی از طریق سیستم مرکزی به اسم CaRMS انجام میشه.
1) اول از همه: تأیید مدارک
باید بری سمت Medical Council of Canada (MCC) و مدارکتو ثبت و تأیید کنی.
مدرک پزشکیت بررسی میشه
پروفایل توی سیستم physiciansapply ساخته میشه
همه چیز رسمی و استاندارد چک میشه
2) امتحان MCCQE Part 1
این مهمترین امتحان علمی کاناداست.
چی هست دقیقاً؟
یه امتحان کامپیوتری کیسمحور
خیلی شبیه Step 2 CK
ولی یه کم بیشتر “Canadian guideline-based” فکر میکنه
چیارو میپرسه؟
داخلی (بیشترین سهم)
جراحی
اطفال
زنان
روان
اخلاق پزشکی و preventive medicine (نسبتاً مهمتر از USMLE)
📌 نکته مهم:
اگه UWorld Step 2 CK رو خوب کار کرده باشی، عملاً بخش خیلی بزرگی از MCCQE1 رو پوشش دادی.
3) ءNAC OSCE (مرحله کلینیکال)
این قسمت خیلی مهمه و خیلیها اینجا گیر میکنن.
چی هست؟
امتحان عملی کنار بیمار (OSCE)
ایستگاههای مختلف داری
چی بررسی میشه؟
صحبت با بیمار
معاینه
تصمیمگیری بالینی
ارتباط حرفهای
📌 اینجا فقط دانش مهم نیست، “رفتار بالینی” خیلی مهمه.
4) ساختن رزومه برای رقابت
اینجا کانادا یه کم سختتر میشه.
چیزهایی که واقعاً مهمن:
ءResearch (حتی کوچک ولی publish شده)
ءObservership تو بیمارستانهای کانادا
توصیهنامه از پزشک کانادایی
آشنایی با سیستم درمانی خودشون
📌 واقعیت: بدون تجربه کانادایی، شانس خیلی کمتر میشه.
5) اپلای از طریق CaRMS
اینجا وارد مرحله match میشی:
برنامههای رزیدنتی رو انتخاب میکنی
اپلیکیشن میفرستی (CV + personal statement + LOR)
مصاحبه میدی
بعد match نهایی انجام میشه
📌 نکته مهم:
ظرفیت IMGها محدوده و رقابت بالاست.
تایملاین واقعی (تقریبی ولی واقعی)
اگر بخوای منطقی نگاه کنی:
0 تا 6 ماه: شروع جدی Step 2 + ثبت مدارک
6 تا 12 ماه: MCCQE1
1 تا 2 سال: NAC OSCE + ساخت CV + research
2 تا 3 سال: اپلای CaRMS
3 تا 5 سال: شروع رزیدنتی
📌 یعنی از صفر تا رزیدنتی معمولاً 3 تا 5 سال زمان میبره.
ارتباطش با Step 2 CK
واقعیت مهم اینه:
ءMCCQE1 خیلی شبیه Step 2 CK هست
همون کیسمحور بودن، همون تصمیمگیری بالینی
ولی:
کانادا بیشتر guideline محور فکر میکنه
ءethics و preventive medicine مهمتره
📌 نتیجه عملی:
اگه Step 2 رو خوب بخونی، حدود 70 تا 85٪ آماده MCCQE1 هستی.
جمعبندی ساده
کانادا برای IMGها:
سیستمش شفافه
ولی ظرفیتش محدوده
و رقابتش بالاست
در مقایسه:
🇺🇸 آمریکا 👈 فرصت زیاد ولی ویزا سخت
🇨🇦 کانادا 👈 ساختار خوب ولی رقابت شدید
🇦🇺 استرالیا 👈 معمولاً balancedتر برای ورود سریعتر
@ResearchPrimeSupport
✅ @ResearchPrime
مسیر رزیدنتی کانادا برای پزشک بینالمللی چطوره؟
کانادا مثل ایران نیست که فقط با یک امتحان وارد رزیدنتی بشی. اینجا چند تا فیلتر پشت سر هم داری و همهچی از طریق سیستم مرکزی به اسم CaRMS انجام میشه.
1) اول از همه: تأیید مدارک
باید بری سمت Medical Council of Canada (MCC) و مدارکتو ثبت و تأیید کنی.
مدرک پزشکیت بررسی میشه
پروفایل توی سیستم physiciansapply ساخته میشه
همه چیز رسمی و استاندارد چک میشه
2) امتحان MCCQE Part 1
این مهمترین امتحان علمی کاناداست.
چی هست دقیقاً؟
یه امتحان کامپیوتری کیسمحور
خیلی شبیه Step 2 CK
ولی یه کم بیشتر “Canadian guideline-based” فکر میکنه
چیارو میپرسه؟
داخلی (بیشترین سهم)
جراحی
اطفال
زنان
روان
اخلاق پزشکی و preventive medicine (نسبتاً مهمتر از USMLE)
📌 نکته مهم:
اگه UWorld Step 2 CK رو خوب کار کرده باشی، عملاً بخش خیلی بزرگی از MCCQE1 رو پوشش دادی.
3) ءNAC OSCE (مرحله کلینیکال)
این قسمت خیلی مهمه و خیلیها اینجا گیر میکنن.
چی هست؟
امتحان عملی کنار بیمار (OSCE)
ایستگاههای مختلف داری
چی بررسی میشه؟
صحبت با بیمار
معاینه
تصمیمگیری بالینی
ارتباط حرفهای
📌 اینجا فقط دانش مهم نیست، “رفتار بالینی” خیلی مهمه.
4) ساختن رزومه برای رقابت
اینجا کانادا یه کم سختتر میشه.
چیزهایی که واقعاً مهمن:
ءResearch (حتی کوچک ولی publish شده)
ءObservership تو بیمارستانهای کانادا
توصیهنامه از پزشک کانادایی
آشنایی با سیستم درمانی خودشون
📌 واقعیت: بدون تجربه کانادایی، شانس خیلی کمتر میشه.
5) اپلای از طریق CaRMS
اینجا وارد مرحله match میشی:
برنامههای رزیدنتی رو انتخاب میکنی
اپلیکیشن میفرستی (CV + personal statement + LOR)
مصاحبه میدی
بعد match نهایی انجام میشه
📌 نکته مهم:
ظرفیت IMGها محدوده و رقابت بالاست.
تایملاین واقعی (تقریبی ولی واقعی)
اگر بخوای منطقی نگاه کنی:
0 تا 6 ماه: شروع جدی Step 2 + ثبت مدارک
6 تا 12 ماه: MCCQE1
1 تا 2 سال: NAC OSCE + ساخت CV + research
2 تا 3 سال: اپلای CaRMS
3 تا 5 سال: شروع رزیدنتی
📌 یعنی از صفر تا رزیدنتی معمولاً 3 تا 5 سال زمان میبره.
ارتباطش با Step 2 CK
واقعیت مهم اینه:
ءMCCQE1 خیلی شبیه Step 2 CK هست
همون کیسمحور بودن، همون تصمیمگیری بالینی
ولی:
کانادا بیشتر guideline محور فکر میکنه
ءethics و preventive medicine مهمتره
📌 نتیجه عملی:
اگه Step 2 رو خوب بخونی، حدود 70 تا 85٪ آماده MCCQE1 هستی.
جمعبندی ساده
کانادا برای IMGها:
سیستمش شفافه
ولی ظرفیتش محدوده
و رقابتش بالاست
در مقایسه:
🇺🇸 آمریکا 👈 فرصت زیاد ولی ویزا سخت
🇨🇦 کانادا 👈 ساختار خوب ولی رقابت شدید
🇦🇺 استرالیا 👈 معمولاً balancedتر برای ورود سریعتر
@ResearchPrimeSupport
✅ @ResearchPrime
🇺🇸🇦🇺🇨🇦خیلی از پزشکها وقتی مسیر مهاجرت رو شروع میکنن، اول فقط به آمریکا فکر میکنن.
ولی بعد از مدتی، مخصوصاً با ریسکهای ویزا، Travel Ban، هزینهها و uncertainty مسیر Match، کمکم این سؤال پیش میاد:
«میشه همزمان برای آمریکا، کانادا و استرالیا آماده شد؟ یا باید از اول فقط یکی رو انتخاب کرد؟»
خبر خوب اینه که:
📌 از نظر علمی، این سه مسیر overlap خیلی زیادی دارن.
یعنی اگر هوشمندانه بخونی، میتونی با یک core study plan، همزمان برای:
USMLE Step 2 CK
AMC MCQ
MCCQE1
آماده بشی.
اول باید یک واقعیت مهم رو بدونی
بین این سه امتحان، از نظر سطح و عمق علمی:
ءUSMLE Step 2 CK معمولاً سختترینه.
یعنی اگر Step 2 رو در سطح خوب بخونی، بخش بزرگی از AMC و MCCQE رو هم پوشش دادی.
تقریباً میشه اینطوری گفت:
ءStep 2 CK = عمق بیشتر + سوالات پیچیدهتر
ءMCCQE1 = guideline-based + ethics بیشتر
ءAMC = practical clinical management + سوالات straightforwardتر
📌 نتیجه مهم:
اگر پایهات رو روی Step 2 CK بسازی، بعداً transition به AMC یا MCCQE خیلی راحتتر میشه.
شباهت اصلی این سه امتحان
هر سه heavily clinical هستن.
یعنی:
حفظیات خالص کمکی نمیکنه
باید clinical reasoning قوی داشته باشی
سوالها case-based هستن
بیشترین emphasis هم روی:
Internal medicine
Emergency
Pediatrics
OBGYN
Psychiatry
هست.
بهترین استراتژی: “Step 2 First”
اشتباهی که خیلیها میکنن اینه که:
جدا برای AMC میخونن
جدا برای MCCQE
جدا برای Step 2
و آخرش هم burnout میشن.
راه منطقیتر اینه:
فاز اول: ساختن Core Knowledge با Step 2 CK
منابع اصلی:
1) UWorld Step 2 CK
مهمترین منبع کل مسیر.
واقعاً برای هر سه امتحان high yield هست.
مزیت:
ءclinical reasoning قوی میسازه
ءmanagement approach یاد میده
ءdifferential diagnosis رو تقویت میکنه
📌 اگر UWorld رو عمیق بخونی، برای AMC و MCCQE هم جلو هستی.
2) AMBOSS
برای:
ضعفها
مرور سریع
الگوریتمها
ءethics
خیلی خوبه.
3) CMS Forms + NBMEs
بیشتر برای:
سبک تفکر USMLE
ءassessment
مفیدن.
بعدش چطور AMC و MCCQE رو اضافه کنیم؟
اینجا تفاوتها شروع میشه.
برای AMC MCQ
بعد از اینکه Step 2 core رو ساختی:
چیزهایی که باید اضافه کنی:
Australian guidelines
ءmanagement approach استرالیا
preventive care
منابع خوب:
AMC Handbook
AMC recalls
Therapeutic Guidelines Australia
📌 نکته مهم:
AMC معمولاً کمتر trickی از Step 2 هست.
بیشتر میخواد ببینه:
“تو به عنوان یک junior doctor تصمیم safe میگیری یا نه.”
برای MCCQE1
کانادا بیشتر روی:
ethics
communication
screening
public health
حساسه.
چیزهایی که باید اضافه کنی:
Canadian Task Force guidelines
ethics scenarios
preventive medicine
منابع خوب:
Toronto Notes
CanadaQBank
MCC practice tests
تایملاین منطقی برای آمادهسازی همزمان
سناریوی realistic:
0 تا 6 ماه
تمرکز کامل روی:
UWorld
Internal medicine
core clinical knowledge
هدف:
ساختن foundation قوی
6 تا 9 ماه
اضافه کردن:
ethics
guidelines
preventive care
در این مرحله:
ءAMC و MCCQE کمکم وارد برنامه میشن.
9 تا 12 ماه
تصمیمگیری بر اساس شرایط:
اگر:
ویزای آمریکا شدنی بود 👈 Step 2 + Match
ریسک زیاد شد 👈 AMC / MCCQE فعالتر
📌 این دقیقاً مزیت dual/triple pathway هست.
اشتباه رایج IMGها
خیلیها:
زود وارد recallها میشن
فقط حفظ میکنن
یا فقط guideline میخونن
ولی مشکل اصلیشون:
clinical reasoning ضعیفه.
در حالی که هر سه امتحان بیشتر از حفظیات، decision making میخوان.
جمعبندی واقعی
اگر بخوام خیلی خلاصه بگم:
📌 بهترین استراتژی برای اکثر IMGها:
1. ساختن پایه قوی با Step 2 CK
2. استفاده از overlap بالا
3. اضافه کردن guidelineهای اختصاصی کانادا/استرالیا
4. باز نگه داشتن چند مسیر مهاجرتی همزمان
چون واقعیت اینه که در شرایط فعلی، داشتن فقط “یک مسیر” ممکنه ریسک بالایی داشته باشه.
@ResearchPrimeSupport
✅ @ResearchPrime
ولی بعد از مدتی، مخصوصاً با ریسکهای ویزا، Travel Ban، هزینهها و uncertainty مسیر Match، کمکم این سؤال پیش میاد:
«میشه همزمان برای آمریکا، کانادا و استرالیا آماده شد؟ یا باید از اول فقط یکی رو انتخاب کرد؟»
خبر خوب اینه که:
📌 از نظر علمی، این سه مسیر overlap خیلی زیادی دارن.
یعنی اگر هوشمندانه بخونی، میتونی با یک core study plan، همزمان برای:
USMLE Step 2 CK
AMC MCQ
MCCQE1
آماده بشی.
اول باید یک واقعیت مهم رو بدونی
بین این سه امتحان، از نظر سطح و عمق علمی:
ءUSMLE Step 2 CK معمولاً سختترینه.
یعنی اگر Step 2 رو در سطح خوب بخونی، بخش بزرگی از AMC و MCCQE رو هم پوشش دادی.
تقریباً میشه اینطوری گفت:
ءStep 2 CK = عمق بیشتر + سوالات پیچیدهتر
ءMCCQE1 = guideline-based + ethics بیشتر
ءAMC = practical clinical management + سوالات straightforwardتر
📌 نتیجه مهم:
اگر پایهات رو روی Step 2 CK بسازی، بعداً transition به AMC یا MCCQE خیلی راحتتر میشه.
شباهت اصلی این سه امتحان
هر سه heavily clinical هستن.
یعنی:
حفظیات خالص کمکی نمیکنه
باید clinical reasoning قوی داشته باشی
سوالها case-based هستن
بیشترین emphasis هم روی:
Internal medicine
Emergency
Pediatrics
OBGYN
Psychiatry
هست.
بهترین استراتژی: “Step 2 First”
اشتباهی که خیلیها میکنن اینه که:
جدا برای AMC میخونن
جدا برای MCCQE
جدا برای Step 2
و آخرش هم burnout میشن.
راه منطقیتر اینه:
فاز اول: ساختن Core Knowledge با Step 2 CK
منابع اصلی:
1) UWorld Step 2 CK
مهمترین منبع کل مسیر.
واقعاً برای هر سه امتحان high yield هست.
مزیت:
ءclinical reasoning قوی میسازه
ءmanagement approach یاد میده
ءdifferential diagnosis رو تقویت میکنه
📌 اگر UWorld رو عمیق بخونی، برای AMC و MCCQE هم جلو هستی.
2) AMBOSS
برای:
ضعفها
مرور سریع
الگوریتمها
ءethics
خیلی خوبه.
3) CMS Forms + NBMEs
بیشتر برای:
سبک تفکر USMLE
ءassessment
مفیدن.
بعدش چطور AMC و MCCQE رو اضافه کنیم؟
اینجا تفاوتها شروع میشه.
برای AMC MCQ
بعد از اینکه Step 2 core رو ساختی:
چیزهایی که باید اضافه کنی:
Australian guidelines
ءmanagement approach استرالیا
preventive care
منابع خوب:
AMC Handbook
AMC recalls
Therapeutic Guidelines Australia
📌 نکته مهم:
AMC معمولاً کمتر trickی از Step 2 هست.
بیشتر میخواد ببینه:
“تو به عنوان یک junior doctor تصمیم safe میگیری یا نه.”
برای MCCQE1
کانادا بیشتر روی:
ethics
communication
screening
public health
حساسه.
چیزهایی که باید اضافه کنی:
Canadian Task Force guidelines
ethics scenarios
preventive medicine
منابع خوب:
Toronto Notes
CanadaQBank
MCC practice tests
تایملاین منطقی برای آمادهسازی همزمان
سناریوی realistic:
0 تا 6 ماه
تمرکز کامل روی:
UWorld
Internal medicine
core clinical knowledge
هدف:
ساختن foundation قوی
6 تا 9 ماه
اضافه کردن:
ethics
guidelines
preventive care
در این مرحله:
ءAMC و MCCQE کمکم وارد برنامه میشن.
9 تا 12 ماه
تصمیمگیری بر اساس شرایط:
اگر:
ویزای آمریکا شدنی بود 👈 Step 2 + Match
ریسک زیاد شد 👈 AMC / MCCQE فعالتر
📌 این دقیقاً مزیت dual/triple pathway هست.
اشتباه رایج IMGها
خیلیها:
زود وارد recallها میشن
فقط حفظ میکنن
یا فقط guideline میخونن
ولی مشکل اصلیشون:
clinical reasoning ضعیفه.
در حالی که هر سه امتحان بیشتر از حفظیات، decision making میخوان.
جمعبندی واقعی
اگر بخوام خیلی خلاصه بگم:
📌 بهترین استراتژی برای اکثر IMGها:
1. ساختن پایه قوی با Step 2 CK
2. استفاده از overlap بالا
3. اضافه کردن guidelineهای اختصاصی کانادا/استرالیا
4. باز نگه داشتن چند مسیر مهاجرتی همزمان
چون واقعیت اینه که در شرایط فعلی، داشتن فقط “یک مسیر” ممکنه ریسک بالایی داشته باشه.
@ResearchPrimeSupport
✅ @ResearchPrime
🔬 یکی از رایجترین اشتباههایی که تو مقالهها، پایاننامهها و حتی بین دانشجوهای پزشکی دیده میشه، قاطی کردن Correlation و Regression هست.
خیلیها فکر میکنن این دو تا یکیان، در حالی که از نظر هدف، تفسیر و کاربرد کاملاً متفاوتن.
اول از همه: Correlation یعنی چی؟
ءCorrelation یا “همبستگی” فقط میگه:
📌 «آیا دو متغیر با هم تغییر میکنن یا نه؟»
یعنی:
وقتی یکی زیاد میشه، اون یکی هم زیاد میشه؟
یا برعکس کم میشه؟
یا اصلاً ربطی به هم ندارن؟
🔺 مثال ساده
فرض کن میخوای بررسی کنی:
آیا BMI با فشار خون ارتباط داره؟
اینجا correlation فقط میگه:
افرادی که BMI بالاتری دارن، معمولاً فشار خون بالاتری هم دارن یا نه.
🔺 مهمترین ویژگی Correlation
Correlation:
فقط “رابطه” رو بررسی میکنه
علت و معلول ثابت نمیکنه
📌 یعنی اگر:
ءstress و hypertension همبستگی داشته باشن،
لزومی نداره استرس تنها علت فشار خون باشه.
🔺 ضریب Correlation (r)
عددش معمولاً بین:
-1 تا +1
هست.
اگر r مثبت باشه:
مثلاً:
r = +0.8
یعنی:
هرچی X بیشتر بشه، Y هم بیشتر میشه
رابطه مستقیم قویه
مثال:
قد و وزن
اگر r منفی باشه:
مثلاً:
r = -0.7
یعنی:
با زیاد شدن X، Y کم میشه
مثال:
ورزش و resting heart rate
اگر r نزدیک صفر باشه:
مثلاً:
r = 0.05
یعنی:
تقریباً رابطهای وجود نداره
✅ حالا Regression چیه؟
ءRegression یک قدم جلوتره.
ءRegression نمیگه فقط “ارتباط” وجود داره.
بلکه میگه:
📌 «اگر X تغییر کنه، Y چقدر تغییر میکنه؟»
یعنی وارد prediction و modeling میشه.
🔺 مثال پزشکی
فرض کن میخوای بررسی کنی:
“با هر 1 واحد افزایش BMI، فشار خون سیستولیک چند میلیمتر جیوه تغییر میکنه؟”
اینجا دیگه correlation کافی نیست.
باید regression استفاده کنی.
🔺 تفاوت اصلی
Correlation:
فقط قدرت و جهت رابطه رو میگه.
مثلاً:
ءBMI و BP مرتبط هستن.
Regression:
اثر و میزان تغییر رو مدل میکنه.
مثلاً:
هر 1 واحد افزایش BMI 👈 فشار خون 2 mmHg بالا میره.
☑️ تفاوت خیلی مهم: وابسته و مستقل
در Correlation:
هیچ متغیری “مهمتر” نیست.
یعنی:
BMI با BP
یا
BP با BMI
فرقی نداره.
رابطه دوطرفه دیده میشه.
اما در Regression:
حتماً داریم:
Independent variable (predictor)
Dependent variable (outcome)
مثلاً:
BMI → predictor
Blood pressure → outcome
🔸 مثال واقعی پزشکی
مثال Correlation:
“آیا HbA1c و fasting glucose با هم ارتباط دارن؟”
اینجا فقط relationship مهمه.
مثال Regression:
“آیا HbA1c میتونه fasting glucose رو predict کنه؟”
اینجا وارد prediction شدی.
اشتباه رایج مقالهها
خیلی وقتها مقاله میگه:
“BMI was significantly correlated with hypertension; therefore obesity predicts hypertension.”
📌 این جمله اشتباهه.
چرا؟
چون correlation بهتنهایی prediction یا causation ثابت نمیکنه.
برای prediction باید regression انجام بشه.
🔺 یک مثال خیلی معروف
فروش بستنی و drowning با هم correlation مثبت دارن!
یعنی:
هرچی فروش بستنی بیشتر میشه،
غرقشدگی هم بیشتر میشه.
آیا بستنی باعث drowning میشه؟
نه.
عامل سومی وجود داره:
☀️ تابستان و گرما و بیشتر شدن شنا
این دقیقاً نشون میده:
📌 Correlation ≠ Causation
🔹 انواع Regression
🔺 Linear Regression
برای outcome عددی
مثال:
BMI → blood pressure
🔺 Logistic Regression
برای outcome دوحالتی
مثال:
دیابت دارد / ندارد
مرگ / بقا
🔺 Cox Regression
برای survival analysis
مثال:
ریسک مرگ در طول زمان
✅ نکته مهم برای research پزشکی
اگر هدفت:
فقط بررسی association باشه 👈 Correlation
اگر هدفت:
prediction
effect estimation
adjustment for confounders
باشه 👈 Regression
❇️ یک تفاوت آماری مهم
ءCorrelation معمولاً:
ءunadjusted هست
ولی Regression میتونه:
*گءconfounderها رو adjust کنه.
مثلاً:
میتونی اثر BMI روی BP رو بعد از کنترل:
سن
جنس
smoking
بررسی کنی.
این یکی از مهمترین مزیتهای regression هست.
✅ جمعبندی ساده
Correlation:
آیا دو متغیر با هم رابطه دارن؟
قدرت و جهت رابطه چقدره؟
Regression:
آیا X میتونه Y رو predict کنه؟
تغییر X چقدر Y رو تغییر میده؟
بعد از adjust کردن confounderها هنوز اثر وجود داره یا نه؟
@ResearchPrimeSupport
✅ @ResearchPrime
خیلیها فکر میکنن این دو تا یکیان، در حالی که از نظر هدف، تفسیر و کاربرد کاملاً متفاوتن.
اول از همه: Correlation یعنی چی؟
ءCorrelation یا “همبستگی” فقط میگه:
📌 «آیا دو متغیر با هم تغییر میکنن یا نه؟»
یعنی:
وقتی یکی زیاد میشه، اون یکی هم زیاد میشه؟
یا برعکس کم میشه؟
یا اصلاً ربطی به هم ندارن؟
🔺 مثال ساده
فرض کن میخوای بررسی کنی:
آیا BMI با فشار خون ارتباط داره؟
اینجا correlation فقط میگه:
افرادی که BMI بالاتری دارن، معمولاً فشار خون بالاتری هم دارن یا نه.
🔺 مهمترین ویژگی Correlation
Correlation:
فقط “رابطه” رو بررسی میکنه
علت و معلول ثابت نمیکنه
📌 یعنی اگر:
ءstress و hypertension همبستگی داشته باشن،
لزومی نداره استرس تنها علت فشار خون باشه.
🔺 ضریب Correlation (r)
عددش معمولاً بین:
-1 تا +1
هست.
اگر r مثبت باشه:
مثلاً:
r = +0.8
یعنی:
هرچی X بیشتر بشه، Y هم بیشتر میشه
رابطه مستقیم قویه
مثال:
قد و وزن
اگر r منفی باشه:
مثلاً:
r = -0.7
یعنی:
با زیاد شدن X، Y کم میشه
مثال:
ورزش و resting heart rate
اگر r نزدیک صفر باشه:
مثلاً:
r = 0.05
یعنی:
تقریباً رابطهای وجود نداره
✅ حالا Regression چیه؟
ءRegression یک قدم جلوتره.
ءRegression نمیگه فقط “ارتباط” وجود داره.
بلکه میگه:
📌 «اگر X تغییر کنه، Y چقدر تغییر میکنه؟»
یعنی وارد prediction و modeling میشه.
🔺 مثال پزشکی
فرض کن میخوای بررسی کنی:
“با هر 1 واحد افزایش BMI، فشار خون سیستولیک چند میلیمتر جیوه تغییر میکنه؟”
اینجا دیگه correlation کافی نیست.
باید regression استفاده کنی.
🔺 تفاوت اصلی
Correlation:
فقط قدرت و جهت رابطه رو میگه.
مثلاً:
ءBMI و BP مرتبط هستن.
Regression:
اثر و میزان تغییر رو مدل میکنه.
مثلاً:
هر 1 واحد افزایش BMI 👈 فشار خون 2 mmHg بالا میره.
☑️ تفاوت خیلی مهم: وابسته و مستقل
در Correlation:
هیچ متغیری “مهمتر” نیست.
یعنی:
BMI با BP
یا
BP با BMI
فرقی نداره.
رابطه دوطرفه دیده میشه.
اما در Regression:
حتماً داریم:
Independent variable (predictor)
Dependent variable (outcome)
مثلاً:
BMI → predictor
Blood pressure → outcome
🔸 مثال واقعی پزشکی
مثال Correlation:
“آیا HbA1c و fasting glucose با هم ارتباط دارن؟”
اینجا فقط relationship مهمه.
مثال Regression:
“آیا HbA1c میتونه fasting glucose رو predict کنه؟”
اینجا وارد prediction شدی.
اشتباه رایج مقالهها
خیلی وقتها مقاله میگه:
“BMI was significantly correlated with hypertension; therefore obesity predicts hypertension.”
📌 این جمله اشتباهه.
چرا؟
چون correlation بهتنهایی prediction یا causation ثابت نمیکنه.
برای prediction باید regression انجام بشه.
🔺 یک مثال خیلی معروف
فروش بستنی و drowning با هم correlation مثبت دارن!
یعنی:
هرچی فروش بستنی بیشتر میشه،
غرقشدگی هم بیشتر میشه.
آیا بستنی باعث drowning میشه؟
نه.
عامل سومی وجود داره:
☀️ تابستان و گرما و بیشتر شدن شنا
این دقیقاً نشون میده:
📌 Correlation ≠ Causation
🔹 انواع Regression
🔺 Linear Regression
برای outcome عددی
مثال:
BMI → blood pressure
🔺 Logistic Regression
برای outcome دوحالتی
مثال:
دیابت دارد / ندارد
مرگ / بقا
🔺 Cox Regression
برای survival analysis
مثال:
ریسک مرگ در طول زمان
✅ نکته مهم برای research پزشکی
اگر هدفت:
فقط بررسی association باشه 👈 Correlation
اگر هدفت:
prediction
effect estimation
adjustment for confounders
باشه 👈 Regression
❇️ یک تفاوت آماری مهم
ءCorrelation معمولاً:
ءunadjusted هست
ولی Regression میتونه:
*گءconfounderها رو adjust کنه.
مثلاً:
میتونی اثر BMI روی BP رو بعد از کنترل:
سن
جنس
smoking
بررسی کنی.
این یکی از مهمترین مزیتهای regression هست.
✅ جمعبندی ساده
Correlation:
آیا دو متغیر با هم رابطه دارن؟
قدرت و جهت رابطه چقدره؟
Regression:
آیا X میتونه Y رو predict کنه؟
تغییر X چقدر Y رو تغییر میده؟
بعد از adjust کردن confounderها هنوز اثر وجود داره یا نه؟
@ResearchPrimeSupport
✅ @ResearchPrime
ءI² در متاآنالیز دقیقاً چی میگه؟ 🤔
اگر تا حالا مقالههای متاآنالیز خونده باشی، احتمالاً کنار نتایج این جمله رو زیاد دیدی:
> Heterogeneity was high (I² = 78%)
یا
> Low heterogeneity was observed (I² = 12%)
اما واقعاً این عدد I² چیه و چرا اینقدر مهمه؟
اول از همه: مشکل متاآنالیز از کجا شروع میشه؟
فرض کن میخوای 10 مطالعه رو درباره اثر یک دارو روی فشار خون با هم ترکیب کنی.
اما مطالعات با هم کاملاً یکسان نیستن:
* سن بیماران فرق داره
* دوز دارو فرق داره
* مدت پیگیری متفاوته
* کشورها متفاوتن
* روش اندازهگیری فرق داره
طبیعیه که نتایج مطالعات هم دقیقاً مشابه نباشه.
اینجاست که مفهوم ناهمگنی (Heterogeneity) مطرح میشه.
ءHeterogeneity یعنی چی؟
یعنی:
📌 «مطالعات چقدر با هم متفاوتن؟»
اگر همه مطالعات تقریباً یک نتیجه مشابه گزارش کرده باشن 👈 ناهمگنی کمه.
اگر نتایج مطالعات خیلی با هم فرق داشته باشه 👈 ناهمگنی زیاده.
ءI² دقیقاً چه چیزی را اندازه میگیرد؟
ءI² نشان میدهد:
📌 «چند درصد از اختلاف بین نتایج مطالعات، به خاطر تفاوت واقعی بین مطالعات است و نه صرفاً خطای تصادفی؟»
مثال ساده
فرض کن I² = 0%
یعنی:
تقریباً تمام اختلافی که بین مطالعات میبینیم، ناشی از شانس و خطای نمونهگیریه.
به زبان ساده:
مطالعات با هم خیلی سازگار هستن.
حالا فرض کن:
I² = 80%
یعنی:
حدود 80 درصد اختلاف بین مطالعات، ناشی از تفاوت واقعی بین خود مطالعاته.
یعنی مطالعات واقعاً نتایج متفاوتی گزارش کردهاند.
تفسیر عدد I²
یک راهنمای رایج:
0–25%: ناهمگنی کم
25–50%: ناهمگنی متوسط
50–75%: ناهمگنی زیاد
>75%: ناهمگنی بسیار زیاد
📌 این مرزبندیها مطلق نیستن و باید با موضوع مطالعه تفسیر بشن.
مثال 1: I² پایین
فرض کن 8 مطالعه درباره تأثیر استاتین بر LDL انجام شده.
نتایج تقریباً مشابه هستن:
* مطالعه اول: 28٪ کاهش
* مطالعه دوم: 31٪ کاهش
* مطالعه سوم: 30٪ کاهش
در نهایت:
I² = 7%
یعنی مطالعات تقریباً همجهت و همنتیجه هستن.
در این حالت اعتماد به نتیجه pooled بیشتره.
مثال 2: I² بالا
فرض کن 10 مطالعه درباره اثر یک رژیم غذایی روی کاهش وزن داریم.
نتایج:
* یک مطالعه: 2 کیلو کاهش
* یک مطالعه: 6 کیلو کاهش
* یک مطالعه: 11 کیلو کاهش
* یک مطالعه: بدون اثر
حالا:
I² = 88%
یعنی مطالعات نتایج بسیار متفاوتی داشتن.
در این حالت باید بپرسی:
❓ چرا اینقدر تفاوت وجود داره؟
آیا I² بالا یعنی متاآنالیز بد است؟
نه.
این یکی از رایجترین سوءبرداشتهاست.
خیلیها فکر میکنن:
> I² بالا = متاآنالیز بیارزش
در حالی که این درست نیست.
I² بالا فقط میگه:
📌 «مطالعات با هم متفاوتن و باید علت این تفاوت رو پیدا کنیم.»
چه چیزهایی باعث افزایش I² میشن؟
تفاوت در جمعیت مطالعه
مثلاً:
* یک مطالعه روی کودکان
* یک مطالعه روی سالمندان
تفاوت در دوز مداخله
مثلاً:
* 5 میلیگرم دارو
* 40 میلیگرم دارو
تفاوت در مدت پیگیری
مثلاً:
* 4 هفته
* 2 سال
تفاوت در کیفیت مطالعات
مثلاً:
* ءRCT با کیفیت بالا
* مطالعه مشاهدهای با ریسک bias زیاد
ءI² و انتخاب مدل Fixed یا Random
یکی از مهمترین کاربردهای I² همینجاست.
وقتی I² پایین است
معمولاً:
Fixed-effect model
میتواند منطقی باشد.
چون فرض میکنیم مطالعات تقریباً یک اثر واقعی مشترک را اندازه گرفتهاند.
وقتی I² بالاست
معمولاً:
Random-effects model
مناسبتر است.
چون فرض میکنیم اثر واقعی بین مطالعات متفاوت است.
📌 به همین دلیل در بسیاری از متاآنالیزهای پزشکی، Random-effects مدل پیشفرض شده است.
آیا فقط به I² نگاه کنیم؟
خیر.
این اشتباه خیلی رایج است.
ءI² فقط یکی از شاخصهای ناهمگنی است.
همزمان باید به موارد زیر هم نگاه کرد:
* Forest plot
* Cochran's Q test
* Tau²
* Subgroup analysis
* Meta-regression
مثال مهم
فرض کن:
I² = 70%
اما همه مطالعات اثر را در یک جهت نشان دادهاند:
* همه به نفع درمان هستند
* فقط اندازه اثر متفاوت است
اینجا تفسیر با زمانی که نصف مطالعات اثر مثبت و نصف اثر منفی دارند کاملاً فرق میکند.
بنابراین همیشه باید Forest plot را کنار I² بررسی کرد.
یک اشتباه رایج در نوشتن مقاله
بعضی نویسندهها فقط مینویسن:
> Heterogeneity was high (I² = 82%).
و تمام.
در حالی که سؤال اصلی اینه:
📌 چرا I² بالا بوده؟
اگر ناهمگنی زیاد است، بهتر است:
* ءsubgroup analysis انجام شود
* ءsensitivity analysis انجام شود
* در صورت امکان meta-regression انجام شود
@ResearchPrimeSupport
✅ @ResearchPrime
اگر تا حالا مقالههای متاآنالیز خونده باشی، احتمالاً کنار نتایج این جمله رو زیاد دیدی:
> Heterogeneity was high (I² = 78%)
یا
> Low heterogeneity was observed (I² = 12%)
اما واقعاً این عدد I² چیه و چرا اینقدر مهمه؟
اول از همه: مشکل متاآنالیز از کجا شروع میشه؟
فرض کن میخوای 10 مطالعه رو درباره اثر یک دارو روی فشار خون با هم ترکیب کنی.
اما مطالعات با هم کاملاً یکسان نیستن:
* سن بیماران فرق داره
* دوز دارو فرق داره
* مدت پیگیری متفاوته
* کشورها متفاوتن
* روش اندازهگیری فرق داره
طبیعیه که نتایج مطالعات هم دقیقاً مشابه نباشه.
اینجاست که مفهوم ناهمگنی (Heterogeneity) مطرح میشه.
ءHeterogeneity یعنی چی؟
یعنی:
📌 «مطالعات چقدر با هم متفاوتن؟»
اگر همه مطالعات تقریباً یک نتیجه مشابه گزارش کرده باشن 👈 ناهمگنی کمه.
اگر نتایج مطالعات خیلی با هم فرق داشته باشه 👈 ناهمگنی زیاده.
ءI² دقیقاً چه چیزی را اندازه میگیرد؟
ءI² نشان میدهد:
📌 «چند درصد از اختلاف بین نتایج مطالعات، به خاطر تفاوت واقعی بین مطالعات است و نه صرفاً خطای تصادفی؟»
مثال ساده
فرض کن I² = 0%
یعنی:
تقریباً تمام اختلافی که بین مطالعات میبینیم، ناشی از شانس و خطای نمونهگیریه.
به زبان ساده:
مطالعات با هم خیلی سازگار هستن.
حالا فرض کن:
I² = 80%
یعنی:
حدود 80 درصد اختلاف بین مطالعات، ناشی از تفاوت واقعی بین خود مطالعاته.
یعنی مطالعات واقعاً نتایج متفاوتی گزارش کردهاند.
تفسیر عدد I²
یک راهنمای رایج:
0–25%: ناهمگنی کم
25–50%: ناهمگنی متوسط
50–75%: ناهمگنی زیاد
>75%: ناهمگنی بسیار زیاد
📌 این مرزبندیها مطلق نیستن و باید با موضوع مطالعه تفسیر بشن.
مثال 1: I² پایین
فرض کن 8 مطالعه درباره تأثیر استاتین بر LDL انجام شده.
نتایج تقریباً مشابه هستن:
* مطالعه اول: 28٪ کاهش
* مطالعه دوم: 31٪ کاهش
* مطالعه سوم: 30٪ کاهش
در نهایت:
I² = 7%
یعنی مطالعات تقریباً همجهت و همنتیجه هستن.
در این حالت اعتماد به نتیجه pooled بیشتره.
مثال 2: I² بالا
فرض کن 10 مطالعه درباره اثر یک رژیم غذایی روی کاهش وزن داریم.
نتایج:
* یک مطالعه: 2 کیلو کاهش
* یک مطالعه: 6 کیلو کاهش
* یک مطالعه: 11 کیلو کاهش
* یک مطالعه: بدون اثر
حالا:
I² = 88%
یعنی مطالعات نتایج بسیار متفاوتی داشتن.
در این حالت باید بپرسی:
❓ چرا اینقدر تفاوت وجود داره؟
آیا I² بالا یعنی متاآنالیز بد است؟
نه.
این یکی از رایجترین سوءبرداشتهاست.
خیلیها فکر میکنن:
> I² بالا = متاآنالیز بیارزش
در حالی که این درست نیست.
I² بالا فقط میگه:
📌 «مطالعات با هم متفاوتن و باید علت این تفاوت رو پیدا کنیم.»
چه چیزهایی باعث افزایش I² میشن؟
تفاوت در جمعیت مطالعه
مثلاً:
* یک مطالعه روی کودکان
* یک مطالعه روی سالمندان
تفاوت در دوز مداخله
مثلاً:
* 5 میلیگرم دارو
* 40 میلیگرم دارو
تفاوت در مدت پیگیری
مثلاً:
* 4 هفته
* 2 سال
تفاوت در کیفیت مطالعات
مثلاً:
* ءRCT با کیفیت بالا
* مطالعه مشاهدهای با ریسک bias زیاد
ءI² و انتخاب مدل Fixed یا Random
یکی از مهمترین کاربردهای I² همینجاست.
وقتی I² پایین است
معمولاً:
Fixed-effect model
میتواند منطقی باشد.
چون فرض میکنیم مطالعات تقریباً یک اثر واقعی مشترک را اندازه گرفتهاند.
وقتی I² بالاست
معمولاً:
Random-effects model
مناسبتر است.
چون فرض میکنیم اثر واقعی بین مطالعات متفاوت است.
📌 به همین دلیل در بسیاری از متاآنالیزهای پزشکی، Random-effects مدل پیشفرض شده است.
آیا فقط به I² نگاه کنیم؟
خیر.
این اشتباه خیلی رایج است.
ءI² فقط یکی از شاخصهای ناهمگنی است.
همزمان باید به موارد زیر هم نگاه کرد:
* Forest plot
* Cochran's Q test
* Tau²
* Subgroup analysis
* Meta-regression
مثال مهم
فرض کن:
I² = 70%
اما همه مطالعات اثر را در یک جهت نشان دادهاند:
* همه به نفع درمان هستند
* فقط اندازه اثر متفاوت است
اینجا تفسیر با زمانی که نصف مطالعات اثر مثبت و نصف اثر منفی دارند کاملاً فرق میکند.
بنابراین همیشه باید Forest plot را کنار I² بررسی کرد.
یک اشتباه رایج در نوشتن مقاله
بعضی نویسندهها فقط مینویسن:
> Heterogeneity was high (I² = 82%).
و تمام.
در حالی که سؤال اصلی اینه:
📌 چرا I² بالا بوده؟
اگر ناهمگنی زیاد است، بهتر است:
* ءsubgroup analysis انجام شود
* ءsensitivity analysis انجام شود
* در صورت امکان meta-regression انجام شود
@ResearchPrimeSupport
✅ @ResearchPrime
📄 اشتباهاتی که باعث Reject شدن مقاله میشوند
خیلی از پژوهشگرها فکر میکنن مقالهها فقط به خاطر انگلیسی ضعیف یا نتایج منفی ریجکت میشن.
اما واقعیت اینه که اکثر مقالهها قبل از اینکه داورها وارد جزئیات علمی بشن، به خاطر چند اشتباه تکراری شانس خودشون رو از دست میدن.
بعد از سالها مقاله خواندن، داوری و چاپ مقاله، میتونم بگم بیشتر ریجکتها به چند دلیل مشخص برمیگردن.
اگر این موارد رو بشناسی، شانس پذیرش مقالهات به شکل محسوسی افزایش پیدا میکنه.
━━━━━━━━━━━━
🚩 1. سؤال پژوهشی ضعیف
این مهمترین علت ریجکت شدنه.
خیلی از مقالهها از نظر آماری درستن، اما اصلاً سؤال مهمی رو پاسخ نمیدن.
مثال:
❌ "بررسی ارتباط گروه خونی با قد دانشجویان پزشکی"
حتی اگر تحلیل آماری بینقص باشه، سردبیر احتمالاً از خودش میپرسه:
"خب که چی؟"
📌 قبل از شروع پروژه از خودت بپرس:
آیا پاسخ این سؤال واقعاً چیزی به دانش موجود اضافه میکنه؟
━━━━━━━━━━━━
🚩 2. نوآوری کم یا تکراری بودن مطالعه
گاهی مقاله کاملاً درست انجام شده، اما دهها بار قبلاً انجام شده.
مثال:
فرض کن در سال 2026 هنوز مقالهای ارسال بشه با عنوان:
"ارتباط سیگار کشیدن با سرطان ریه"
طبیعتاً ژورنالهای خوب علاقهای به چاپ چنین مطالعهای ندارن.
📌 داورها معمولاً دنبال این هستن که مقاله چه چیز جدیدی به ادبیات علمی اضافه میکنه.
━━━━━━━━━━━━
🚩 3. انتخاب ژورنال اشتباه
خیلی از ریجکتها حتی قبل از ارسال برای داور اتفاق میافتن.
مثلاً:
🔹 یک مطالعه محلی روی 150 بیمار
🔹 ارسال به Nature یا The Lancet
تقریباً قابل پیشبینیه که Desk Reject بشه.
📌 سطح مقاله باید با سطح ژورنال هماهنگ باشه.
━━━━━━━━━━━━
🚩 4. حجم نمونه ناکافی
فرض کن مقالهای درباره اثربخشی یک داروی جدید باشه و فقط 12 بیمار داشته باشه.
حتی اگر نتیجه معنیدار باشه، داور ممکنه بگه:
"قدرت مطالعه کافی نیست."
📌 حجم نمونه کم یکی از رایجترین ایرادهای مقالات پزشکیه.
━━━━━━━━━━━━
🚩 5. تحلیل آماری اشتباه
اینجا خیلی از مقالهها زمین میخورن.
مثالها:
❌ استفاده از t-test برای دادههای غیرنرمال
❌ انجام دهها آزمون آماری بدون اصلاح Multiple Testing
❌ استفاده اشتباه از Logistic Regression
❌ تفسیر اشتباه Odds Ratio
بعضی داورها فقط بخش آمار رو میخونن و همونجا تصمیم میگیرن مقاله رد بشه یا نه.
━━━━━━━━━━━━
🚩 6. نتیجهگیری فراتر از دادهها
یکی از محبوبترین ایرادهای داورها!
مثال:
مطالعه Cross-sectional:
"افرادی که بیشتر ورزش میکنند افسردگی کمتری دارند."
اما نویسنده مینویسه:
❌ "ورزش باعث پیشگیری از افسردگی میشود."
مشکل چیه؟
مطالعه Cross-sectional نمیتونه رابطه علت و معلولی رو ثابت کنه.
📌 نتیجهگیری باید دقیقاً در حد دادهها باشه، نه بیشتر.
━━━━━━━━━━━━
🚩 7. ضعف در بخش Discussion
خیلی از نویسندهها فکر میکنن Discussion فقط تکرار نتایجه.
در حالی که این بخش باید توضیح بده:
🔹 چرا این نتایج به دست اومدن؟
🔹 با مطالعات قبلی چه شباهت یا تفاوتی دارن؟
🔹 پیامدهای بالینی چیست؟
🔹 محدودیتهای مطالعه چیه؟
اگر Discussion ضعیف باشه، مقاله immature به نظر میرسه.
━━━━━━━━━━━━
🚩 8. نادیده گرفتن محدودیتهای مطالعه
بعضی نویسندهها طوری مقاله مینویسن که انگار مطالعهشون هیچ نقصی نداره.
این دقیقاً نتیجه عکس میده.
📌 داورها محدودیتها رو میبینن.
اگر خودت صادقانه بهشون اشاره نکنی، اعتبار مقاله کمتر میشه.
━━━━━━━━━━━━
🚩 9. انگلیسی ضعیف و نگارش نامناسب
جالب اینجاست که همیشه مشکل گرامر نیست.
گاهی مقاله:
🔹 طولانیه
🔹 پراکنده نوشته شده
🔹 جملات پیچیده داره
🔹 پیام اصلی رو منتقل نمیکنه
داورها روزانه دهها مقاله میخونن.
اگر متن خستهکننده باشه، امتیاز منفی میگیره.
━━━━━━━━━━━━
🚩 10. رعایت نکردن دستورالعمل ژورنال
باورت نمیشه چند مقاله فقط به همین دلیل ریجکت میشن.
مثلاً:
❌ تعداد کلمات بیشتر از حد مجاز
❌ فرمت رفرنس اشتباه
❌ شکلها با کیفیت پایین
❌ فایلهای ناقص
❌ نداشتن چکلیست CONSORT یا PRISMA
📌 همیشه قبل از Submit برو Author Guidelines رو کامل بخون.
━━━━━━━━━━━━
🚩 11. مقالهای که هیچ پیام بالینی ندارد
بعضی مطالعات از نظر آماری درست هستن اما هیچ تأثیری روی علم یا بالین ندارن.
داورها معمولاً میپرسن:
"این یافته چه تغییری در تصمیمگیری پزشکان ایجاد میکند؟"
اگر جواب مشخصی وجود نداشته باشه، شانس پذیرش کمتر میشه.
━━━━━━━━━━━━
🎯 یک نکته مهم
خیلی از افراد فکر میکنن مقالهها به خاطر نتایج منفی ریجکت میشن.
اما امروزه در بسیاری از ژورنالهای معتبر:
❌ مشکل اصلی «منفی بودن نتیجه» نیست.
✅ مشکل اصلی «ضعیف بودن سؤال، روش یا تحلیل» هست.
خیلی از پژوهشگرها فکر میکنن مقالهها فقط به خاطر انگلیسی ضعیف یا نتایج منفی ریجکت میشن.
اما واقعیت اینه که اکثر مقالهها قبل از اینکه داورها وارد جزئیات علمی بشن، به خاطر چند اشتباه تکراری شانس خودشون رو از دست میدن.
بعد از سالها مقاله خواندن، داوری و چاپ مقاله، میتونم بگم بیشتر ریجکتها به چند دلیل مشخص برمیگردن.
اگر این موارد رو بشناسی، شانس پذیرش مقالهات به شکل محسوسی افزایش پیدا میکنه.
━━━━━━━━━━━━
🚩 1. سؤال پژوهشی ضعیف
این مهمترین علت ریجکت شدنه.
خیلی از مقالهها از نظر آماری درستن، اما اصلاً سؤال مهمی رو پاسخ نمیدن.
مثال:
❌ "بررسی ارتباط گروه خونی با قد دانشجویان پزشکی"
حتی اگر تحلیل آماری بینقص باشه، سردبیر احتمالاً از خودش میپرسه:
"خب که چی؟"
📌 قبل از شروع پروژه از خودت بپرس:
آیا پاسخ این سؤال واقعاً چیزی به دانش موجود اضافه میکنه؟
━━━━━━━━━━━━
🚩 2. نوآوری کم یا تکراری بودن مطالعه
گاهی مقاله کاملاً درست انجام شده، اما دهها بار قبلاً انجام شده.
مثال:
فرض کن در سال 2026 هنوز مقالهای ارسال بشه با عنوان:
"ارتباط سیگار کشیدن با سرطان ریه"
طبیعتاً ژورنالهای خوب علاقهای به چاپ چنین مطالعهای ندارن.
📌 داورها معمولاً دنبال این هستن که مقاله چه چیز جدیدی به ادبیات علمی اضافه میکنه.
━━━━━━━━━━━━
🚩 3. انتخاب ژورنال اشتباه
خیلی از ریجکتها حتی قبل از ارسال برای داور اتفاق میافتن.
مثلاً:
🔹 یک مطالعه محلی روی 150 بیمار
🔹 ارسال به Nature یا The Lancet
تقریباً قابل پیشبینیه که Desk Reject بشه.
📌 سطح مقاله باید با سطح ژورنال هماهنگ باشه.
━━━━━━━━━━━━
🚩 4. حجم نمونه ناکافی
فرض کن مقالهای درباره اثربخشی یک داروی جدید باشه و فقط 12 بیمار داشته باشه.
حتی اگر نتیجه معنیدار باشه، داور ممکنه بگه:
"قدرت مطالعه کافی نیست."
📌 حجم نمونه کم یکی از رایجترین ایرادهای مقالات پزشکیه.
━━━━━━━━━━━━
🚩 5. تحلیل آماری اشتباه
اینجا خیلی از مقالهها زمین میخورن.
مثالها:
❌ استفاده از t-test برای دادههای غیرنرمال
❌ انجام دهها آزمون آماری بدون اصلاح Multiple Testing
❌ استفاده اشتباه از Logistic Regression
❌ تفسیر اشتباه Odds Ratio
بعضی داورها فقط بخش آمار رو میخونن و همونجا تصمیم میگیرن مقاله رد بشه یا نه.
━━━━━━━━━━━━
🚩 6. نتیجهگیری فراتر از دادهها
یکی از محبوبترین ایرادهای داورها!
مثال:
مطالعه Cross-sectional:
"افرادی که بیشتر ورزش میکنند افسردگی کمتری دارند."
اما نویسنده مینویسه:
❌ "ورزش باعث پیشگیری از افسردگی میشود."
مشکل چیه؟
مطالعه Cross-sectional نمیتونه رابطه علت و معلولی رو ثابت کنه.
📌 نتیجهگیری باید دقیقاً در حد دادهها باشه، نه بیشتر.
━━━━━━━━━━━━
🚩 7. ضعف در بخش Discussion
خیلی از نویسندهها فکر میکنن Discussion فقط تکرار نتایجه.
در حالی که این بخش باید توضیح بده:
🔹 چرا این نتایج به دست اومدن؟
🔹 با مطالعات قبلی چه شباهت یا تفاوتی دارن؟
🔹 پیامدهای بالینی چیست؟
🔹 محدودیتهای مطالعه چیه؟
اگر Discussion ضعیف باشه، مقاله immature به نظر میرسه.
━━━━━━━━━━━━
🚩 8. نادیده گرفتن محدودیتهای مطالعه
بعضی نویسندهها طوری مقاله مینویسن که انگار مطالعهشون هیچ نقصی نداره.
این دقیقاً نتیجه عکس میده.
📌 داورها محدودیتها رو میبینن.
اگر خودت صادقانه بهشون اشاره نکنی، اعتبار مقاله کمتر میشه.
━━━━━━━━━━━━
🚩 9. انگلیسی ضعیف و نگارش نامناسب
جالب اینجاست که همیشه مشکل گرامر نیست.
گاهی مقاله:
🔹 طولانیه
🔹 پراکنده نوشته شده
🔹 جملات پیچیده داره
🔹 پیام اصلی رو منتقل نمیکنه
داورها روزانه دهها مقاله میخونن.
اگر متن خستهکننده باشه، امتیاز منفی میگیره.
━━━━━━━━━━━━
🚩 10. رعایت نکردن دستورالعمل ژورنال
باورت نمیشه چند مقاله فقط به همین دلیل ریجکت میشن.
مثلاً:
❌ تعداد کلمات بیشتر از حد مجاز
❌ فرمت رفرنس اشتباه
❌ شکلها با کیفیت پایین
❌ فایلهای ناقص
❌ نداشتن چکلیست CONSORT یا PRISMA
📌 همیشه قبل از Submit برو Author Guidelines رو کامل بخون.
━━━━━━━━━━━━
🚩 11. مقالهای که هیچ پیام بالینی ندارد
بعضی مطالعات از نظر آماری درست هستن اما هیچ تأثیری روی علم یا بالین ندارن.
داورها معمولاً میپرسن:
"این یافته چه تغییری در تصمیمگیری پزشکان ایجاد میکند؟"
اگر جواب مشخصی وجود نداشته باشه، شانس پذیرش کمتر میشه.
━━━━━━━━━━━━
🎯 یک نکته مهم
خیلی از افراد فکر میکنن مقالهها به خاطر نتایج منفی ریجکت میشن.
اما امروزه در بسیاری از ژورنالهای معتبر:
❌ مشکل اصلی «منفی بودن نتیجه» نیست.
✅ مشکل اصلی «ضعیف بودن سؤال، روش یا تحلیل» هست.
یک مطالعه قوی با نتیجه منفی معمولاً ارزش بیشتری از یک مطالعه ضعیف با نتیجه مثبت داره.
━━━━━━━━━━━━
🧠 خلاصه مطلب
اگر بخوام مهمترین دلایل ریجکت شدن مقاله رو در یک جمله بگم:
🔹 سؤال پژوهشی ضعیف
🔹 نوآوری کم
🔹 تحلیل آماری اشتباه
🔹 نتیجهگیری اغراقآمیز
🔹 انتخاب ژورنال نامناسب
🔹 نگارش ضعیف
و مهمتر از همه:
📌 اکثر مقالهها قبل از اینکه به خاطر نتایجشون رد بشن، به خاطر ضعف در طراحی مطالعه یا نگارش مقاله رد میشن.
@ResearchPrimeSupport
✅ @ResearchPrime
━━━━━━━━━━━━
🧠 خلاصه مطلب
اگر بخوام مهمترین دلایل ریجکت شدن مقاله رو در یک جمله بگم:
🔹 سؤال پژوهشی ضعیف
🔹 نوآوری کم
🔹 تحلیل آماری اشتباه
🔹 نتیجهگیری اغراقآمیز
🔹 انتخاب ژورنال نامناسب
🔹 نگارش ضعیف
و مهمتر از همه:
📌 اکثر مقالهها قبل از اینکه به خاطر نتایجشون رد بشن، به خاطر ضعف در طراحی مطالعه یا نگارش مقاله رد میشن.
@ResearchPrimeSupport
✅ @ResearchPrime
Research Prime pinned «🔬 خدمات جدید Research Prime برای پژوهشگرها 🔬 اگر به ابزارها و دیتابیسهای مهم پژوهشی دسترسی ندارین یا نمیخواین هزینههای بالای اشتراک پرداخت کنین، ما توی Research Prime این خدمات رو با هزینهای پایینتر از خیلی از مراکز دیگه براتون انجام میدیم 👇 📚 خدمات…»
📚 چطور در 5 دقیقه بفهمیم یک مقاله ارزش خواندن داره یا نه؟
اگر دانشجو، رزیدنت یا پژوهشگر باشی، احتمالاً بارها این اتفاق برات افتاده:
یک مقاله پیدا میکنی، 20 دقیقه وقت میذاری، آخرش میفهمی نه سؤال مهمی رو جواب داده، نه کیفیت خاصی داشته، نه چیزی به دانشت اضافه کرده.
واقعیت اینه که هیچ پژوهشگری همه مقالهها رو از اول تا آخر نمیخونه.
افراد باتجربه معمولاً در کمتر از 5 دقیقه تصمیم میگیرن که یک مقاله ارزش وقت گذاشتن داره یا نه.
بیا ببینیم چطور 👇
━━━━━━━━━━━━
⏱ دقیقه اول: عنوان (Title)
اول از همه عنوان رو بخون.
از خودت بپرس:
❓ آیا موضوع به سؤال من مربوطه؟
مثلاً فرض کن دنبال نقش هوش مصنوعی در تشخیص اوتیسم هستی.
اگر عنوان مقاله این باشه:
"Deep learning for autism diagnosis using EEG signals"
احتمالاً ارزش بررسی داره.
اما اگر عنوان این باشه:
"Autism prevalence among school children"
احتمالاً برای سؤال تو کاربردی نداره.
📌 خیلی وقتها همون عنوان مشخص میکنه که مقاله اصلاً به کارت میاد یا نه.
━━━━━━━━━━━━
⏱ دقیقه دوم: Abstract
این مهمترین قسمت غربالگریه.
سه چیز رو سریع پیدا کن:
🔹 هدف مطالعه
🔹 روش مطالعه
🔹 نتیجه اصلی
مثال:
اگر هدفت پیدا کردن یک مدل تشخیصی باشه و در Abstract ببینی:
"Accuracy = 96%"
"AUC = 0.98"
جالبه و به کارت میاد.
اما اگر مقاله فقط درباره ویژگیهای جمعیت بیماران صحبت کرده باشه، احتمالاً برای پروژه تو مفید نیست.
📌 اگر Abstract ضعیف باشه، معمولاً بقیه مقاله هم شاهکار نیست.
━━━━━━━━━━━━
⏱ دقیقه سوم: نوع مطالعه (Study Design)
اینجا خیلی از افراد اشتباه میکنن.
همه مقالهها ارزش یکسان ندارن.
معمولاً:
✅ Systematic Review و Meta-analysis
بالاترین سطح شواهد رو دارن.
بعد:
✅ Randomized Clinical Trial
بعد:
✅ Cohort Study
بعد:
✅ Case-Control Study
و در انتها:
✅ Case Report
مثال:
اگر بخوای اثر یک دارو رو بررسی کنی، یک Meta-analysis معمولاً ارزش بیشتری از یک Case Report داره.
📌 همیشه ببین سطح شواهد مقاله چقدره.
━━━━━━━━━━━━
⏱ دقیقه چهارم: نتایج (Results)
لازم نیست همه اعداد رو بخونی.
فقط چند سؤال بپرس:
🔹 حجم نمونه چقدره؟
🔹 نتیجه از نظر آماری معنیداره؟
🔹 اندازه اثر چقدره؟
مثال:
فرض کن مقالهای میگه:
P < 0.001
خیلیها اینجا هیجانزده میشن.
اما اگر حجم نمونه 50 هزار نفر باشه، حتی یک اختلاف کوچک هم ممکنه معنیدار بشه.
📌 دنبال اندازه اثر (Effect Size) باش، نه فقط P-value.
━━━━━━━━━━━━
⏱ دقیقه پنجم: نتیجهگیری نویسنده را باور نکن!
این شاید مهمترین نکته باشه.
بعضی نویسندهها نتایج رو بیش از حد بزرگ جلوه میدن.
مثلاً:
نتیجه واقعی:
"بین مصرف قهوه و کاهش خطر بیماری ارتباط مشاهده شد."
اما در Conclusion مینویسن:
☕️ "قهوه باعث پیشگیری از بیماری میشود."
در حالی که مطالعه فقط observational بوده و اصلاً نمیتونه رابطه علت و معلولی ثابت کنه.
📌 همیشه نتیجهگیری را با نتایج واقعی مقایسه کن.
━━━━━━━━━━━━
🚩 چند Red Flag که باید حواست بهشون باشه
❌ حجم نمونه خیلی کم
مثلاً 12 بیمار
❌ نداشتن گروه کنترل
❌ Follow-up کوتاه
❌ نتیجهگیری خیلی بزرگتر از دادهها
❌ استفاده مکرر از کلمات:
"Groundbreaking"
"Revolutionary"
"Game-changing"
📌 علم واقعی معمولاً با احتیاط حرف میزنه.
━━━━━━━━━━━━
🎯 یک مثال واقعی
فرض کن دو مقاله درباره یک داروی جدید پیدا کردی.
مقاله اول:
🔹 35 بیمار
🔹 Single-center
🔹 Follow-up سه ماهه
مقاله دوم:
🔹 Meta-analysis
🔹 12 مطالعه
🔹 بیش از 5000 بیمار
اگر وقت محدودی داشته باشی، منطقیه که اول مقاله دوم رو بخونی.
━━━━━━━━━━━━
🧠 فرمول 5 دقیقهای من برای غربالگری مقاله
1️⃣ عنوان
2️⃣ Abstract
3️⃣ نوع مطالعه
4️⃣ حجم نمونه و اندازه اثر
5️⃣ مقایسه نتیجهگیری با دادههای واقعی
اگر بعد از این 5 مرحله هنوز مقاله جذاب به نظر میرسه، اون موقع ارزش داره وقت بذاری و کامل بخونیش.
وگرنه بهتره سراغ مقاله بعدی بری.
چون در پژوهش، مهمتر از زیاد خواندن، درست انتخاب کردن چیزیه که میخونی.
@ResearchPrimeSupport
✅ @ResearchPrime
اگر دانشجو، رزیدنت یا پژوهشگر باشی، احتمالاً بارها این اتفاق برات افتاده:
یک مقاله پیدا میکنی، 20 دقیقه وقت میذاری، آخرش میفهمی نه سؤال مهمی رو جواب داده، نه کیفیت خاصی داشته، نه چیزی به دانشت اضافه کرده.
واقعیت اینه که هیچ پژوهشگری همه مقالهها رو از اول تا آخر نمیخونه.
افراد باتجربه معمولاً در کمتر از 5 دقیقه تصمیم میگیرن که یک مقاله ارزش وقت گذاشتن داره یا نه.
بیا ببینیم چطور 👇
━━━━━━━━━━━━
⏱ دقیقه اول: عنوان (Title)
اول از همه عنوان رو بخون.
از خودت بپرس:
❓ آیا موضوع به سؤال من مربوطه؟
مثلاً فرض کن دنبال نقش هوش مصنوعی در تشخیص اوتیسم هستی.
اگر عنوان مقاله این باشه:
"Deep learning for autism diagnosis using EEG signals"
احتمالاً ارزش بررسی داره.
اما اگر عنوان این باشه:
"Autism prevalence among school children"
احتمالاً برای سؤال تو کاربردی نداره.
📌 خیلی وقتها همون عنوان مشخص میکنه که مقاله اصلاً به کارت میاد یا نه.
━━━━━━━━━━━━
⏱ دقیقه دوم: Abstract
این مهمترین قسمت غربالگریه.
سه چیز رو سریع پیدا کن:
🔹 هدف مطالعه
🔹 روش مطالعه
🔹 نتیجه اصلی
مثال:
اگر هدفت پیدا کردن یک مدل تشخیصی باشه و در Abstract ببینی:
"Accuracy = 96%"
"AUC = 0.98"
جالبه و به کارت میاد.
اما اگر مقاله فقط درباره ویژگیهای جمعیت بیماران صحبت کرده باشه، احتمالاً برای پروژه تو مفید نیست.
📌 اگر Abstract ضعیف باشه، معمولاً بقیه مقاله هم شاهکار نیست.
━━━━━━━━━━━━
⏱ دقیقه سوم: نوع مطالعه (Study Design)
اینجا خیلی از افراد اشتباه میکنن.
همه مقالهها ارزش یکسان ندارن.
معمولاً:
✅ Systematic Review و Meta-analysis
بالاترین سطح شواهد رو دارن.
بعد:
✅ Randomized Clinical Trial
بعد:
✅ Cohort Study
بعد:
✅ Case-Control Study
و در انتها:
✅ Case Report
مثال:
اگر بخوای اثر یک دارو رو بررسی کنی، یک Meta-analysis معمولاً ارزش بیشتری از یک Case Report داره.
📌 همیشه ببین سطح شواهد مقاله چقدره.
━━━━━━━━━━━━
⏱ دقیقه چهارم: نتایج (Results)
لازم نیست همه اعداد رو بخونی.
فقط چند سؤال بپرس:
🔹 حجم نمونه چقدره؟
🔹 نتیجه از نظر آماری معنیداره؟
🔹 اندازه اثر چقدره؟
مثال:
فرض کن مقالهای میگه:
P < 0.001
خیلیها اینجا هیجانزده میشن.
اما اگر حجم نمونه 50 هزار نفر باشه، حتی یک اختلاف کوچک هم ممکنه معنیدار بشه.
📌 دنبال اندازه اثر (Effect Size) باش، نه فقط P-value.
━━━━━━━━━━━━
⏱ دقیقه پنجم: نتیجهگیری نویسنده را باور نکن!
این شاید مهمترین نکته باشه.
بعضی نویسندهها نتایج رو بیش از حد بزرگ جلوه میدن.
مثلاً:
نتیجه واقعی:
"بین مصرف قهوه و کاهش خطر بیماری ارتباط مشاهده شد."
اما در Conclusion مینویسن:
☕️ "قهوه باعث پیشگیری از بیماری میشود."
در حالی که مطالعه فقط observational بوده و اصلاً نمیتونه رابطه علت و معلولی ثابت کنه.
📌 همیشه نتیجهگیری را با نتایج واقعی مقایسه کن.
━━━━━━━━━━━━
🚩 چند Red Flag که باید حواست بهشون باشه
❌ حجم نمونه خیلی کم
مثلاً 12 بیمار
❌ نداشتن گروه کنترل
❌ Follow-up کوتاه
❌ نتیجهگیری خیلی بزرگتر از دادهها
❌ استفاده مکرر از کلمات:
"Groundbreaking"
"Revolutionary"
"Game-changing"
📌 علم واقعی معمولاً با احتیاط حرف میزنه.
━━━━━━━━━━━━
🎯 یک مثال واقعی
فرض کن دو مقاله درباره یک داروی جدید پیدا کردی.
مقاله اول:
🔹 35 بیمار
🔹 Single-center
🔹 Follow-up سه ماهه
مقاله دوم:
🔹 Meta-analysis
🔹 12 مطالعه
🔹 بیش از 5000 بیمار
اگر وقت محدودی داشته باشی، منطقیه که اول مقاله دوم رو بخونی.
━━━━━━━━━━━━
🧠 فرمول 5 دقیقهای من برای غربالگری مقاله
1️⃣ عنوان
2️⃣ Abstract
3️⃣ نوع مطالعه
4️⃣ حجم نمونه و اندازه اثر
5️⃣ مقایسه نتیجهگیری با دادههای واقعی
اگر بعد از این 5 مرحله هنوز مقاله جذاب به نظر میرسه، اون موقع ارزش داره وقت بذاری و کامل بخونیش.
وگرنه بهتره سراغ مقاله بعدی بری.
چون در پژوهش، مهمتر از زیاد خواندن، درست انتخاب کردن چیزیه که میخونی.
@ResearchPrimeSupport
✅ @ResearchPrime
📊 تفاوت Odds Ratio، Risk Ratio و Hazard Ratio
اگر مقالههای پزشکی یا متاآنالیزها رو میخونی، احتمالاً بارها با OR، RR و HR برخورد کردی.
مشکل اینجاست که خیلی از افراد این سه تا رو به جای هم استفاده میکنن، در حالی که هر کدوم معنی متفاوتی دارن و به سؤال متفاوتی پاسخ میدن.
بیاید با یک مثال ساده شروع کنیم 👇
فرض کن میخوایم اثر یک داروی جدید رو روی سکته قلبی بررسی کنیم.
🔹 گروه دارو: 10 نفر از 100 نفر دچار سکته شدن.
🔹 گروه کنترل: 20 نفر از 100 نفر دچار سکته شدن.
حالا ببینیم هر شاخص چی میگه.
🟢 Risk Ratio (RR)
ءRR یا Relative Risk سادهترین و قابل فهمترین شاخصه.
اینجا:
ریسک سکته در گروه دارو = 10٪
ریسک سکته در گروه کنترل = 20٪
پس:
RR = 10٪ ÷ 20٪ = 0.5
یعنی چی؟
یعنی ریسک سکته در گروه دارو نصف گروه کنترل بوده.
📌 تفسیر:
دارو باعث 50٪ کاهش ریسک سکته شده.
ءRR معمولاً در:
✅ کارآزماییهای بالینی
✅ Cohort Studies
استفاده میشه.
چون در این مطالعات میتونیم ریسک واقعی وقوع بیماری رو محاسبه کنیم.
━━━━━━━━━━━━
🟠 Odds Ratio (OR)
اینجا داستان کمی فرق میکنه.
به جای "ریسک"، از "Odds" استفاده میکنیم.
ءOdds یعنی:
احتمال وقوع اتفاق ÷ احتمال عدم وقوع اتفاق
در گروه دارو:
10 نفر سکته کردن
90 نفر سکته نکردن
Odds = 10/90 = 0.11
در گروه کنترل:
20 نفر سکته کردن
80 نفر سکته نکردن
Odds = 20/80 = 0.25
پس:
OR = 0.11 ÷ 0.25 = 0.44
📌 تفسیر:
احتمال نسبی وقوع سکته (به صورت Odds) در گروه دارو حدود 56٪ کمتر بوده.
حالا یک نکته مهم:
وقتی بیماری نادر باشه، OR و RR تقریباً شبیه هم میشن.
اما وقتی بیماری شایع باشه، OR میتونه اثر رو بزرگتر یا کوچکتر از واقعیت نشون بده.
برای همین خیلی وقتها میبینی:
RR = 0.5
ولی
OR = 0.35
و بعضی افراد اشتباه میکنن و OR رو مثل RR تفسیر میکنن.
❌ این کار اشتباهه.
━━━━━━━━━━━━
🤔 پس چرا اصلاً OR استفاده میکنیم؟
چون در بعضی مطالعات اصلاً نمیتونیم ریسک واقعی رو حساب کنیم.
مثلاً در Case-Control Study:
🔹 100 بیمار مبتلا به سرطان
🔹 100 فرد سالم
حالا میخوایم ببینیم سیگار کشیدن چقدر با سرطان مرتبطه.
اینجا تعداد بیماران و افراد سالم رو خود پژوهشگر انتخاب کرده.
پس ریسک واقعی سرطان در جمعیت مشخص نیست.
بنابراین RR قابل محاسبه نیست.
در این شرایط از OR استفاده میکنیم.
📌 به همین دلیل خروجی Logistic Regression هم معمولاً OR هست.
━━━━━━━━━━━━
🔵 Hazard Ratio (HR)
ءHR با دو تای قبلی فرق اساسی داره.
ءRR و OR فقط میگن:
"اتفاق افتاد یا نیفتاد"
اما HR زمان رو هم وارد معادله میکنه.
⏳
فرض کن دو دارو داریم.
بعد از 5 سال:
🔹 در هر دو گروه 20 نفر فوت کردن.
اگر فقط RR رو حساب کنیم:
RR = 1
یعنی تفاوتی وجود نداره.
اما فرض کن:
در گروه اول بیشتر مرگها در ماههای اول رخ داده.
در گروه دوم بیشتر مرگها در سالهای آخر رخ داده.
اینجا HR این تفاوت زمانی رو تشخیص میده.
📌 ءHR به ما میگه سرعت وقوع یک اتفاق در طول زمان چقدره.
برای همین در مطالعات بقا (Survival Analysis) استفاده میشه.
مثلاً:
✅ زمان مرگ
✅ زمان عود سرطان
✅ زمان سکته قلبی
✅ زمان بستری مجدد
━━━━━━━━━━━━
🧠 تفسیر Hazard Ratio
فرض کن:
HR = 0.70
یعنی در هر لحظه از پیگیری، خطر وقوع رویداد در گروه درمان 30٪ کمتر از گروه کنترل بوده.
اگر:
HR = 1
هیچ تفاوتی وجود نداره.
اگر:
HR = 2
یعنی سرعت وقوع رویداد تقریباً دو برابر شده.
━━━━━━━━━━━━
🎯 یک راه ساده برای حفظ کردن
🟢 RR = مقایسه ریسک بین دو گروه
🟠 OR = مقایسه Odds بین دو گروه (مخصوصاً در Case-Control و Logistic Regression)
🔵 HR = مقایسه سرعت وقوع رویداد در طول زمان
━━━━━━━━━━━━
📌 خلاصه نهایی
اگر سؤال اینه:
«احتمال بیماری در دو گروه چقدر فرق داره؟»
➡️ RR
اگر سؤال اینه:
«ءOdds بیماری در دو گروه چقدر فرق داره؟»
➡️ OR
اگر سؤال اینه:
«بیماری یا مرگ با چه سرعتی در طول زمان اتفاق میفته؟»
➡️ HR
و مهمترین نکته:
🚨 ءOR ، RR نیست.
🚨 ءHR هم RR نیست.
هر سه شاخص ممکنه درباره یک بیماری گزارش بشن، اما هر کدوم جنبه متفاوتی از دادهها رو توصیف میکنن.
@ResearchPrimeSupport
✅ @ResearchPrime
اگر مقالههای پزشکی یا متاآنالیزها رو میخونی، احتمالاً بارها با OR، RR و HR برخورد کردی.
مشکل اینجاست که خیلی از افراد این سه تا رو به جای هم استفاده میکنن، در حالی که هر کدوم معنی متفاوتی دارن و به سؤال متفاوتی پاسخ میدن.
بیاید با یک مثال ساده شروع کنیم 👇
فرض کن میخوایم اثر یک داروی جدید رو روی سکته قلبی بررسی کنیم.
🔹 گروه دارو: 10 نفر از 100 نفر دچار سکته شدن.
🔹 گروه کنترل: 20 نفر از 100 نفر دچار سکته شدن.
حالا ببینیم هر شاخص چی میگه.
🟢 Risk Ratio (RR)
ءRR یا Relative Risk سادهترین و قابل فهمترین شاخصه.
اینجا:
ریسک سکته در گروه دارو = 10٪
ریسک سکته در گروه کنترل = 20٪
پس:
RR = 10٪ ÷ 20٪ = 0.5
یعنی چی؟
یعنی ریسک سکته در گروه دارو نصف گروه کنترل بوده.
📌 تفسیر:
دارو باعث 50٪ کاهش ریسک سکته شده.
ءRR معمولاً در:
✅ کارآزماییهای بالینی
✅ Cohort Studies
استفاده میشه.
چون در این مطالعات میتونیم ریسک واقعی وقوع بیماری رو محاسبه کنیم.
━━━━━━━━━━━━
🟠 Odds Ratio (OR)
اینجا داستان کمی فرق میکنه.
به جای "ریسک"، از "Odds" استفاده میکنیم.
ءOdds یعنی:
احتمال وقوع اتفاق ÷ احتمال عدم وقوع اتفاق
در گروه دارو:
10 نفر سکته کردن
90 نفر سکته نکردن
Odds = 10/90 = 0.11
در گروه کنترل:
20 نفر سکته کردن
80 نفر سکته نکردن
Odds = 20/80 = 0.25
پس:
OR = 0.11 ÷ 0.25 = 0.44
📌 تفسیر:
احتمال نسبی وقوع سکته (به صورت Odds) در گروه دارو حدود 56٪ کمتر بوده.
حالا یک نکته مهم:
وقتی بیماری نادر باشه، OR و RR تقریباً شبیه هم میشن.
اما وقتی بیماری شایع باشه، OR میتونه اثر رو بزرگتر یا کوچکتر از واقعیت نشون بده.
برای همین خیلی وقتها میبینی:
RR = 0.5
ولی
OR = 0.35
و بعضی افراد اشتباه میکنن و OR رو مثل RR تفسیر میکنن.
❌ این کار اشتباهه.
━━━━━━━━━━━━
🤔 پس چرا اصلاً OR استفاده میکنیم؟
چون در بعضی مطالعات اصلاً نمیتونیم ریسک واقعی رو حساب کنیم.
مثلاً در Case-Control Study:
🔹 100 بیمار مبتلا به سرطان
🔹 100 فرد سالم
حالا میخوایم ببینیم سیگار کشیدن چقدر با سرطان مرتبطه.
اینجا تعداد بیماران و افراد سالم رو خود پژوهشگر انتخاب کرده.
پس ریسک واقعی سرطان در جمعیت مشخص نیست.
بنابراین RR قابل محاسبه نیست.
در این شرایط از OR استفاده میکنیم.
📌 به همین دلیل خروجی Logistic Regression هم معمولاً OR هست.
━━━━━━━━━━━━
🔵 Hazard Ratio (HR)
ءHR با دو تای قبلی فرق اساسی داره.
ءRR و OR فقط میگن:
"اتفاق افتاد یا نیفتاد"
اما HR زمان رو هم وارد معادله میکنه.
⏳
فرض کن دو دارو داریم.
بعد از 5 سال:
🔹 در هر دو گروه 20 نفر فوت کردن.
اگر فقط RR رو حساب کنیم:
RR = 1
یعنی تفاوتی وجود نداره.
اما فرض کن:
در گروه اول بیشتر مرگها در ماههای اول رخ داده.
در گروه دوم بیشتر مرگها در سالهای آخر رخ داده.
اینجا HR این تفاوت زمانی رو تشخیص میده.
📌 ءHR به ما میگه سرعت وقوع یک اتفاق در طول زمان چقدره.
برای همین در مطالعات بقا (Survival Analysis) استفاده میشه.
مثلاً:
✅ زمان مرگ
✅ زمان عود سرطان
✅ زمان سکته قلبی
✅ زمان بستری مجدد
━━━━━━━━━━━━
🧠 تفسیر Hazard Ratio
فرض کن:
HR = 0.70
یعنی در هر لحظه از پیگیری، خطر وقوع رویداد در گروه درمان 30٪ کمتر از گروه کنترل بوده.
اگر:
HR = 1
هیچ تفاوتی وجود نداره.
اگر:
HR = 2
یعنی سرعت وقوع رویداد تقریباً دو برابر شده.
━━━━━━━━━━━━
🎯 یک راه ساده برای حفظ کردن
🟢 RR = مقایسه ریسک بین دو گروه
🟠 OR = مقایسه Odds بین دو گروه (مخصوصاً در Case-Control و Logistic Regression)
🔵 HR = مقایسه سرعت وقوع رویداد در طول زمان
━━━━━━━━━━━━
📌 خلاصه نهایی
اگر سؤال اینه:
«احتمال بیماری در دو گروه چقدر فرق داره؟»
➡️ RR
اگر سؤال اینه:
«ءOdds بیماری در دو گروه چقدر فرق داره؟»
➡️ OR
اگر سؤال اینه:
«بیماری یا مرگ با چه سرعتی در طول زمان اتفاق میفته؟»
➡️ HR
و مهمترین نکته:
🚨 ءOR ، RR نیست.
🚨 ءHR هم RR نیست.
هر سه شاخص ممکنه درباره یک بیماری گزارش بشن، اما هر کدوم جنبه متفاوتی از دادهها رو توصیف میکنن.
@ResearchPrimeSupport
✅ @ResearchPrime
📢 برداشته شدن پاز به صورت رسمی 🤠
حکم جدید قاضی کیس دورکاس که دیروز صادر شده:
https://storage.courtlistener.com/recap/gov.uscourts.rid.61671/gov.uscourts.rid.61671.36.0_1.pdf
دولت موظف است ظرف ۲۴ ساعت گزارش اقدامات انجام شده جهت اجرای حکم را به دادگاه ارائه دهد.
@ResearchPrimeSupport
✅ @ResearchPrime
حکم جدید قاضی کیس دورکاس که دیروز صادر شده:
https://storage.courtlistener.com/recap/gov.uscourts.rid.61671/gov.uscourts.rid.61671.36.0_1.pdf
دولت موظف است ظرف ۲۴ ساعت گزارش اقدامات انجام شده جهت اجرای حکم را به دادگاه ارائه دهد.
@ResearchPrimeSupport
✅ @ResearchPrime
CourtListener
Order on Motion for Judgment under Rule 54(b) AND Order on Motion for Miscellaneous Relief – #36 in Dorcas International Institute…
ORDER: granting 31 MOTION for Entry of Judgment under Rule 54(b) and entering partial final judgment in favor Plaintiffs on their APA claims and denying without prejudice 35 MOTION to Enforce. So Ordered by Chief Judge John J. McConnell, Jr. on 6/11/2026.…
🚀 خدمات جدید Research Prime
اگر برای پایاننامه، مقاله یا پروژه تحقیقاتی خودت به تحلیل آماری دقیق و حرفهای نیاز داری، از این پس میتونی روی Research Prime حساب کنی.
📊 خدمات تحلیل آماری:
✅ تحلیل دادههای پایاننامه و مقالات پژوهشی
✅ انتخاب روش آماری مناسب بر اساس نوع مطالعه و متغیرها
✅ انجام تحلیل با SPSS، Stata و سایر نرمافزارهای آماری
✅ تفسیر کامل نتایج آماری
✅ تهیه جداول و خروجیهای قابل استفاده در مقاله
📝 نگارش فصل نتایج پایاننامه:
✅ نگارش کامل فصل نتایج بر اساس خروجیهای آماری
✅ تنظیم جداول و نمودارها
✅ گزارش نتایج به زبان علمی و مطابق فرمت دانشگاه
✅ آمادهسازی بخش Results برای مقالههای علمی
📚 خدمات متاآنالیز و مرور سیستماتیک:
✅ انجام Meta-analysis از صفر تا صد
✅ محاسبه اثر تجمیعی، ناهمگنی (I²)، تحلیل حساسیت و Publication Bias
✅ انجام Meta-regression و Subgroup Analysis در صورت نیاز
✅ تهیه Forest Plot، Funnel Plot و سایر خروجیهای استاندارد
✅ نگارش بخش نتایج متاآنالیز برای مقاله
🎯 مناسب برای:
👨⚕️ دانشجویان پزشکی
👩⚕️ رزیدنتها
🎓 دانشجویان ارشد و دکتری
🔬 پژوهشگران و اعضای هیئت علمی
📩 برای دریافت مشاوره یا بررسی پروژه، پیام ارسال کنید.
@ResearchPrimeSupport
✅ @ResearchPrime
اگر برای پایاننامه، مقاله یا پروژه تحقیقاتی خودت به تحلیل آماری دقیق و حرفهای نیاز داری، از این پس میتونی روی Research Prime حساب کنی.
📊 خدمات تحلیل آماری:
✅ تحلیل دادههای پایاننامه و مقالات پژوهشی
✅ انتخاب روش آماری مناسب بر اساس نوع مطالعه و متغیرها
✅ انجام تحلیل با SPSS، Stata و سایر نرمافزارهای آماری
✅ تفسیر کامل نتایج آماری
✅ تهیه جداول و خروجیهای قابل استفاده در مقاله
📝 نگارش فصل نتایج پایاننامه:
✅ نگارش کامل فصل نتایج بر اساس خروجیهای آماری
✅ تنظیم جداول و نمودارها
✅ گزارش نتایج به زبان علمی و مطابق فرمت دانشگاه
✅ آمادهسازی بخش Results برای مقالههای علمی
📚 خدمات متاآنالیز و مرور سیستماتیک:
✅ انجام Meta-analysis از صفر تا صد
✅ محاسبه اثر تجمیعی، ناهمگنی (I²)، تحلیل حساسیت و Publication Bias
✅ انجام Meta-regression و Subgroup Analysis در صورت نیاز
✅ تهیه Forest Plot، Funnel Plot و سایر خروجیهای استاندارد
✅ نگارش بخش نتایج متاآنالیز برای مقاله
🎯 مناسب برای:
👨⚕️ دانشجویان پزشکی
👩⚕️ رزیدنتها
🎓 دانشجویان ارشد و دکتری
🔬 پژوهشگران و اعضای هیئت علمی
📩 برای دریافت مشاوره یا بررسی پروژه، پیام ارسال کنید.
@ResearchPrimeSupport
✅ @ResearchPrime
Research Prime pinned «🚀 خدمات جدید Research Prime اگر برای پایاننامه، مقاله یا پروژه تحقیقاتی خودت به تحلیل آماری دقیق و حرفهای نیاز داری، از این پس میتونی روی Research Prime حساب کنی. 📊 خدمات تحلیل آماری: ✅ تحلیل دادههای پایاننامه و مقالات پژوهشی ✅ انتخاب روش آماری مناسب…»
📊 10 اشتباه آماری که تقریباً هر هفته تو مقالات پزشکی میبینم!
اگر دانشجو، رزیدنت یا پژوهشگر باشی، احتمالاً بارها مقالههایی دیدی که از نظر ظاهری خیلی خوب به نظر میرسن، ولی وقتی دقیقتر نگاه میکنی، پر از اشتباهات آماری هستن.
جالبتر اینه که بعضی از این اشتباهات حتی تو ژورنالهای معتبر هم دیده میشن!
بیا با هم 10 تا از رایجترین اشتباهاتی که تقریباً هر هفته تو مقالات پزشکی میبینم رو مرور کنیم 👇
━━━━━━━━━━━━
❌ 1. گیر دادن به P-value و ندیدن بقیه ماجرا
خیلی از نویسندهها فقط دنبال اینن که P کمتر از 0.05 بشه.
مثلاً مینویسن:
"P = 0.03، پس درمان مؤثر بود."
اما سؤال اینه:
🤔 چقدر مؤثر بود؟
ممکنه اختلاف بین دو گروه فقط 1 درصد باشه و از نظر بالینی هیچ اهمیتی نداشته باشه.
📌 P-value بهت نمیگه اثر چقدر بزرگه.
━━━━━━━━━━━━
❌ 2. اشتباه گرفتن ارتباط با علت
این یکی رو خیلی زیاد میبینم.
مثلاً مقاله نشون داده:
☕ افرادی که بیشتر قهوه میخورن کمتر دچار یک بیماری خاص میشن.
بعد نتیجه میگیرن:
"قهوه از این بیماری جلوگیری میکنه."
نه لزوماً!
شاید اون افراد سبک زندگی سالمتری دارن، ورزش میکنن یا وضعیت اقتصادی بهتری دارن.
📌 هر ارتباطی به معنی علت و معلول نیست.
━━━━━━━━━━━━
❌ 3. استفاده از تست آماری اشتباه
گاهی نویسندهها هر تستی که تو SPSS دم دستشون باشه رو اجرا میکنن!
مثلاً:
🔹 داده نرمال نیست ولی t-test زدن.
🔹 متغیر رتبهایه ولی Pearson Correlation استفاده کردن.
📌 اگر تست اشتباه انتخاب بشه، کل نتیجه مطالعه میتونه اشتباه باشه.
━━━━━━━━━━━━
❌ 4. نادیده گرفتن متغیرهای مخدوشکننده
فرض کن توی یک مطالعه دیده شده افراد سیگاری کمتر آلزایمر دارن.
آیا سیگار از آلزایمر جلوگیری میکنه؟!
قطعاً نه.
شاید افراد سیگاری زودتر به علتهای دیگه فوت میکنن و اصلاً به سن بروز آلزایمر نمیرسن.
📌 همیشه باید دنبال Confounderها بگردی.
━━━━━━━━━━━━
❌ 5. گزارش نکردن Confidence Interval
بعضی مقالهها فقط مینویسن:
OR = 2.1
P = 0.04
خب این عدد چقدر قابل اعتماده؟
اگر Confidence Interval خیلی وسیع باشه، ممکنه برآورد اصلاً پایدار نباشه.
📌 بدون CI، نصف داستان رو نمیفهمی.
━━━━━━━━━━━━
❌ 6. تفسیر اشتباه Odds Ratio
این اشتباه اونقدر رایجه که بعضی وقتا تو مقالات چاپشده هم میبینمش.
مثلاً:
OR = 2
بعد نویسنده میگه:
"ریسک بیماری دو برابر شد."
در حالی که Odds Ratio با Risk Ratio فرق داره.
📌 OR رو همیشه مثل RR تفسیر نکن.
━━━━━━━━━━━━
❌ 7. انجام 20 تا تست آماری و خوشحال شدن از یکی که معنیدار شده!
فرض کن 20 متغیر رو بررسی کردی.
حتی اگر هیچ رابطه واقعی وجود نداشته باشه، باز هم ممکنه یکی دو تا P-value زیر 0.05 دربیاد.
این همون چیزیه که بهش میگن:
🎯 False Positive
📌 هرچی تعداد تستها بیشتر بشه، احتمال پیدا کردن نتایج کاذب بیشتر میشه.
━━━━━━━━━━━━
❌ 8. توجه نکردن به دادههای گمشده
تقریباً هیچ دیتاست واقعی کامل نیست.
اما بعضی مقالهها اصلاً نمیگن:
🔹 چند داده گمشده داشتن؟
🔹 باهاشون چیکار کردن؟
🔹 حذف شدن یا Imputation انجام شده؟
📌 Missing Data میتونه نتیجه مطالعه رو کاملاً تغییر بده.
━━━━━━━━━━━━
❌ 9. حجم نمونه کم ولی نتیجهگیری بزرگ
مثلاً:
🔹 15 بیمار
🔹 یک نتیجه معنیدار
بعد نتیجهگیری:
🚀 "این درمان میتونه انقلابی در پزشکی ایجاد کنه."
آرومتر!
با این تعداد بیمار فقط میشه یک فرضیه مطرح کرد، نه اینکه دنیا رو تغییر داد!
━━━━━━━━━━━━
❌ 10. نتیجهگیری بزرگتر از خود دادهها
شاید محبوبترین اشتباه نویسندهها.
مثلاً:
یک مطالعه Cross-sectional انجام شده.
نتیجه:
📱 استفاده زیاد از موبایل با اضطراب ارتباط داره.
بعد تو Conclusion مینویسن:
"استفاده از موبایل باعث اضطراب میشود."
در حالی که چنین مطالعهای اصلاً نمیتونه علیت رو ثابت کنه.
📌 نتیجهگیری باید هماندازه دادهها باشه، نه بزرگتر از اون.
━━━━━━━━━━━━
🎯 حرف آخر
جالبه بدونی بیشتر مقالههای ضعیف به خاطر فرمولهای پیچیده یا مدلهای آماری پیشرفته رد نمیشن.
بلکه به خاطر اشتباهات سادهای رد میشن که میشد با کمی دقت ازشون جلوگیری کرد.
خیلی وقتها یک تحلیل ساده ولی درست، ارزشش از یک مدل فوقپیچیده با تفسیر اشتباه بیشتره.
🧠 اگر فقط همین 10 اشتباه رو تو پروژههات مرتکب نشی، از نظر آماری از بخش قابل توجهی از مقالات پزشکی جلوتر خواهی بود.
@ResearchPrimeSupport
✅ @ResearchPrime
اگر دانشجو، رزیدنت یا پژوهشگر باشی، احتمالاً بارها مقالههایی دیدی که از نظر ظاهری خیلی خوب به نظر میرسن، ولی وقتی دقیقتر نگاه میکنی، پر از اشتباهات آماری هستن.
جالبتر اینه که بعضی از این اشتباهات حتی تو ژورنالهای معتبر هم دیده میشن!
بیا با هم 10 تا از رایجترین اشتباهاتی که تقریباً هر هفته تو مقالات پزشکی میبینم رو مرور کنیم 👇
━━━━━━━━━━━━
❌ 1. گیر دادن به P-value و ندیدن بقیه ماجرا
خیلی از نویسندهها فقط دنبال اینن که P کمتر از 0.05 بشه.
مثلاً مینویسن:
"P = 0.03، پس درمان مؤثر بود."
اما سؤال اینه:
🤔 چقدر مؤثر بود؟
ممکنه اختلاف بین دو گروه فقط 1 درصد باشه و از نظر بالینی هیچ اهمیتی نداشته باشه.
📌 P-value بهت نمیگه اثر چقدر بزرگه.
━━━━━━━━━━━━
❌ 2. اشتباه گرفتن ارتباط با علت
این یکی رو خیلی زیاد میبینم.
مثلاً مقاله نشون داده:
☕ افرادی که بیشتر قهوه میخورن کمتر دچار یک بیماری خاص میشن.
بعد نتیجه میگیرن:
"قهوه از این بیماری جلوگیری میکنه."
نه لزوماً!
شاید اون افراد سبک زندگی سالمتری دارن، ورزش میکنن یا وضعیت اقتصادی بهتری دارن.
📌 هر ارتباطی به معنی علت و معلول نیست.
━━━━━━━━━━━━
❌ 3. استفاده از تست آماری اشتباه
گاهی نویسندهها هر تستی که تو SPSS دم دستشون باشه رو اجرا میکنن!
مثلاً:
🔹 داده نرمال نیست ولی t-test زدن.
🔹 متغیر رتبهایه ولی Pearson Correlation استفاده کردن.
📌 اگر تست اشتباه انتخاب بشه، کل نتیجه مطالعه میتونه اشتباه باشه.
━━━━━━━━━━━━
❌ 4. نادیده گرفتن متغیرهای مخدوشکننده
فرض کن توی یک مطالعه دیده شده افراد سیگاری کمتر آلزایمر دارن.
آیا سیگار از آلزایمر جلوگیری میکنه؟!
قطعاً نه.
شاید افراد سیگاری زودتر به علتهای دیگه فوت میکنن و اصلاً به سن بروز آلزایمر نمیرسن.
📌 همیشه باید دنبال Confounderها بگردی.
━━━━━━━━━━━━
❌ 5. گزارش نکردن Confidence Interval
بعضی مقالهها فقط مینویسن:
OR = 2.1
P = 0.04
خب این عدد چقدر قابل اعتماده؟
اگر Confidence Interval خیلی وسیع باشه، ممکنه برآورد اصلاً پایدار نباشه.
📌 بدون CI، نصف داستان رو نمیفهمی.
━━━━━━━━━━━━
❌ 6. تفسیر اشتباه Odds Ratio
این اشتباه اونقدر رایجه که بعضی وقتا تو مقالات چاپشده هم میبینمش.
مثلاً:
OR = 2
بعد نویسنده میگه:
"ریسک بیماری دو برابر شد."
در حالی که Odds Ratio با Risk Ratio فرق داره.
📌 OR رو همیشه مثل RR تفسیر نکن.
━━━━━━━━━━━━
❌ 7. انجام 20 تا تست آماری و خوشحال شدن از یکی که معنیدار شده!
فرض کن 20 متغیر رو بررسی کردی.
حتی اگر هیچ رابطه واقعی وجود نداشته باشه، باز هم ممکنه یکی دو تا P-value زیر 0.05 دربیاد.
این همون چیزیه که بهش میگن:
🎯 False Positive
📌 هرچی تعداد تستها بیشتر بشه، احتمال پیدا کردن نتایج کاذب بیشتر میشه.
━━━━━━━━━━━━
❌ 8. توجه نکردن به دادههای گمشده
تقریباً هیچ دیتاست واقعی کامل نیست.
اما بعضی مقالهها اصلاً نمیگن:
🔹 چند داده گمشده داشتن؟
🔹 باهاشون چیکار کردن؟
🔹 حذف شدن یا Imputation انجام شده؟
📌 Missing Data میتونه نتیجه مطالعه رو کاملاً تغییر بده.
━━━━━━━━━━━━
❌ 9. حجم نمونه کم ولی نتیجهگیری بزرگ
مثلاً:
🔹 15 بیمار
🔹 یک نتیجه معنیدار
بعد نتیجهگیری:
🚀 "این درمان میتونه انقلابی در پزشکی ایجاد کنه."
آرومتر!
با این تعداد بیمار فقط میشه یک فرضیه مطرح کرد، نه اینکه دنیا رو تغییر داد!
━━━━━━━━━━━━
❌ 10. نتیجهگیری بزرگتر از خود دادهها
شاید محبوبترین اشتباه نویسندهها.
مثلاً:
یک مطالعه Cross-sectional انجام شده.
نتیجه:
📱 استفاده زیاد از موبایل با اضطراب ارتباط داره.
بعد تو Conclusion مینویسن:
"استفاده از موبایل باعث اضطراب میشود."
در حالی که چنین مطالعهای اصلاً نمیتونه علیت رو ثابت کنه.
📌 نتیجهگیری باید هماندازه دادهها باشه، نه بزرگتر از اون.
━━━━━━━━━━━━
🎯 حرف آخر
جالبه بدونی بیشتر مقالههای ضعیف به خاطر فرمولهای پیچیده یا مدلهای آماری پیشرفته رد نمیشن.
بلکه به خاطر اشتباهات سادهای رد میشن که میشد با کمی دقت ازشون جلوگیری کرد.
خیلی وقتها یک تحلیل ساده ولی درست، ارزشش از یک مدل فوقپیچیده با تفسیر اشتباه بیشتره.
🧠 اگر فقط همین 10 اشتباه رو تو پروژههات مرتکب نشی، از نظر آماری از بخش قابل توجهی از مقالات پزشکی جلوتر خواهی بود.
@ResearchPrimeSupport
✅ @ResearchPrime
📄 چرا داورها خیلی سریع تصمیم میگیرن مقالهات رد بشه؟
خیلیها فکر میکنن داوری مقاله یه فرآیند طولانیه که داور خط به خط مقاله رو با دقت بالا میخونه.
بعد از مدت ها داوری برای ژورنال های ISI و کنگره های بین المللی، باید بهت بگم که واقعیت اینه:
📌 خیلی از مقالهها در چند دقیقه اول یا حتی چند خط اول، مسیرشون مشخص میشه.
یعنی داور خیلی سریع تصمیم میگیره:
“این مقاله ارزش ادامه خوندن داره یا نه”
بذار دقیق و ساده توضیح بدم چرا این اتفاق میافته 👇
━━━━━━━━━━━━
🚨 1. سؤال پژوهشی از همون اول ضعیفه
اولین چیزی که داور میبینه عنوان و Abstract هست.
اگر سؤال بیاهمیت باشه، ادامه نمیده.
مثال:
❌ “ارتباط گروه خونی با رنگ چشم در دانشجویان پزشکی”
حتی بدون دیدن نتیجه، داور میفهمه این مقاله novelty نداره.
📌 تصمیم اولیه خیلی وقتها همینجا گرفته میشه
━━━━━━━━━━━━
🧠 2. Abstract شفاف نیست
اگر خلاصه مقاله این ویژگیها رو نداشته باشه:
🔹 هدف واضح نیست
🔹 روش مبهمه
🔹 نتیجه گنگه
داور سریع ذهنش بسته میشه.
مثال:
❌ “A retrospective study was conducted…”
بدون اینکه معلوم باشه چی بررسی شده.
📌 ابهام = کاهش علاقه داور
━━━━━━━━━━━━
📊 3. طراحی مطالعه ضعیفه
حتی در نگاه سریع هم مشخص میشه:
🔹 sample size خیلی کمه
🔹 گروه کنترل وجود نداره
🔹 مطالعه خیلی ساده یا غیرقابل تعمیمه
📌 داورها تجربه دارن، سریع ضعف طراحی رو تشخیص میدن
━━━━━━━━━━━━
📉 4. ژورنال-مقاله mismatch
یکی از سریعترین دلایل rejection همینه.
مثال:
❌ مطالعه کوچک تکمرکزی → ارسال به ژورنال high-impact
📌 داور حتی قبل از ورود به روش، ذهنش تصمیم گرفته
━━━━━━━━━━━━
🧩 5. مقاله “بیداستان” هست
مقاله فقط عدد داده، ولی هیچ پیام علمی نداره.
مثال:
🔹 فقط OR و P-value پشت سر هم نوشته شده
🔹 بدون اینکه توضیح بده این یعنی چی در دنیای واقعی
📌 داور دنبال “داستان علمی” هست، نه فقط دیتا
━━━━━━━━━━━━
⚠️ 6. نشانههای ضعف نگارشی در نگاه اول
حتی بدون خواندن کامل:
🔹 جملات طولانی و مبهم
🔹 ساختار ضعیف Abstract
🔹 غلطهای واضح در بیان علمی
📌 اینها باعث میشه مقاله غیرحرفهای به نظر برسه
━━━━━━━━━━━━
🧠 7. تجربه داور = تصمیم سریعتر از چیزی که فکر میکنی
داورها صدها مقاله دیدن.
برای همین:
📌 از روی الگوها تصمیم میگیرن، نه فقط جزئیات
مثلاً:
* اگر یک مقاله قبلاً 100 بار مشابهش دیده شده → سریع رد
* اگر طراحی ضعیف آشنا باشه → سریع رد
* اگر نوآوری نداشته باشه → سریع رد
━━━━━━━━━━━━
🎯 یک مثال واقعی
دو مقاله:
📄 مقاله 1:
🔹 عنوان مبهم
🔹 Abstract ضعیف
🔹 مطالعه کوچک
📄 مقاله 2:
🔹 سؤال واضح
🔹 روش شفاف
🔹 پیام علمی مشخص
حتی قبل از اینکه داور وارد Results بشه، احتمال ادامه دادن مقاله 1 خیلی کمتره.
━━━━━━━━━━━━
🚀 جمعبندی
داورها معمولاً کل مقاله رو رد نمیکنن…
📌 خیلی وقتها “در چند دقیقه اول” تصمیم میگیرن
و این تصمیم بر اساس چیزهاییه مثل:
🧠 سؤال پژوهشی
📄 شفافیت Abstract
📊 کیفیت طراحی
📉 تناسب با ژورنال
🧩 داشتن پیام علمی
━━━━━━━━━━━━
🧠 نکته آخر
اگر بخوای مقالهات شانس واقعی برای بررسی کامل داشته باشه، باید کاری کنی که داور در همون چند خط اول به خودش بگه:
“این مقاله ارزش ادامه دادن داره”
نه اینکه:
“این یکی هم مثل بقیهست… ردش کنیم”
@ResearchPrimeSupport
✅ @ResearchPrime
خیلیها فکر میکنن داوری مقاله یه فرآیند طولانیه که داور خط به خط مقاله رو با دقت بالا میخونه.
بعد از مدت ها داوری برای ژورنال های ISI و کنگره های بین المللی، باید بهت بگم که واقعیت اینه:
📌 خیلی از مقالهها در چند دقیقه اول یا حتی چند خط اول، مسیرشون مشخص میشه.
یعنی داور خیلی سریع تصمیم میگیره:
“این مقاله ارزش ادامه خوندن داره یا نه”
بذار دقیق و ساده توضیح بدم چرا این اتفاق میافته 👇
━━━━━━━━━━━━
🚨 1. سؤال پژوهشی از همون اول ضعیفه
اولین چیزی که داور میبینه عنوان و Abstract هست.
اگر سؤال بیاهمیت باشه، ادامه نمیده.
مثال:
❌ “ارتباط گروه خونی با رنگ چشم در دانشجویان پزشکی”
حتی بدون دیدن نتیجه، داور میفهمه این مقاله novelty نداره.
📌 تصمیم اولیه خیلی وقتها همینجا گرفته میشه
━━━━━━━━━━━━
🧠 2. Abstract شفاف نیست
اگر خلاصه مقاله این ویژگیها رو نداشته باشه:
🔹 هدف واضح نیست
🔹 روش مبهمه
🔹 نتیجه گنگه
داور سریع ذهنش بسته میشه.
مثال:
❌ “A retrospective study was conducted…”
بدون اینکه معلوم باشه چی بررسی شده.
📌 ابهام = کاهش علاقه داور
━━━━━━━━━━━━
📊 3. طراحی مطالعه ضعیفه
حتی در نگاه سریع هم مشخص میشه:
🔹 sample size خیلی کمه
🔹 گروه کنترل وجود نداره
🔹 مطالعه خیلی ساده یا غیرقابل تعمیمه
📌 داورها تجربه دارن، سریع ضعف طراحی رو تشخیص میدن
━━━━━━━━━━━━
📉 4. ژورنال-مقاله mismatch
یکی از سریعترین دلایل rejection همینه.
مثال:
❌ مطالعه کوچک تکمرکزی → ارسال به ژورنال high-impact
📌 داور حتی قبل از ورود به روش، ذهنش تصمیم گرفته
━━━━━━━━━━━━
🧩 5. مقاله “بیداستان” هست
مقاله فقط عدد داده، ولی هیچ پیام علمی نداره.
مثال:
🔹 فقط OR و P-value پشت سر هم نوشته شده
🔹 بدون اینکه توضیح بده این یعنی چی در دنیای واقعی
📌 داور دنبال “داستان علمی” هست، نه فقط دیتا
━━━━━━━━━━━━
⚠️ 6. نشانههای ضعف نگارشی در نگاه اول
حتی بدون خواندن کامل:
🔹 جملات طولانی و مبهم
🔹 ساختار ضعیف Abstract
🔹 غلطهای واضح در بیان علمی
📌 اینها باعث میشه مقاله غیرحرفهای به نظر برسه
━━━━━━━━━━━━
🧠 7. تجربه داور = تصمیم سریعتر از چیزی که فکر میکنی
داورها صدها مقاله دیدن.
برای همین:
📌 از روی الگوها تصمیم میگیرن، نه فقط جزئیات
مثلاً:
* اگر یک مقاله قبلاً 100 بار مشابهش دیده شده → سریع رد
* اگر طراحی ضعیف آشنا باشه → سریع رد
* اگر نوآوری نداشته باشه → سریع رد
━━━━━━━━━━━━
🎯 یک مثال واقعی
دو مقاله:
📄 مقاله 1:
🔹 عنوان مبهم
🔹 Abstract ضعیف
🔹 مطالعه کوچک
📄 مقاله 2:
🔹 سؤال واضح
🔹 روش شفاف
🔹 پیام علمی مشخص
حتی قبل از اینکه داور وارد Results بشه، احتمال ادامه دادن مقاله 1 خیلی کمتره.
━━━━━━━━━━━━
🚀 جمعبندی
داورها معمولاً کل مقاله رو رد نمیکنن…
📌 خیلی وقتها “در چند دقیقه اول” تصمیم میگیرن
و این تصمیم بر اساس چیزهاییه مثل:
🧠 سؤال پژوهشی
📄 شفافیت Abstract
📊 کیفیت طراحی
📉 تناسب با ژورنال
🧩 داشتن پیام علمی
━━━━━━━━━━━━
🧠 نکته آخر
اگر بخوای مقالهات شانس واقعی برای بررسی کامل داشته باشه، باید کاری کنی که داور در همون چند خط اول به خودش بگه:
“این مقاله ارزش ادامه دادن داره”
نه اینکه:
“این یکی هم مثل بقیهست… ردش کنیم”
@ResearchPrimeSupport
✅ @ResearchPrime
🧬 لیست پست های کانال
🚀 لیست خدمات Research Prime رو اینجا ببین
📄 چندتا از کارهای اخیرمون 😃
۱. متاآنالیز Veverimer in treating metabolic acidosis in chronic kidney disease patients: a systematic review and meta-analysis of randomized clinical trials که توی ژورنال ISI (اینجا) چاپ شد و توی کنگره علمی هلند ارائه شد.
۲. چاپ شدن کتاب جدید توی انتشارات خفن Taylor & Francis 😎
۳. متاآنالیز حیطه قلب و عروق (در حال انجام)
😎 قبل از اینکه بریم سراغ پست های آموزشی، این دوتا هایلایت رو ببینیم
۱. چاپ مقاله منتور ارشد Research Prime در یکی از معتبرترین ژورنال های پزشکی دنیا، Lancet Global Health با ایمپکت فکتور 18!
۲. انتخاب منتور ارشد Research Prime به عنوان سفیر کنگره ISCOMS که هرساله توی دانشگاه خرونینگن هلند، رنک ۸۰ دنیا برگزار میشه! 🤩
فرصت های پژوهشی (پست داک، داوری مقالات، اساتید خارجی)
۱. فرم درخواست داوری ژورنال های ISI
۲. پستداک cardiology در آمریکا (Tufts Medical Center | Boston)
📚 پست های آموزش مقاله نویسی
۱. بازه اطمینان 95% یا همان confidence interval (CI) 95% به چه معناست؟
۲. انواع سوءگیری (bias) در تحقیقات
۳. متدولوژی تحقیق
۴. سسیتماتیک ریویو چیه؟
۵. نرتیو ریویو چیه؟
۶. #ضریب_تاثیر (#Impact_Factor) جدید مجلات (برای سال ۲۰۲۳) اعلام شد.
۶. لیست جامعی از ژورنالیابها
۷. ملاحظات اخلاقی نحوه استفاده از هوش مصنوعی در تهیه آثار پژوهشی
۸. درک درست از p-value؛ چرا نباید فقط به این فاکتور اعتماد کنیم؟
۹. ءEffect size چیه و چرا انقدر مهمه؟
۱۰. فرق Hedges’ g و Cohen’s d توی متاآنالیز چیه؟
۱۱. فرق بین معنیداری آماری (Statistical significance) و اهمیت بالینی (Clinical significance) چیه؟
۱۲. دیتا ایمپیوتیشن (Data Imputation) یعنی چی؟
۱۳. متا رگرسیون توی متاآنالیز یعنی چی؟
۱۴. ءTime-to-event Data و Hazard Ratio تو مطالعات بقا یعنی چی؟ (خیلی ساده و کاربردی)
۱۴. تفاوت Incidence، Prevalence، Risk و Odds توی مطالعات اپیدمیولوژی — خیلی ساده و کاربردی
۱۶. آشنایی با Sensitivity Analysis (تحلیل حساسیت) توی متاآنالیز — خیلی کاربردی و مهم
۱۷. چطور بخش Limitations (محدودیتها) رو حرفهای بنویسیم؟ — راهنمای کامل و کاربردی
۱۸. آشنایی با Bivariate Meta-analysis — مخصوص متاآنالیز مطالعات تشخیصی (Diagnostic)
۱۹. آشنایی با Internal vs External Validation در Machine Learning و Prediction Models
۲۰. یکی از رایجترین اشتباههایی که تو مقالهها، پایاننامهها و حتی بین دانشجوهای پزشکی دیده میشه، قاطی کردن Correlation و Regression هست.
۲۱. ءI² در متاآنالیز دقیقاً چی میگه؟
۲۲. اشتباهاتی که باعث Reject شدن مقاله میشوند
۲۳. چطور در 5 دقیقه بفهمیم یک مقاله ارزش خواندن داره یا نه؟
۲۴. تفاوت Odds Ratio، Risk Ratio و Hazard Ratio
۲۵. 10 اشتباه آماری که تقریباً هر هفته تو مقالات پزشکی میبینم!
۲۶. چرا داورها خیلی سریع تصمیم میگیرن مقالهات رد بشه؟
۲۷. بزرگترین اشتباه نویسندگان تازهکار (که معمولاً هیچکس بهشون نمیگه)
🇺🇸🇨🇦🇦🇺🇩🇪 مهاجرت
۱. آمار MATCH 2024 🇺🇸
۲. آشنایی با وبسایت reporter.nih.gov برای پیدا کردن پوزیشن funded 🇺🇸
۳. معرفی سایت Rate My Professors
۴. اگر برای USMLE Step 2 CK خوندی، احتمال زیاد ذهنت از همین الان درگیر یه سناریوی آشناست: «اگه آمریکا نشه چی؟». مهاجرت به استرالیا 🇦🇺
۵. رزیدنتی در کانادا 🇨🇦
۶. میشه همزمان برای آمریکا، کانادا و استرالیا آماده شد؟ یا باید از اول فقط یکی رو انتخاب کرد؟ 🇺🇸🇨🇦🇦🇺
🚀 لیست خدمات Research Prime رو اینجا ببین
📄 چندتا از کارهای اخیرمون 😃
۱. متاآنالیز Veverimer in treating metabolic acidosis in chronic kidney disease patients: a systematic review and meta-analysis of randomized clinical trials که توی ژورنال ISI (اینجا) چاپ شد و توی کنگره علمی هلند ارائه شد.
۲. چاپ شدن کتاب جدید توی انتشارات خفن Taylor & Francis 😎
۳. متاآنالیز حیطه قلب و عروق (در حال انجام)
😎 قبل از اینکه بریم سراغ پست های آموزشی، این دوتا هایلایت رو ببینیم
۱. چاپ مقاله منتور ارشد Research Prime در یکی از معتبرترین ژورنال های پزشکی دنیا، Lancet Global Health با ایمپکت فکتور 18!
۲. انتخاب منتور ارشد Research Prime به عنوان سفیر کنگره ISCOMS که هرساله توی دانشگاه خرونینگن هلند، رنک ۸۰ دنیا برگزار میشه! 🤩
فرصت های پژوهشی (پست داک، داوری مقالات، اساتید خارجی)
۱. فرم درخواست داوری ژورنال های ISI
۲. پستداک cardiology در آمریکا (Tufts Medical Center | Boston)
📚 پست های آموزش مقاله نویسی
۱. بازه اطمینان 95% یا همان confidence interval (CI) 95% به چه معناست؟
۲. انواع سوءگیری (bias) در تحقیقات
۳. متدولوژی تحقیق
۴. سسیتماتیک ریویو چیه؟
۵. نرتیو ریویو چیه؟
۶. #ضریب_تاثیر (#Impact_Factor) جدید مجلات (برای سال ۲۰۲۳) اعلام شد.
۶. لیست جامعی از ژورنالیابها
۷. ملاحظات اخلاقی نحوه استفاده از هوش مصنوعی در تهیه آثار پژوهشی
۸. درک درست از p-value؛ چرا نباید فقط به این فاکتور اعتماد کنیم؟
۹. ءEffect size چیه و چرا انقدر مهمه؟
۱۰. فرق Hedges’ g و Cohen’s d توی متاآنالیز چیه؟
۱۱. فرق بین معنیداری آماری (Statistical significance) و اهمیت بالینی (Clinical significance) چیه؟
۱۲. دیتا ایمپیوتیشن (Data Imputation) یعنی چی؟
۱۳. متا رگرسیون توی متاآنالیز یعنی چی؟
۱۴. ءTime-to-event Data و Hazard Ratio تو مطالعات بقا یعنی چی؟ (خیلی ساده و کاربردی)
۱۴. تفاوت Incidence، Prevalence، Risk و Odds توی مطالعات اپیدمیولوژی — خیلی ساده و کاربردی
۱۶. آشنایی با Sensitivity Analysis (تحلیل حساسیت) توی متاآنالیز — خیلی کاربردی و مهم
۱۷. چطور بخش Limitations (محدودیتها) رو حرفهای بنویسیم؟ — راهنمای کامل و کاربردی
۱۸. آشنایی با Bivariate Meta-analysis — مخصوص متاآنالیز مطالعات تشخیصی (Diagnostic)
۱۹. آشنایی با Internal vs External Validation در Machine Learning و Prediction Models
۲۰. یکی از رایجترین اشتباههایی که تو مقالهها، پایاننامهها و حتی بین دانشجوهای پزشکی دیده میشه، قاطی کردن Correlation و Regression هست.
۲۱. ءI² در متاآنالیز دقیقاً چی میگه؟
۲۲. اشتباهاتی که باعث Reject شدن مقاله میشوند
۲۳. چطور در 5 دقیقه بفهمیم یک مقاله ارزش خواندن داره یا نه؟
۲۴. تفاوت Odds Ratio، Risk Ratio و Hazard Ratio
۲۵. 10 اشتباه آماری که تقریباً هر هفته تو مقالات پزشکی میبینم!
۲۶. چرا داورها خیلی سریع تصمیم میگیرن مقالهات رد بشه؟
۲۷. بزرگترین اشتباه نویسندگان تازهکار (که معمولاً هیچکس بهشون نمیگه)
🇺🇸🇨🇦🇦🇺🇩🇪 مهاجرت
۱. آمار MATCH 2024 🇺🇸
۲. آشنایی با وبسایت reporter.nih.gov برای پیدا کردن پوزیشن funded 🇺🇸
۳. معرفی سایت Rate My Professors
۴. اگر برای USMLE Step 2 CK خوندی، احتمال زیاد ذهنت از همین الان درگیر یه سناریوی آشناست: «اگه آمریکا نشه چی؟». مهاجرت به استرالیا 🇦🇺
۵. رزیدنتی در کانادا 🇨🇦
۶. میشه همزمان برای آمریکا، کانادا و استرالیا آماده شد؟ یا باید از اول فقط یکی رو انتخاب کرد؟ 🇺🇸🇨🇦🇦🇺
Research Prime pinned «🧬 لیست پست های کانال 🚀 لیست خدمات Research Prime رو اینجا ببین 📄 چندتا از کارهای اخیرمون 😃 ۱. متاآنالیز Veverimer in treating metabolic acidosis in chronic kidney disease patients: a systematic review and meta-analysis of randomized clinical trials که…»
🚀 Research Prime | از داده تا چاپ مقاله
اگر درگیر پایاننامه، مقاله یا پروژه تحقیقاتی هستی و نمیخوای وقتت رو با آزمون و خطا، تحلیلهای اشتباه یا ساعتها جستجو بین منابع مختلف هدر بدی، Research Prime کنارت هست. 📚📊
خدمات ما:
📊 تحلیل آماری پایاننامه و مقالات
✅ انتخاب روش آماری مناسب برای مطالعه
✅ تحلیل دادهها با SPSS، Stata و سایر نرمافزارهای آماری
✅ تفسیر نتایج آماری
✅ تهیه جداول و خروجیهای آماده برای مقاله
✅ مشاوره در انتخاب تستهای آماری
📝 نگارش فصل نتایج پایاننامه
✅ نگارش کامل فصل Results
✅ تنظیم جداول و نمودارها
✅ گزارش نتایج به زبان علمی و دانشگاهی
✅ آمادهسازی بخش نتایج برای مقاله
📚 خدمات Systematic Review و Meta-analysis
✅ انجام متاآنالیز از صفر تا صد
✅ محاسبه Effect Size و ناهمگنی (I²)
✅ تحلیل حساسیت (Sensitivity Analysis)
✅ بررسی Publication Bias
✅ انجام Meta-regression و Subgroup Analysis
✅ تهیه Forest Plot و Funnel Plot
✅ نگارش بخش نتایج متاآنالیز
🔎 خدمات جستجوی تخصصی مقالات
✅ سرچ تخصصی در Scopus
✅ سرچ تخصصی در Web of Science (WOS)
✍️ خدمات بهبود نگارش مقاله
✅ غلطیابی املایی و نگارشی مقاله با Grammarly
🎯 مناسب برای:
👨⚕️ دانشجویان پزشکی
👩⚕️ رزیدنتها
🎓 دانشجویان ارشد و دکتری
🔬 پژوهشگران و اعضای هیئت علمی
💡 از پیدا کردن مقاله و جمعآوری منابع گرفته تا تحلیل آماری، متاآنالیز و آمادهسازی نتایج برای چاپ، میتونی روی Research Prime حساب کنی.
📩 برای مشاوره یا ثبت درخواست:
@ResearchPrimeSupport
✅ @ResearchPrime
📊 From Data to Publication
اگر درگیر پایاننامه، مقاله یا پروژه تحقیقاتی هستی و نمیخوای وقتت رو با آزمون و خطا، تحلیلهای اشتباه یا ساعتها جستجو بین منابع مختلف هدر بدی، Research Prime کنارت هست. 📚📊
خدمات ما:
📊 تحلیل آماری پایاننامه و مقالات
✅ انتخاب روش آماری مناسب برای مطالعه
✅ تحلیل دادهها با SPSS، Stata و سایر نرمافزارهای آماری
✅ تفسیر نتایج آماری
✅ تهیه جداول و خروجیهای آماده برای مقاله
✅ مشاوره در انتخاب تستهای آماری
📝 نگارش فصل نتایج پایاننامه
✅ نگارش کامل فصل Results
✅ تنظیم جداول و نمودارها
✅ گزارش نتایج به زبان علمی و دانشگاهی
✅ آمادهسازی بخش نتایج برای مقاله
📚 خدمات Systematic Review و Meta-analysis
✅ انجام متاآنالیز از صفر تا صد
✅ محاسبه Effect Size و ناهمگنی (I²)
✅ تحلیل حساسیت (Sensitivity Analysis)
✅ بررسی Publication Bias
✅ انجام Meta-regression و Subgroup Analysis
✅ تهیه Forest Plot و Funnel Plot
✅ نگارش بخش نتایج متاآنالیز
🔎 خدمات جستجوی تخصصی مقالات
✅ سرچ تخصصی در Scopus
✅ سرچ تخصصی در Web of Science (WOS)
✍️ خدمات بهبود نگارش مقاله
✅ غلطیابی املایی و نگارشی مقاله با Grammarly
🎯 مناسب برای:
👨⚕️ دانشجویان پزشکی
👩⚕️ رزیدنتها
🎓 دانشجویان ارشد و دکتری
🔬 پژوهشگران و اعضای هیئت علمی
💡 از پیدا کردن مقاله و جمعآوری منابع گرفته تا تحلیل آماری، متاآنالیز و آمادهسازی نتایج برای چاپ، میتونی روی Research Prime حساب کنی.
📩 برای مشاوره یا ثبت درخواست:
@ResearchPrimeSupport
✅ @ResearchPrime
📊 From Data to Publication
🧪🔥 فرصت پستداک در آمریکا (Tufts Medical Center | Boston)
اگر به ریسرچ قلب، عروق یا نورواسکولار علاقه داری، این یکی از فرصتهای جدی و سطح بالا در حوزه vascular physiology هست.
📍 موقعیت:
Postdoctoral Research Fellow
Molecular Cardiology Research Institute
Tufts Medical Center – Boston
━━━━━━━━━━━━
🫀 موضوع اصلی پروژه چیه؟
این لَب روی این سوالات کار میکنه:
🔬 چطور عملکرد عروق در شرایط بیماری تغییر میکنه؟
🧠 نقش التهاب و اختلال عروقی در بیماریهایی مثل:
🔹 Stroke (سکته مغزی)
🔹 Alzheimer disease
🔹 Hypertension
📌 تمرکز اصلی روی یک هدف مولکولی مهمه:
Pannexin 1
این پروتئین به عنوان یک target بالقوه درمانی در اختلالات عروقی و التهابی در حال بررسیه.
━━━━━━━━━━━━
🧫 تکنیکها و مدلهای مورد استفاده:
این پوزیشن کاملاً wet-lab / translational هست:
🧪 Molecular & cellular biology assays
🫀 Ex vivo vascular function studies
🐭 Mouse/rat models of ischemia-reperfusion injury
📊 Pressure myography on resistance arteries
🔪 Survival surgeries (در برخی پروژهها)
📌 یعنی کار هم آزمایشگاهی سنگینه، هم مدل حیوانی، هم فیزیولوژی کاربردی.
━━━━━━━━━━━━
🧠 این پوزیشن مناسب چه کسیه؟
👨⚕️ PhD یا MD با background در:
🔹 Cardiovascular physiology
🔹 Neurovascular physiology
🔹 Vascular biology
🔹 Translational medicine
📌 تجربه با حیوانات یا pressure myography مزیت محسوب میشه، ولی الزام نیست.
━━━━━━━━━━━━
🧬 وظایف اصلی:
🔹 طراحی پروژههای مستقل تحقیقاتی
🔹 تحلیل دادهها و کار آماری
🔹 نوشتن مقاله و abstract
🔹 ارائه در کنفرانسها
🔹 کمک در grant writing
🔹 توسعه روشهای جدید در لَب
📌 یعنی فقط “کار کردن در لَب” نیست؛ باید researcher واقعی باشی.
━━━━━━━━━━━━
📈 چرا این پوزیشن مهمه؟
🧠 چون روی مرز بین چند حوزه کار میکنه:
🔹 قلب و عروق
🔹 نورولوژی (stroke / Alzheimer)
🔹 التهاب و vascular biology
📌 این مدل پروژهها معمولاً خروجیهای high-impact دارن.
━━━━━━━━━━━━
💰 حقوق:
حدود $55K – $70K در سال (بسته به تجربه)
📌 استاندارد پستداک در آمریکا + امکان رشد در funding و پروژهها
━━━━━━━━━━━━
🎯 چه چیزی این موقعیت رو ارزشمند میکنه؟
✔️ Institute قوی (MCRI – Tufts)
✔️ کار translational واقعی
✔️ ارتباط قلب + مغز (vascular-neuro axis)
✔️ امکان publication در ژورنالهای سطح بالا
✔️ محیط کاملاً research-driven
━━━━━━━━━━━━
📬 نکته مهم برای اپلای:
اگر قصد اپلای داری:
🔹 CV باید research-focused باشه
🔹 اگر مقاله یا متاآنالیز داری حتما highlight کن
🔹 در ایمیل دقیق بگو چرا vascular / neurovascular
🔹 به موضوع Pannexin 1 یا stroke/Alzheimer اشاره کن
🔹 ایمیل کوتاه، هدفمند و بدون کلیگویی باشه
━━━━━━━━━━━━
🚀 جمعبندی
این پوزیشن برای کسیه که:
🧠 دنبال research جدی در سطح postdoc هست
🫀 به vascular biology یا cardiovascular-neuro interface علاقه داره
🔬 آماده کار wet-lab + translational research هست
📌 اگر این مسیر با هدفت همخوانه، این میتونه یکی از موقعیتهای جدی برای ورود به research در آمریکا باشه.
برای دریافت لینک ثبت نام برای این پوزیشن، به پشتیبانی پیام بده:
@ResearchPrimeSupport
✅ @ResearchPrime
اگر به ریسرچ قلب، عروق یا نورواسکولار علاقه داری، این یکی از فرصتهای جدی و سطح بالا در حوزه vascular physiology هست.
📍 موقعیت:
Postdoctoral Research Fellow
Molecular Cardiology Research Institute
Tufts Medical Center – Boston
━━━━━━━━━━━━
🫀 موضوع اصلی پروژه چیه؟
این لَب روی این سوالات کار میکنه:
🔬 چطور عملکرد عروق در شرایط بیماری تغییر میکنه؟
🧠 نقش التهاب و اختلال عروقی در بیماریهایی مثل:
🔹 Stroke (سکته مغزی)
🔹 Alzheimer disease
🔹 Hypertension
📌 تمرکز اصلی روی یک هدف مولکولی مهمه:
Pannexin 1
این پروتئین به عنوان یک target بالقوه درمانی در اختلالات عروقی و التهابی در حال بررسیه.
━━━━━━━━━━━━
🧫 تکنیکها و مدلهای مورد استفاده:
این پوزیشن کاملاً wet-lab / translational هست:
🧪 Molecular & cellular biology assays
🫀 Ex vivo vascular function studies
🐭 Mouse/rat models of ischemia-reperfusion injury
📊 Pressure myography on resistance arteries
🔪 Survival surgeries (در برخی پروژهها)
📌 یعنی کار هم آزمایشگاهی سنگینه، هم مدل حیوانی، هم فیزیولوژی کاربردی.
━━━━━━━━━━━━
🧠 این پوزیشن مناسب چه کسیه؟
👨⚕️ PhD یا MD با background در:
🔹 Cardiovascular physiology
🔹 Neurovascular physiology
🔹 Vascular biology
🔹 Translational medicine
📌 تجربه با حیوانات یا pressure myography مزیت محسوب میشه، ولی الزام نیست.
━━━━━━━━━━━━
🧬 وظایف اصلی:
🔹 طراحی پروژههای مستقل تحقیقاتی
🔹 تحلیل دادهها و کار آماری
🔹 نوشتن مقاله و abstract
🔹 ارائه در کنفرانسها
🔹 کمک در grant writing
🔹 توسعه روشهای جدید در لَب
📌 یعنی فقط “کار کردن در لَب” نیست؛ باید researcher واقعی باشی.
━━━━━━━━━━━━
📈 چرا این پوزیشن مهمه؟
🧠 چون روی مرز بین چند حوزه کار میکنه:
🔹 قلب و عروق
🔹 نورولوژی (stroke / Alzheimer)
🔹 التهاب و vascular biology
📌 این مدل پروژهها معمولاً خروجیهای high-impact دارن.
━━━━━━━━━━━━
💰 حقوق:
حدود $55K – $70K در سال (بسته به تجربه)
📌 استاندارد پستداک در آمریکا + امکان رشد در funding و پروژهها
━━━━━━━━━━━━
🎯 چه چیزی این موقعیت رو ارزشمند میکنه؟
✔️ Institute قوی (MCRI – Tufts)
✔️ کار translational واقعی
✔️ ارتباط قلب + مغز (vascular-neuro axis)
✔️ امکان publication در ژورنالهای سطح بالا
✔️ محیط کاملاً research-driven
━━━━━━━━━━━━
📬 نکته مهم برای اپلای:
اگر قصد اپلای داری:
🔹 CV باید research-focused باشه
🔹 اگر مقاله یا متاآنالیز داری حتما highlight کن
🔹 در ایمیل دقیق بگو چرا vascular / neurovascular
🔹 به موضوع Pannexin 1 یا stroke/Alzheimer اشاره کن
🔹 ایمیل کوتاه، هدفمند و بدون کلیگویی باشه
━━━━━━━━━━━━
🚀 جمعبندی
این پوزیشن برای کسیه که:
🧠 دنبال research جدی در سطح postdoc هست
🫀 به vascular biology یا cardiovascular-neuro interface علاقه داره
🔬 آماده کار wet-lab + translational research هست
📌 اگر این مسیر با هدفت همخوانه، این میتونه یکی از موقعیتهای جدی برای ورود به research در آمریکا باشه.
برای دریافت لینک ثبت نام برای این پوزیشن، به پشتیبانی پیام بده:
@ResearchPrimeSupport
✅ @ResearchPrime
📄 بزرگترین اشتباه نویسندگان تازهکار (که معمولاً هیچکس بهشون نمیگه)
اگر تازه وارد دنیای مقالهنویسی و پژوهش شدی، احتمالاً فکر میکنی سختترین بخش کار، تحلیل آماری یا پیدا کردن ژورناله.
اما واقعیت یه چیز دیگهست…
بیشتر مقالههای تازهکارها قبل از اینکه به مرحله داوری برسن، به خاطر یک اشتباه خیلی ساده ضربه میخورن 👇
━━━━━━━━━━━━
🚨 اشتباه اصلی: “شروع کردن بدون سؤال پژوهشی دقیق”
بیشتر نویسندههای تازهکار اینطوری شروع میکنن:
🔹 یه دیتاست پیدا میکنن
🔹 بعد میگن: «ببینیم چی میشه!»
🔹 بعد تازه دنبال تست آماری و مقاله میگردن
📌 این دقیقاً بزرگترین اشتباهه.
در پژوهش علمی، اول داده نمیاد…
اول “سؤال” میاد.
━━━━━━━━━━━━
🧠 مثال ساده
❌ روش اشتباه:
من یه دیتاست از بیماران دیابتی دارم
بذار ببینم چه ارتباطهایی پیدا میکنم…
نتیجه؟
۲۰ تا تست آماری
۵ تا P-value معنیدار
و یک مقاله بیهدف 😐
━━━━━━━━━━━━
✅ روش درست:
سؤال مشخص:
آیا HbA1c میتونه predictor مرگومیر در بیماران دیابتی باشه؟
بعدش:
🔹 طراحی تحلیل
🔹 انتخاب متغیرها
🔹 مدل آماری مناسب
اینجاست که مقاله “علمی” میشه، نه فقط “تحلیل داده”
━━━━━━━━━━━━
📊 مشکل دوم: عاشق شدن با P-value
خیلی از تازهکارها فکر میکنن:
"اگر P < 0.05 شد، یعنی مقاله مهمه"
در حالی که:
📌 ممکنه تفاوت کاملاً بیاهمیت باشه ولی P-value معنیدار بشه
مثال:
💊 دارو فشار خون رو فقط 0.3 mmHg کم کرده
ولی P = 0.001
از نظر آماری مهم؟ بله
از نظر بالینی؟ تقریباً هیچ!
━━━━━━━━━━━━
🧩 مشکل سوم: ساختن مقاله از خروجی، نه از منطق
خیلیها این کار رو میکنن:
📊 اول SPSS
📉 بعد آزمونها
🧾 بعد تازه شروع میکنن به نوشتن مقاله
در حالی که مسیر درست اینه:
🧠 اول سؤال
📐 بعد مدل
📊 بعد تحلیل
📝 بعد مقاله
نه برعکس.
━━━━━━━━━━━━
⚠️ یک اشتباه خیلی خطرناک
خیلی از نویسندههای تازهکار:
🔹 10 تا متغیر دارن
🔹 همه رو تست میکنن
🔹 هر چی معنیدار شد رو نگه میدارن
این اسمش پژوهش نیست…
این اسمش “data fishing” هست 🎣
📌 یعنی دنبال نتیجه گشتن، نه پاسخ دادن به سؤال علمی
━━━━━━━━━━━━
📉 مثال واقعی از خطا
فرض کن:
تو 20 تا تست آماری انجام دادی
حتی اگر هیچ رابطه واقعی وجود نداشته باشه:
❗ احتمال اینکه حداقل 1-2 تا نتیجه “تصادفی معنیدار” ببینی خیلی بالاست
و این همون جاییه که مقالههای ضعیف شکل میگیرن
━━━━━━━━━━━━
🎯 جمعبندی خیلی مهم
اگر بخوای فقط یک چیز از این پست یادت بمونه:
📌 مقاله خوب از داده شروع نمیشود
📌 از سؤال علمی شروع میشود
━━━━━━━━━━━━
🧠 جمله طلایی
پژوهشگر حرفهای دنبال “نتیجه معنیدار” نیست
دنبال “پاسخ درست به سؤال درست” هست
و همین تفاوت، بین یک مقاله معمولی و یک مقاله قابل چاپ در ژورنال خوب فاصله میسازه.
@ResearchPrimeSupport
✅ @ResearchPrime
اگر تازه وارد دنیای مقالهنویسی و پژوهش شدی، احتمالاً فکر میکنی سختترین بخش کار، تحلیل آماری یا پیدا کردن ژورناله.
اما واقعیت یه چیز دیگهست…
بیشتر مقالههای تازهکارها قبل از اینکه به مرحله داوری برسن، به خاطر یک اشتباه خیلی ساده ضربه میخورن 👇
━━━━━━━━━━━━
🚨 اشتباه اصلی: “شروع کردن بدون سؤال پژوهشی دقیق”
بیشتر نویسندههای تازهکار اینطوری شروع میکنن:
🔹 یه دیتاست پیدا میکنن
🔹 بعد میگن: «ببینیم چی میشه!»
🔹 بعد تازه دنبال تست آماری و مقاله میگردن
📌 این دقیقاً بزرگترین اشتباهه.
در پژوهش علمی، اول داده نمیاد…
اول “سؤال” میاد.
━━━━━━━━━━━━
🧠 مثال ساده
❌ روش اشتباه:
من یه دیتاست از بیماران دیابتی دارم
بذار ببینم چه ارتباطهایی پیدا میکنم…
نتیجه؟
۲۰ تا تست آماری
۵ تا P-value معنیدار
و یک مقاله بیهدف 😐
━━━━━━━━━━━━
✅ روش درست:
سؤال مشخص:
آیا HbA1c میتونه predictor مرگومیر در بیماران دیابتی باشه؟
بعدش:
🔹 طراحی تحلیل
🔹 انتخاب متغیرها
🔹 مدل آماری مناسب
اینجاست که مقاله “علمی” میشه، نه فقط “تحلیل داده”
━━━━━━━━━━━━
📊 مشکل دوم: عاشق شدن با P-value
خیلی از تازهکارها فکر میکنن:
"اگر P < 0.05 شد، یعنی مقاله مهمه"
در حالی که:
📌 ممکنه تفاوت کاملاً بیاهمیت باشه ولی P-value معنیدار بشه
مثال:
💊 دارو فشار خون رو فقط 0.3 mmHg کم کرده
ولی P = 0.001
از نظر آماری مهم؟ بله
از نظر بالینی؟ تقریباً هیچ!
━━━━━━━━━━━━
🧩 مشکل سوم: ساختن مقاله از خروجی، نه از منطق
خیلیها این کار رو میکنن:
📊 اول SPSS
📉 بعد آزمونها
🧾 بعد تازه شروع میکنن به نوشتن مقاله
در حالی که مسیر درست اینه:
🧠 اول سؤال
📐 بعد مدل
📊 بعد تحلیل
📝 بعد مقاله
نه برعکس.
━━━━━━━━━━━━
⚠️ یک اشتباه خیلی خطرناک
خیلی از نویسندههای تازهکار:
🔹 10 تا متغیر دارن
🔹 همه رو تست میکنن
🔹 هر چی معنیدار شد رو نگه میدارن
این اسمش پژوهش نیست…
این اسمش “data fishing” هست 🎣
📌 یعنی دنبال نتیجه گشتن، نه پاسخ دادن به سؤال علمی
━━━━━━━━━━━━
📉 مثال واقعی از خطا
فرض کن:
تو 20 تا تست آماری انجام دادی
حتی اگر هیچ رابطه واقعی وجود نداشته باشه:
❗ احتمال اینکه حداقل 1-2 تا نتیجه “تصادفی معنیدار” ببینی خیلی بالاست
و این همون جاییه که مقالههای ضعیف شکل میگیرن
━━━━━━━━━━━━
🎯 جمعبندی خیلی مهم
اگر بخوای فقط یک چیز از این پست یادت بمونه:
📌 مقاله خوب از داده شروع نمیشود
📌 از سؤال علمی شروع میشود
━━━━━━━━━━━━
🧠 جمله طلایی
پژوهشگر حرفهای دنبال “نتیجه معنیدار” نیست
دنبال “پاسخ درست به سؤال درست” هست
و همین تفاوت، بین یک مقاله معمولی و یک مقاله قابل چاپ در ژورنال خوب فاصله میسازه.
@ResearchPrimeSupport
✅ @ResearchPrime