2️⃣ Когда происходит переключение на такие опции терапии, которые в соответствующий момент времени недоступны для пациентов целевой популяции в рамках стандартной клинической практики в регионе интереса
🔹Переключение на альтернативную терапию является интеркуррентным событием для оценки OS, влияющим на ее интерпретацию.
🔹 Это может быть не только переключение с терапии в контрольной группе на исследуемую, еще не зарегистрированную, терапию, но и переключение из любой группы рандомизации на любую терапию, которая еще не зарегистрирована в регионе интереса по соответствующему показанию для таких пациентов, даже если она, например, уже зарегистрирована в другой стране, где проводилось это РКИ.
🔹Определение "региона интереса" должно быть частью определения целевой популяции в рамках эстиманда для принятия решений.
🔹Если происходит переключение на терапию, доступную в рамках рутинной клинической практики в регионе интереса, то с такими интеркуррентными событиями можно работать "традиционным" способом -- с помощью стратегии назначенного вмешательства, или, по-простому, проводя анализ в популяции ITT (intention-to-treat, по намерению лечить). В этом случае мы считаем, что, в среднем, фактические исходы пациентов в контрольной группе отражают потенциальные исходы пациентов, попавших в экспериментальную группу, если бы они получили контрольное воздействие. И симметрично для попавших в контрольную группу. Ну и эффект в отношении OS можно посчитать, просто сравнив OS между группами (при отсутствии других интеркуррентных событий/ применимости такой же стратегии для них).
🔺 В этом случае, вопреки мнению некоторых клиницистов, с которыми приходилось общаться по проблеме переключения при оценке OS, нам неважно, что начиная с какого-то момента пациент уже не получал ту терапию, которая ему была назначена в начале (путем рандомизации, если речь об РКИ). "Первая" терапия влияет на время до прогрессирования, как и на выбор последующей терапии и, бывает, ее эффект тоже, а значит, и на выживаемость до и после прогрессирования -- и, следовательно, на OS. Сам эффект "первой" терапии может быть отложенным и проявиться уже после прогрессирования заболевания (особенно если речь об иммунотерапии при оценке прогрессирования по RECIST). Поэтому да, здесь мы интерпретируем различия в OS между группами рандомизации на всем горизонте наблюдения как эффект интересующего нас воздействия.
🔹Если же в контрольной группе происходит переключение на опцию, не доступную пациентам в целевой популяции, тогда фактические исходы в этой группе уже не будут отражать потенциальные исходы при контрольном воздействии для пациентов, попавших в экспериментальную группу. Симметрично, если подобные переключения происходят в экспериментальной группе.
🔺 Соответственно, использование стратегии назначенной терапии в отношении подобных переключений (читай, ITT-анализ) не позволит корректным образом оценить эффект воздействия в целевой популяции в отношении OS, и смещение этой оценки будет тем больше, чем больше будет случаев подобных "нехороших" переключений.
🔺 Также оценка будет смещенной, если полностью исключить из анализа переключившихся пациентов (смещение отбора) или цензурировать их в момент переключения (неслучайное цензурирование).
🔺Подходящей стратегией в оценке OS в этом случае является гипотетическая стратегия, в соответствии с которой необходимо оценить потенциальные исходы для переключившихся пациентов при отсутствии подобного переключения.
🔺 Для конечных точек, для которых переключение препятствует получению данных по ним (например, частота ответа на терапию), также может использоваться гипотетическая стратегия, но ее реализация обычно заключается в заполнении пропусков по этой конечной точке (например, считают всех этих пациентов неответчиками). Для других конечных точек типа времени до события (например, беспрогрессивной выживаемости (PFS)) это может быть стратегия композитной конечной точки (переключение, не связанное с прогрессированием заболевания, включается в число событий PFS).
🔹Переключение на альтернативную терапию является интеркуррентным событием для оценки OS, влияющим на ее интерпретацию.
🔹 Это может быть не только переключение с терапии в контрольной группе на исследуемую, еще не зарегистрированную, терапию, но и переключение из любой группы рандомизации на любую терапию, которая еще не зарегистрирована в регионе интереса по соответствующему показанию для таких пациентов, даже если она, например, уже зарегистрирована в другой стране, где проводилось это РКИ.
🔹Определение "региона интереса" должно быть частью определения целевой популяции в рамках эстиманда для принятия решений.
🔹Если происходит переключение на терапию, доступную в рамках рутинной клинической практики в регионе интереса, то с такими интеркуррентными событиями можно работать "традиционным" способом -- с помощью стратегии назначенного вмешательства, или, по-простому, проводя анализ в популяции ITT (intention-to-treat, по намерению лечить). В этом случае мы считаем, что, в среднем, фактические исходы пациентов в контрольной группе отражают потенциальные исходы пациентов, попавших в экспериментальную группу, если бы они получили контрольное воздействие. И симметрично для попавших в контрольную группу. Ну и эффект в отношении OS можно посчитать, просто сравнив OS между группами (при отсутствии других интеркуррентных событий/ применимости такой же стратегии для них).
🔺 В этом случае, вопреки мнению некоторых клиницистов, с которыми приходилось общаться по проблеме переключения при оценке OS, нам неважно, что начиная с какого-то момента пациент уже не получал ту терапию, которая ему была назначена в начале (путем рандомизации, если речь об РКИ). "Первая" терапия влияет на время до прогрессирования, как и на выбор последующей терапии и, бывает, ее эффект тоже, а значит, и на выживаемость до и после прогрессирования -- и, следовательно, на OS. Сам эффект "первой" терапии может быть отложенным и проявиться уже после прогрессирования заболевания (особенно если речь об иммунотерапии при оценке прогрессирования по RECIST). Поэтому да, здесь мы интерпретируем различия в OS между группами рандомизации на всем горизонте наблюдения как эффект интересующего нас воздействия.
🔹Если же в контрольной группе происходит переключение на опцию, не доступную пациентам в целевой популяции, тогда фактические исходы в этой группе уже не будут отражать потенциальные исходы при контрольном воздействии для пациентов, попавших в экспериментальную группу. Симметрично, если подобные переключения происходят в экспериментальной группе.
🔺 Соответственно, использование стратегии назначенной терапии в отношении подобных переключений (читай, ITT-анализ) не позволит корректным образом оценить эффект воздействия в целевой популяции в отношении OS, и смещение этой оценки будет тем больше, чем больше будет случаев подобных "нехороших" переключений.
🔺 Также оценка будет смещенной, если полностью исключить из анализа переключившихся пациентов (смещение отбора) или цензурировать их в момент переключения (неслучайное цензурирование).
🔺Подходящей стратегией в оценке OS в этом случае является гипотетическая стратегия, в соответствии с которой необходимо оценить потенциальные исходы для переключившихся пациентов при отсутствии подобного переключения.
🔺 Для конечных точек, для которых переключение препятствует получению данных по ним (например, частота ответа на терапию), также может использоваться гипотетическая стратегия, но ее реализация обычно заключается в заполнении пропусков по этой конечной точке (например, считают всех этих пациентов неответчиками). Для других конечных точек типа времени до события (например, беспрогрессивной выживаемости (PFS)) это может быть стратегия композитной конечной точки (переключение, не связанное с прогрессированием заболевания, включается в число событий PFS).
❤5❤🔥2🤩2
Как скорректировать оценку эффекта в отношении выживаемости на treatment switching ❓
🔹 С точки зрения причинно-следственного вывода, терапия влияет на тяжесть состояния пациента, а та, в свою очередь, влияет и на исход (OS), и на решение о продолжении пациентом назначенной ему терапии. Степень тяжести заболевания является варьирующимся во времени конфаундером. Если мы попытаемся каким-либо способом проконтролировать переключение или текущий статус терапии пациента (в том числе через цензурирование на момент переключения), мы тем самым откроем обходной (backdoor) каузальный путь от воздействия к исходу через тяжесть состояния.В оценке эффекта -- это как открыть портал в ад.
🔹 В отличие от конфаундинга на момент назначения воздействия, рандомизация воздействия никак не защищает от варьирующегося во времени конфаундинга, и бороться с ним "традиционными" методами, обычно применяемыми при отсутствии рандомизации (стратификацией, многофакторной регрессией, мэтчингом, взвешиванием, двойными робастными методами), невозможно.
🔹 Невозможно потому, что варьирующийся во времени конфаундер является еще и медиатором между воздействием и исходом (воздействие влияет на исход не только напрямую, но и через тяжесть состояния пациента). И применение способов коррекции, которые обычно используются для деконфаундинга на бейзлайне, закроет не толькопортал в ад, но и выход из него обходной, но и прямой (frontdoor) каузальный путь от воздействия к исходу, что не позволит нам оценить полный эффект воздействия.
🔹 Поэтому здесьнужна магия посильнее работают только так называемые g-методы. Если что, их можно применять и против конфаундинга на бейзлайне, когда рандомизация воздействия по тем или иным причинам невозможна.
🔹 Каждый g-метод, безусловно, заслуживает отдельной лекции (сама бы послушала еще не раз!). У каждого из них есть свои допущения, для реализации некоторых из них может потребоваться сбор данных относительно тяжести состояния пациента после рандомизации (например, на момент переключения на другую терапию или прогрессирования заболевания).
🔹 С точки зрения причинно-следственного вывода, терапия влияет на тяжесть состояния пациента, а та, в свою очередь, влияет и на исход (OS), и на решение о продолжении пациентом назначенной ему терапии. Степень тяжести заболевания является варьирующимся во времени конфаундером. Если мы попытаемся каким-либо способом проконтролировать переключение или текущий статус терапии пациента (в том числе через цензурирование на момент переключения), мы тем самым откроем обходной (backdoor) каузальный путь от воздействия к исходу через тяжесть состояния.
🔹 В отличие от конфаундинга на момент назначения воздействия, рандомизация воздействия никак не защищает от варьирующегося во времени конфаундинга, и бороться с ним "традиционными" методами, обычно применяемыми при отсутствии рандомизации (стратификацией, многофакторной регрессией, мэтчингом, взвешиванием, двойными робастными методами), невозможно.
🔹 Невозможно потому, что варьирующийся во времени конфаундер является еще и медиатором между воздействием и исходом (воздействие влияет на исход не только напрямую, но и через тяжесть состояния пациента). И применение способов коррекции, которые обычно используются для деконфаундинга на бейзлайне, закроет не только
🔹 Поэтому здесь
🔹 Каждый g-метод, безусловно, заслуживает отдельной лекции (сама бы послушала еще не раз!). У каждого из них есть свои допущения, для реализации некоторых из них может потребоваться сбор данных относительно тяжести состояния пациента после рандомизации (например, на момент переключения на другую терапию или прогрессирования заболевания).
❤5❤🔥2💯2
Для коррекции на переключение используется один из трех методов:
1️⃣ Взвешивание по обратной вероятности цензурирования (inverse probability of censoring weighting, IPCW)
🔹 подходит для коррекции на переключения любого типа в любом рукаве,
🔹 принцип реализации: переключившиеся пациенты цензурируются на момент переключения → с помощью модели для вероятности переключения в зависимости от исходных и варьирующихся во времени конфаундеров (показателей, одновременно влияющих на переключение и OS) рассчитываются индивидуальные веса → которые затем используются для оценки эффекта воздействия с коррекцией на неслучайное цензурирование,
🔹 требует сбора данных по исходным и варьирующимся во времени конфаундерам,
🔹 предполагает отсутствие ненаблюдаемых конфаундеров,
🔹 плохо работает на небольших выборках и/или большой доле переключившихся.
2️⃣ Моделирование эффекта воздействия после переключения с помощью двухстадийного оценивания (two-stage estimation, TSE)
🔹 подходит для коррекции на переключения любого типа в любом рукаве,
🔹 используется, если переключение привязано к какому-то событию, связанному с заболеванием (например, прогрессированию) -- это событие используется как "второй бейзлайн",
🔹 принцип реализации: с помощью модели ускоренного отклика (accelerated failure time, AFT) для зависимости OS после "второго бейзлайна" от факта переключения с коррекцией на конфаундеры, измеренные на момент "второго бейзлайна", рассчитывается коэффициент → который затем используется для коррекции OS переключившихся (расчета потенциального исхода при отсутствии переключения),
🔹 требует сбора данных по конфаундерам на момент события, после которого происходит переключение,
🔹 предполагает отсутствие ненаблюдаемых конфаундеров на момент "второго бейзлайна",
🔹 предполагает отсутствие конфаундинга для зависимости времени переключения и "вторым бейзлайном" (переключение может происходить не сразу после события),
🔹 плохо работает на небольших выборках и/или большой доле переключившихся.
3️⃣ Моделирование эффекта воздействия с помощью структурной модели (rank-preserving structural failure time model, RPSFTM)
🔹 подходит исключительно для коррекции на переключение между рукавами рандомизации,
🔹 принцип реализации: для каждого пациента время наблюдения в анализе OS разбивается на время на терапии интереса (Ton) и время на терапии контрольной группы (Toff) → потенциальный исход при отсутствии терапии интереса предполагается равным Toff + Ton / TR, где TR -- эффект воздействия в отношении времени до события (по аналогии с AFT) → благодаря рандомизации, предполагаем, что при отсутствии терапии интереса, в среднем потенциальные исходы будут равны для обоих рукавов → для оценки TR используется g-оценивание по данным переключившихся пациентов: путем перебора возможных значений TR находится такое, которое даст одинаковые средние значения потенциальных исходов для рукавов рандомизации,
🔹 предполагает, что эффект воздействия для рандомизированных в экспериментальную группу и эффект воздействия после переключения из контрольной в экспериментальную группу одинаков,
🔹 не требует наличия данных по конфаундерам и допущения об отсутствии ненаблюдаемых конфаундеров,
🔹 менее чувствителен к размеру выборке и доле переключившихся по сравнению с предыдущими двумя методами.
❗️Метод необходимо выбрать заранее, на этапе планирования КЭИ, а учитывая возможные отличия в первичной конечной точке и/или определении стратегии вмешательства в эстиманде по сравнению с РКИ и возможную необходимость коррекции на переключения не только между рукавами рандомизации, то и вовсе на этапе планирования РКИ (чтобы при его проведении собрать необходимые данные/ включить эстиманд для целей ОТЗ в план статистического анализа).
‼️ И все это актуально, если РКИ будет достаточно для принятия решений в области доступа на рынок. Если же необходимо будет проводить непрямые сравнения с компараторами, с которыми не было прямых сравнений в РКИ, при отсутствии доступа к оригинальным индивидуальным данным пациентов по ним, то методов коррекции на переключение нет -- по крайней мере, пока.
1️⃣ Взвешивание по обратной вероятности цензурирования (inverse probability of censoring weighting, IPCW)
🔹 подходит для коррекции на переключения любого типа в любом рукаве,
🔹 принцип реализации: переключившиеся пациенты цензурируются на момент переключения → с помощью модели для вероятности переключения в зависимости от исходных и варьирующихся во времени конфаундеров (показателей, одновременно влияющих на переключение и OS) рассчитываются индивидуальные веса → которые затем используются для оценки эффекта воздействия с коррекцией на неслучайное цензурирование,
🔹 требует сбора данных по исходным и варьирующимся во времени конфаундерам,
🔹 предполагает отсутствие ненаблюдаемых конфаундеров,
🔹 плохо работает на небольших выборках и/или большой доле переключившихся.
2️⃣ Моделирование эффекта воздействия после переключения с помощью двухстадийного оценивания (two-stage estimation, TSE)
🔹 подходит для коррекции на переключения любого типа в любом рукаве,
🔹 используется, если переключение привязано к какому-то событию, связанному с заболеванием (например, прогрессированию) -- это событие используется как "второй бейзлайн",
🔹 принцип реализации: с помощью модели ускоренного отклика (accelerated failure time, AFT) для зависимости OS после "второго бейзлайна" от факта переключения с коррекцией на конфаундеры, измеренные на момент "второго бейзлайна", рассчитывается коэффициент → который затем используется для коррекции OS переключившихся (расчета потенциального исхода при отсутствии переключения),
🔹 требует сбора данных по конфаундерам на момент события, после которого происходит переключение,
🔹 предполагает отсутствие ненаблюдаемых конфаундеров на момент "второго бейзлайна",
🔹 предполагает отсутствие конфаундинга для зависимости времени переключения и "вторым бейзлайном" (переключение может происходить не сразу после события),
🔹 плохо работает на небольших выборках и/или большой доле переключившихся.
3️⃣ Моделирование эффекта воздействия с помощью структурной модели (rank-preserving structural failure time model, RPSFTM)
🔹 подходит исключительно для коррекции на переключение между рукавами рандомизации,
🔹 принцип реализации: для каждого пациента время наблюдения в анализе OS разбивается на время на терапии интереса (Ton) и время на терапии контрольной группы (Toff) → потенциальный исход при отсутствии терапии интереса предполагается равным Toff + Ton / TR, где TR -- эффект воздействия в отношении времени до события (по аналогии с AFT) → благодаря рандомизации, предполагаем, что при отсутствии терапии интереса, в среднем потенциальные исходы будут равны для обоих рукавов → для оценки TR используется g-оценивание по данным переключившихся пациентов: путем перебора возможных значений TR находится такое, которое даст одинаковые средние значения потенциальных исходов для рукавов рандомизации,
🔹 предполагает, что эффект воздействия для рандомизированных в экспериментальную группу и эффект воздействия после переключения из контрольной в экспериментальную группу одинаков,
🔹 не требует наличия данных по конфаундерам и допущения об отсутствии ненаблюдаемых конфаундеров,
🔹 менее чувствителен к размеру выборке и доле переключившихся по сравнению с предыдущими двумя методами.
❗️Метод необходимо выбрать заранее, на этапе планирования КЭИ, а учитывая возможные отличия в первичной конечной точке и/или определении стратегии вмешательства в эстиманде по сравнению с РКИ и возможную необходимость коррекции на переключения не только между рукавами рандомизации, то и вовсе на этапе планирования РКИ (чтобы при его проведении собрать необходимые данные/ включить эстиманд для целей ОТЗ в план статистического анализа).
‼️ И все это актуально, если РКИ будет достаточно для принятия решений в области доступа на рынок. Если же необходимо будет проводить непрямые сравнения с компараторами, с которыми не было прямых сравнений в РКИ, при отсутствии доступа к оригинальным индивидуальным данным пациентов по ним, то методов коррекции на переключение нет -- по крайней мере, пока.
❤4❤🔥2🆒2
Где почитать подробнее про treatment switching❓
🔹 NICE TSD 16 (pdf)
🔹 NICE TSD 24 (pdf) -- апдейт NICE TSD 16, который его при этом не заменяет (= читать лучше оба)
🔹 Кусочек презентации с короткого курса ISPOR Europe 2024 от Шеннон Коуп (pdf), в которой есть наглядная классификация методов с указанием первоисточников и табличка со сравнительными характеристиками этих методов
🔹 Мультик от Николаса Латимера про treatment switching (youtube). Sheffield, который там фигурирует, -- это и есть NICE. Мультик старенький, но советую досмотреть до конца: там о до боли знакомом ;)Сьюзан хотя бы был доступен вариант с "академией": на мой взгляд, у нас в этой сфере еще дремучее, чем в фарме :( А так, на ее месте, я бы не показывала начальству результаты того метода, который изначально кажется сомнительным и оставила бы этот методологический выбор за собой %))
🔹 NICE TSD 16 (pdf)
🔹 NICE TSD 24 (pdf) -- апдейт NICE TSD 16, который его при этом не заменяет (= читать лучше оба)
🔹 Кусочек презентации с короткого курса ISPOR Europe 2024 от Шеннон Коуп (pdf), в которой есть наглядная классификация методов с указанием первоисточников и табличка со сравнительными характеристиками этих методов
🔹 Мультик от Николаса Латимера про treatment switching (youtube). Sheffield, который там фигурирует, -- это и есть NICE. Мультик старенький, но советую досмотреть до конца: там о до боли знакомом ;)
😍6❤3❤🔥1
Мои немногочисленные подписчики, welcome :) Это будет мой третий интенсив с анализом выживаемости, а значит, новый (третий) вариант лекций ))
На этот раз точно без базы - дам ее в качестве прерида! 😜
На этот раз точно без базы - дам ее в качестве прерида! 😜
❤6❤🔥2👍2
Forwarded from Evgeny Bakin
Друзья, коллеги, привет!
Мы заготовили новинку на эту весну - интенсив «Продвинутые разделы биостатистики», который впервые пройдет в модульном режиме! Это значит, что вы сможете сами кастомизировать интенсив под свои цели, расписание и бюджет. Выбор - богатый:
1. Смешанные линейные модели
2. Продвинутые модели анализа выживаемости
3. Разработка интерактивных приложений в R/Shiny
4. Машинное обучение в R
5. Обработка пропущенных значений
6. Методы на основе ресемплинга
7. Введение в байесовскую статистику
8. Причинно-следственный вывод
Даты - с 24 февраля по 28 апреля, регистрация до 19 марта 23:59 МСК. Все подробности - тут:
bioinf.me/education/workshops/hardstat
Будем рады, если вы поможете распространить эту информацию среди своих коллег! Давайте вместе сделаем классный новый проект :)
Мы заготовили новинку на эту весну - интенсив «Продвинутые разделы биостатистики», который впервые пройдет в модульном режиме! Это значит, что вы сможете сами кастомизировать интенсив под свои цели, расписание и бюджет. Выбор - богатый:
1. Смешанные линейные модели
2. Продвинутые модели анализа выживаемости
3. Разработка интерактивных приложений в R/Shiny
4. Машинное обучение в R
5. Обработка пропущенных значений
6. Методы на основе ресемплинга
7. Введение в байесовскую статистику
8. Причинно-следственный вывод
Даты - с 24 февраля по 28 апреля, регистрация до 19 марта 23:59 МСК. Все подробности - тут:
bioinf.me/education/workshops/hardstat
Будем рады, если вы поможете распространить эту информацию среди своих коллег! Давайте вместе сделаем классный новый проект :)
❤6👍1🔥1
Всем привет! Я перенесла свои записи на GitHub Pages. Мало ли что там дальше с ТГ (не мах же ставить...), да и пишу я обычно столько, что гораздо удобнее это делать в маркдауне и читать в виде одной странички. Пока здесь не заперто, буду писать сюда объявления о появлении новых постов. Здесь же всегда буду рада обсудить их с вами.
К 8 марта сделала пост про красивое - визуализацию оценок выживаемости в зависимости от количественных признаков. Вдруг кто-то, как и я до недавнего времени, не знал, что такое возможно :)
Всех дам с праздником!🌼 🌸 🌼
К 8 марта сделала пост про красивое - визуализацию оценок выживаемости в зависимости от количественных признаков. Вдруг кто-то, как и я до недавнего времени, не знал, что такое возможно :)
Всех дам с праздником!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤12👍4🔥3
Институт биоинформатики идёт в ОТЗ 🔥
Хочется верить, что эта лекция станет началом нового образовательного трека 😉
Хочется верить, что эта лекция станет началом нового образовательного трека 😉
❤6
Forwarded from Bioinformatics Institute
29 апреля в 19:00 МСК пройдёт открытая онлайн-лекция Виктории Зайцевой «Жизнь лекарств после регистрации: почему одобрено не значит доступно?»!
bioinf.me/guests
Виктория Зайцева – консультант в ОptimaxAccess, выпускница программы переподготовки по биостатистике Института биоинформатики – расскажет о том, какая нелёгкая судьба может ждать препарат, когда, казалось бы, всё самое страшное уже позади!
На лекции мы обсудим:
🌑 почему даже эффективные и уже зарегистрированные лекарства не всегда быстро доходят до пациентов;
🌑 как патенты и ценообразование влияют на доступность лекарственных средств;
🌑 роль оценки технологий здравоохранения во внедрении новых препаратов.
Регистрация: bioinf.me/guests
Присоединяйтесь!❤️
✨ Мы в VK | Мы в почте | Мы в Telegram
#bioinf_online #bioinf_education
@bioinformatics_institute
bioinf.me/guests
Виктория Зайцева – консультант в ОptimaxAccess, выпускница программы переподготовки по биостатистике Института биоинформатики – расскажет о том, какая нелёгкая судьба может ждать препарат, когда, казалось бы, всё самое страшное уже позади!
На лекции мы обсудим:
Регистрация: bioinf.me/guests
Присоединяйтесь!
#bioinf_online #bioinf_education
@bioinformatics_institute
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7
Пока я пытаюсь разгрести в своих завалах хоть какой-то кусочек времени на очередную заметку (идей-то вагон - времени нет), коллеги готовят очередной сезон Разрушителей статистических мифов 😍
Жду с нетерпением!
Все ситуации очень жизненные (по содержанию - это больше мои ожидания, исходя из того, с чем регулярно приходится сталкиваться, а не конкретный план лекций):
- Про отбор ковариат для многофакторных регрессий - о том, почему, в частности, пошаговые методы и отбор по стат.значимости в однофакторных моделях - это плохая практика (особенно для причинно-следственного вывода) и как на самом деле этот отбор должен быть, в идеале, устроен
- Представление описательных статистик в Таблице 1 - миф, связанный с необходимостью p-значений в этой таблице, развенчивали во втором сезоне (лекция Артемия Охотина), про выбор метода анализа, исходя из распределения данных в выборке (тест Стьюдента только для нормальных данных, иначе - Манн-Уитни), - в первом (лекция Матвея Савенко), но есть ещё третий миф на стыке этих двух историй - о том, что выбор описательных статистик для количественных признаков тоже должен зависеть от формы их распределения
- Про оценку мощности при проверке статистических гипотез - о том, на каком этапе исследованияуже поздно пить Боржоми она (не)уместна, а главное - почему и зачем
Приходите, особенно будем рады вашему активному участию в дискуссии!
P.S. Как сказал Евгений Бакин на открытии первого сезона, все мы не без греха и в Интернете наверняка можно найти ряд тому свидетельств, - да, статистические мифы - такая штука, что из-за их широкой распространенности и статуса "ну все так делают / в Q1 же публикуют" все мы (статистики) так или иначе когда-то им тоже, по незнанию/ неопытности, следовали. Поэтому, если вдруг вы пропустили предыдущие два сезона лектория, не бойтесь приобщиться: задача лектория - не выгулять наше белое пальто, а подсветить наиболее часто встречающиеся заблуждения, которые мешают исследователям получить ответ на тот вопрос, который их на самом деле интересует✨
Жду с нетерпением!
Все ситуации очень жизненные (по содержанию - это больше мои ожидания, исходя из того, с чем регулярно приходится сталкиваться, а не конкретный план лекций):
- Про отбор ковариат для многофакторных регрессий - о том, почему, в частности, пошаговые методы и отбор по стат.значимости в однофакторных моделях - это плохая практика (особенно для причинно-следственного вывода) и как на самом деле этот отбор должен быть, в идеале, устроен
- Представление описательных статистик в Таблице 1 - миф, связанный с необходимостью p-значений в этой таблице, развенчивали во втором сезоне (лекция Артемия Охотина), про выбор метода анализа, исходя из распределения данных в выборке (
- Про оценку мощности при проверке статистических гипотез - о том, на каком этапе исследования
Приходите, особенно будем рады вашему активному участию в дискуссии!
P.S. Как сказал Евгений Бакин на открытии первого сезона, все мы не без греха и в Интернете наверняка можно найти ряд тому свидетельств, - да, статистические мифы - такая штука, что из-за их широкой распространенности и статуса "ну все так делают / в Q1 же публикуют" все мы (статистики) так или иначе когда-то им тоже, по незнанию/ неопытности, следовали. Поэтому, если вдруг вы пропустили предыдущие два сезона лектория, не бойтесь приобщиться: задача лектория - не выгулять наше белое пальто, а подсветить наиболее часто встречающиеся заблуждения, которые мешают исследователям получить ответ на тот вопрос, который их на самом деле интересует
Please open Telegram to view this post
VIEW IN TELEGRAM
❤11👍3🥰3
Forwarded from Bioinformatics Institute
В мае начинается третий сезон открытого онлайн-лектория «Разрушители статистических мифов»!
Регистрация | 19 мая, 16 июня, 7 июля
В новом сезоне преподаватели трека по биостатистике Института биоинформатики продолжат разбирать привычные статистические практики, которые выглядят безобидно, но иногда ведут исследователя совсем не туда!
На этот раз поговорим о том, в какие дебри могут завести автоматические методы отбора признаков для регрессионных моделей, обсудим тонкости (не)правильного описания признаков в Таблице I, а также подробно разберём стандартное оправдание: «нам просто не хватило мощности».
19 мая, 19:00 МСК | Евгений Бакин
16 июня, 19:00 МСК | Алексей Глазков
7 июля, 19:00 МСК | Матвей Славенко
Будет (само)критично, местами болезненно, но, как всегда, с любовью к статистике и здравому смыслу❤️
✨ Мы в VK | Мы в почте | Мы в Telegram
#bioinf_online #bioinf_education
@bioinformatics_institute
Регистрация | 19 мая, 16 июня, 7 июля
В новом сезоне преподаватели трека по биостатистике Института биоинформатики продолжат разбирать привычные статистические практики, которые выглядят безобидно, но иногда ведут исследователя совсем не туда!
На этот раз поговорим о том, в какие дебри могут завести автоматические методы отбора признаков для регрессионных моделей, обсудим тонкости (не)правильного описания признаков в Таблице I, а также подробно разберём стандартное оправдание: «нам просто не хватило мощности».
19 мая, 19:00 МСК | Евгений Бакин
🦖 Миф №7: Автоматизированный выбор многофакторной модели: кто ищет, тот всегда найдёт
16 июня, 19:00 МСК | Алексей Глазков
🦖 Миф №8: Придай нормальности описательной статистике
7 июля, 19:00 МСК | Матвей Славенко
🦖 Миф №9: Расчёт мощности: лучше поздно, чем никогда
Будет (само)критично, местами болезненно, но, как всегда, с любовью к статистике и здравому смыслу
#bioinf_online #bioinf_education
@bioinformatics_institute
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8🔥4👍2
У желающих погрузиться в мир биостатистики ещё есть шанс запрыгнуть в последний вагон и до 16 июля включительно подать заявку на полугодовую программу Института биоинформатики по анализу медицинских данных. На мой взгляд, аналогов такой программы на русскоязычном пространстве нет: от основ теории вероятностей, программирования в R и регуляторики до совместного с однокурсниками выпускного проекта по анализу реальных данных под кураторством преподавателей Института. Программа подходит примерно всем, независимо от предыдущего бэкграунда: врачам, биологам, биоинформатикам, программистам, экономистам... Приходите, будет интересно и лампово :)
❤7🔥4
Forwarded from Bioinformatics Institute
На этой неделе заканчивается набор на онлайн-программу переподготовки «Биостатистика и анализ медицинских данных»!
bioinf.me/education/stat | Приём заявок до 16 июля, 23:59 МСК
Приглашаем на программу всех, кто работает или планирует работать в сфере биомедицинских исследований, владеет базовыми навыками анализа данных в R и хочет глубже разобраться в статистических методах, а также научиться уверенно применять их на практике!
🌕 Программа состоит из 5 частей:
• Статистика и анализ данных
• Программирование на R
• Методология и регуляторика
• Выпускной проект (проекты выпускников 2025/26 года)
• Ключевые внеучебные активности
Помимо лекций и практических занятий студентов программы ждут: работа над проектом под руководством опытных биостатистиков, карьерные встречи, хакатоны, круглый стол по использованию ИИ, гостевые лекции, встречи с преподавателями и выпускниками.
🌑 Процесс поступления:
• заполнить анкету до 16 июля, 23:59 МСК
• пройти тестирование 18 или 25 июля
☁️ Подробнее о программе, подготовке к тестированию и самом тестировании: bioinf.me/education/stat
☁️ По всем вопросам: biostat@bioinf.me
Эти полгода станут важной частью вашего профессионального пути – помогут углубить знания, получить практический опыт, расширить профессиональные связи и стать частью большого поддерживающего сообщества!
Ждём ваших заявок!❤️
✨ Мы в VK | Мы в почте | Мы в Telegram
#bioinf_online #bioinf_education
@bioinformatics_institute
bioinf.me/education/stat | Приём заявок до 16 июля, 23:59 МСК
Приглашаем на программу всех, кто работает или планирует работать в сфере биомедицинских исследований, владеет базовыми навыками анализа данных в R и хочет глубже разобраться в статистических методах, а также научиться уверенно применять их на практике!
• Статистика и анализ данных
• Программирование на R
• Методология и регуляторика
• Выпускной проект (проекты выпускников 2025/26 года)
• Ключевые внеучебные активности
Помимо лекций и практических занятий студентов программы ждут: работа над проектом под руководством опытных биостатистиков, карьерные встречи, хакатоны, круглый стол по использованию ИИ, гостевые лекции, встречи с преподавателями и выпускниками.
• заполнить анкету до 16 июля, 23:59 МСК
• пройти тестирование 18 или 25 июля
Эти полгода станут важной частью вашего профессионального пути – помогут углубить знания, получить практический опыт, расширить профессиональные связи и стать частью большого поддерживающего сообщества!
Ждём ваших заявок!
#bioinf_online #bioinf_education
@bioinformatics_institute
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2❤🔥1🔥1🥰1🦄1
🗓 1-4 сентября 2026
📍Встречаемся в центре Москвы: Цифровое деловое пространство, Покровка, 47
🤝Ждём Вас на Международном форуме «Инновационная онкология»!
Регистрация и программа на сайте: www.inno-onco.ru
📍Встречаемся в центре Москвы: Цифровое деловое пространство, Покровка, 47
🤝Ждём Вас на Международном форуме «Инновационная онкология»!
Регистрация и программа на сайте: www.inno-onco.ru
🔥14❤7👍1💯1
По следам лектория "Разрушители статистических мифов" опубликовали с коллегами из Института биоинформатики первую статью. Очень в тему перед предстоящим докладом на форуме ИнноОнко :) Будем стараться, чтобы остальные статьи цикла были не за горами :)
🥰6❤5🔥3
Forwarded from Evgeny Bakin
Друзья, у меня новость, прошу вас максимальный репост!
Наш многолетний труд по разбору укоренившихся сомнительных статистических практик перешел в очередную фазу!
В журнале "Альманах клинической медицины" вышла наша первая программная публикация - "Мифологизация статистики в биомедицинских исследованиях". Нашей основной задачей было создание прецедента в русскоязычной научной среде, приглашение сообщества к широкому обсуждению проблемы, а также создание корпуса официально опубликованных материалов, на которые можно было бы ссылаться при дискуссиях с рецензентами и авторами статей.
Если вас заставляют тестировать на нормальность и проверять "достоверность" результатов - знайте, что теперь вы не одиноки и вам есть на что сослаться :) Большое спасибо моим соавторам, взявшим на себя этот большой труд - @slavenkofm @o_mironenko @bqmaks ❤️
Ссылка на статью:
https://almclinmed.ru/jour/article/view/17669/1789
P.S. В настоящее время готовяться к публикации следующие статьи из данной серии. Не переключайтесь! :)
Наш многолетний труд по разбору укоренившихся сомнительных статистических практик перешел в очередную фазу!
В журнале "Альманах клинической медицины" вышла наша первая программная публикация - "Мифологизация статистики в биомедицинских исследованиях". Нашей основной задачей было создание прецедента в русскоязычной научной среде, приглашение сообщества к широкому обсуждению проблемы, а также создание корпуса официально опубликованных материалов, на которые можно было бы ссылаться при дискуссиях с рецензентами и авторами статей.
Если вас заставляют тестировать на нормальность и проверять "достоверность" результатов - знайте, что теперь вы не одиноки и вам есть на что сослаться :) Большое спасибо моим соавторам, взявшим на себя этот большой труд - @slavenkofm @o_mironenko @bqmaks ❤️
Ссылка на статью:
https://almclinmed.ru/jour/article/view/17669/1789
P.S. В настоящее время готовяться к публикации следующие статьи из данной серии. Не переключайтесь! :)
🔥16❤8🥰2