MidTech
32 subscribers
29 photos
3 files
32 links
📌 مرکز آموزش و پژوهش سلامت زنان و مامایی
🌐 سلامت زنان
🌐 مامایی و باروری
🌐 انفورماتیک پزشکی
🌐 سلامت دیجیتال، FemTech و هوش مصنوعی
🌐 پژوهش، دیتا آنالیز، ابزارهای علمی و AI در پزشکی

"علم امروز، سلامت فردا؛ MidTech کنار زنان"
Download Telegram
#معرفی_ابزار

📚 پیدا کردن مقاله سخت نیست؛ پیدا کردن مقاله درست سخته.

وقتی برای یک موضوع پژوهشی در Google Scholar یا PubMed سرچ می‌کنیم، خیلی زود با ده‌ها و صدها نتیجه مواجه می‌شویم.

اما سؤال واقعی این است:

کدام مقاله‌ها واقعاً ارزش خواندن دارند؟
چه مطالعاتی به سؤال پژوهشی من نزدیک‌ترند؟
مقاله‌ها چه تفاوتی با هم دارند؟


اینجاست که Elicit وارد می‌شود. 🤖

🔍 به‌جای اینکه فقط یک لیست از لینک‌ها بهت بدهد، می‌تواند سؤال پژوهشی تو را بررسی کند و مطالعات مرتبط را پیدا و سازمان‌دهی کند.
مثلاً به‌جای سرچ ساده:

AI AND preeclampsia

می‌توانی مستقیماً سؤال پژوهشی‌ات را وارد کنی:

آیا هوش مصنوعی می‌تواند پره‌اکلامپسی را قبل از بروز علائم بالینی پیش‌بینی کند؟



بعد می‌توانی مطالعات پیدا‌شده را از نظر مواردی مثل:
📌 نوع مطالعه
📌 تعداد شرکت‌کنندگان
📌 روش یا مدل AI
📌 داده‌های مورد استفاده
📌 پیامد مورد بررسی
📌 نتایج اصلی
کنار هم مقایسه کنی.

✨ قسمت جذاب‌ترش چیه؟

برای Literature Review و حتی Systematic Review هم می‌تواند در فرآیندهایی مثل جست‌وجو، غربالگری و استخراج داده‌ها کمک کند.
و طبق اطلاعات فعلی خود Elicit، این ابزار در بیش از ۱۳۸ میلیون مقاله علمی جست‌وجو می‌کند و بیش از ۵۴۵ هزار کارآزمایی بالینی را نیز پوشش می‌دهد.

⚠️اما Elicit پژوهشگر را جایگزین نمی‌کند. خروجی AI باید با مقاله اصلی و منابع معتبر بررسی شود؛ مخصوصاً در پژوهش‌های حساس و Systematic Review.

📌 پس اگر مقاله می‌نویسی، پایان‌نامه داری یا دنبال یک موضوع پژوهشی جدیدی، Elicit را یک‌بار امتحان کن.

https://elicit.com/?utm_source=chatgpt.com
❤3🔥2❤‍🔥1👍1
🍼 یه لباس هوشمند که می‌خواد بفهمه نوزاد چقدر خوب شیر می‌خوره!

تا حالا فکر کردید از کجا بفهمیم یک نوزاد واقعاً موقع شیر خوردن چقدر مؤثر می‌مکه و می‌بلعه؟


معمولاً باید به رفتار نوزاد، وزن‌گیری و مشاهده بالینی تکیه کنیم.

اما حالا یه تیم پژوهشی یه ایده خیلی جالب مطرح کرده:

👕 یک لباس هوشمند برای مادر که بدون چسبوندن سنسور به نوزاد، بتونه اطلاعاتی از فرایند شیردهی جمع کنه.

این سیستم با استفاده از حسگرهای تعبیه‌شده در لباس، تلاش می‌کنه چیزهایی مثل:

🍼 مدت زمان latch
❤️ ضربان قلب نوزاد
👶 الگوی مکیدن و بلع
🌬️ هماهنگی مکیدن، بلع و تنفس

رو تخمین بزنه.

حتی در آزمایش اولیه، خطای تخمین ضربان قلب حدود ۳.۶ ضربه در دقیقه و خطای تخمین مدت latch حدود ۵.۶٪ گزارش شده.

البته یه نکته مهم هست:

این مطالعه فقط روی ۱۰ زوج مادر–نوزاد انجام شده و هنوز خیلی زوده که بخوایم ازش به‌عنوان یک ابزار بالینی استفاده کنیم.

ولی ایده‌اش واقعاً جالبه. 👀

چون شاید در آینده، شیردهی هم فقط چیزی نباشه که «با مشاهده» ارزیابی بشه؛ بلکه بخشی از اون قابل اندازه‌گیری و پایش دیجیتال بشه.

و حالا سؤال من از ماماها:

💬 اگر یک لباس هوشمند می‌توانست بدون مزاحمت برای مادر و نوزاد، کیفیت شیردهی را پایش کند، فکر می‌کنید واقعاً در مراقبت مامایی کاربردی می‌شد؟ یا هنوز مشاهده و ارزیابی بالینی قابل‌اعتمادتره؟

📚 Reference:
Zhao Y, et al. Mammal: Supporting Breastfeeding Monitoring Through Computational Garments with Inter-Body Sensing. 2026.
❤‍🔥3👍2❤1🤩1
🧪 آموزش مقاله‌نویسی | قسمت سوم

چطور Method را بنویسیم؟

اگر از من بپرسید کدام بخش مقاله نشان می‌دهد پژوهش شما واقعاً چطور انجام شده؟

جوابم اینه:

Methods

اینجا جایی نیست که بخواهیم پژوهشمان را «قشنگ» تعریف کنیم؛
اینجا باید آن‌قدر شفاف و دقیق بنویسیم که یک پژوهشگر دیگر بتواند بفهمد:

دقیقاً چه کاری انجام دادیم، روی چه کسانی یا چه داده‌ای، با چه روشی و چگونه تحلیل کردیم؟

🔬 در Methods چه چیزهایی باید مشخص باشد؟

بسته به نوع مطالعه، معمولاً باید درباره این موارد توضیح بدهیم:

📌 Study Design
مطالعه از چه نوعی بود؟

📌 Participants / Population
چه افرادی یا چه داده‌هایی وارد مطالعه شدند؟

📌 Eligibility Criteria
چه کسانی وارد مطالعه شدند و چه کسانی کنار گذاشته شدند؟

📌 Sample Size
حجم نمونه چگونه تعیین شد؟

📌 Data Collection
داده‌ها چگونه و از کجا جمع‌آوری شدند؟

📌 Variables & Outcomes
چه متغیرها و پیامدهایی بررسی شدند و دقیقاً چگونه اندازه‌گیری شدند؟

📌 Intervention / Procedure
اگر مطالعه مداخله‌ای است، دقیقاً چه مداخله‌ای انجام شد؟

📌 Statistical Analysis
داده‌ها با چه روش آماری و با چه نرم‌افزاری تحلیل شدند؟

📌 Ethics
مجوز اخلاق، رضایت آگاهانه و موارد مرتبط چگونه مدیریت شدند؟

این جزئیات باید به اندازه‌ای باشند که روش مطالعه قابل ارزیابی و تا حد امکان قابل تکرار باشد.

🚨 یک اشتباه رایج

در Methods نباید نتیجه مطالعه را لو بدهیم!

❌ «گروه مداخله بهبود قابل‌توجهی داشت.»

این Result است.

در Methods باید بگوییم:

✅ «پیامد اصلی چه بود، چگونه اندازه‌گیری شد و با چه روش آماری تحلیل شد.»

📊 بخش آمار را هم دست‌کم نگیرید!

نوشتن جمله‌ای مثل:

«داده‌ها با SPSS تحلیل شدند.»

به‌تنهایی کافی نیست.

باید مشخص باشد چه آزمون‌هایی، برای چه متغیرهایی و با چه روشی استفاده شده‌اند و در صورت لزوم، نرم‌افزار و نسخه آن نیز گزارش شود. ICMJE همچنین توصیه می‌کند نتایج آماری تا حد امکان همراه با شاخص‌های عدم‌قطعیت مانند Confidence Interval گزارش شوند و صرفاً به P-value تکیه نشود.

🤖 یک نکته جدید برای مقاله‌های امروزی

اگر در اجرای پژوهش از هوش مصنوعی استفاده کرده‌اید، این موضوع هم می‌تواند بخشی از Methods باشد.

مثلاً باید مشخص شود:

از چه ابزاری، چه نسخه‌ای و برای چه کاری استفاده شده است و در صورت مرتبط بودن، اطلاعات لازم برای بازتولید روش نیز ارائه شود.


⭐ یک قانون ساده برای نوشتن Methods:

هر چیزی که برای فهمیدن «چطور این پژوهش انجام شد؟» لازم است، باید به اندازه کافی در Methods توضیح داده شود.

و یک نکته مهم‌تر:

📌 بخش Methods یک قالب ثابت برای همه مقالات ندارد.

روش گزارش یک کارآزمایی بالینی با یک مطالعه مشاهده‌ای، مطالعه تشخیصی یا Systematic Review یکسان نیست.

برای همین قبل از نوشتن، بهتر است Reporting Guideline مناسب طراحی مطالعه‌تان را پیدا کنید؛ مثلاً CONSORT برای کارآزمایی‌های تصادفی، STROBE برای مطالعات مشاهده‌ای، PRISMA برای مرورهای سیستماتیک و STARD برای مطالعات دقت تشخیصی.

https://t.me/TheMidTech
❤4👍2👌2
#معرفی_ابزار

🔎 فقط تعداد Citationها رو نگاه نکن!

وقتی یک مقاله پیدا می‌کنیم، معمولاً اولین چیزی که می‌بینیم اینه:

«چند بار به این مقاله استناد شده؟»

اما یه سؤال مهم‌تر وجود داره:

آیا بقیه پژوهشگرها واقعاً نتایجش رو تأیید کرده‌اند؟ 👀

اینجاست که Scite جالب می‌شه.

این ابزار با قابلیت Smart Citations بررسی می‌کنه مقالات بعدی چطور به یک مقاله استناد کرده‌اند:

🟢 Supporting → از یافته‌ها حمایت کرده‌اند
🔴 Contrasting → با یافته‌ها مخالفت یا نتایج متفاوت گزارش کرده‌اند
⚪ Mentioning → فقط به مقاله اشاره کرده‌اند

یعنی به‌جای اینکه فقط ببینیم یک مقاله چقدر citation دارد، می‌تونیم ببینیم چه اتفاقی بعد از انتشارش افتاده.

مثلاً ممکنه یک مقاله صدها citation داشته باشه، اما بخشی از تحقیقات بعدی نتایجش رو به چالش کشیده باشند.

و این دقیقاً همون چیزیه که موقع انتخاب Reference برای مقاله خودمون می‌تونه خیلی کمک‌کننده باشه.

حتی Scite قابلیت Reference Check داره که می‌تونه منابع داخل manuscript رو بررسی کنه و مواردی مثل retraction یا شواهد متناقض درباره منابع رو بهت نشون بده.

🧠 پس از این به بعد شاید بهتر باشه به‌جای پرسیدن «چند بار cite شده؟» بپرسیم:

«چطور cite شده؟»

https://scite.ai/assistant
👌2❤1
⚠️ تحریم‌های جدید؛ پس تکلیف مقاله‌های ما چی میشه؟

این روزها شاید این سؤال برای خیلی از پژوهشگرهای ایرانی پیش اومده باشه:

«یعنی دیگه نمی‌تونیم مقاله‌مون رو برای ژورنال‌های خارجی بفرستیم؟» 👀


جواب کوتاه: نه، ماجرا این‌قدر ساده نیست.

تحریم‌ها لزوماً به معنی ممنوع شدن انتشار مقاله علمی نیستند؛ اما می‌تونن بعضی قسمت‌های مسیر انتشار رو سخت‌تر کنن.

مثلاً:
💰 پرداخت هزینه انتشار (APC)
📝 خدمات ویرایش و داوری بعضی ناشرها
🏛️ همکاری با بعضی مؤسسات یا افراد
🤝 قراردادها و همکاری‌های رسمی پژوهشی

ممکنه تحت محدودیت‌های متفاوتی قرار بگیرن.

حتی بعضی ناشرهای بزرگ، برای پژوهشگرانی که در ایران مستقر هستند، محدودیت‌هایی در ارائه برخی خدمات publishing اعلام کرده‌اند.

پس اگر مقاله‌تون آماده‌ست، وحشت نکنید و Submission رو هم خودسرانه متوقف نکنید.

فقط قبل از ارسال، یک کار ساده انجام بدید:
🔍 حتما Policy همان ژورنال را درباره ایران و sanctions بررسی کنید.

چون در این شرایط، یک تفاوت مهم وجود داره:

چاپ مقاله ≠ تمام خدمات و تراکنش‌های اطراف مقاله

و این تفاوت می‌تونه تعیین‌کننده باشه.

📌 قوانین و سیاست ناشرها ممکنه تغییر کنه؛ بنابراین برای هر Submission باید آخرین وضعیت همان ژورنال بررسی بشه.

https://t.me/TheMidTech
💔2
می‌دونی Digital Twins دقیقاً یعنی چی؟

اگر این اصطلاح رو شنیدی ولی هنوز دقیق نمی‌دونی Digital Twins در پزشکی چه کاربردی داره، این ویدئو می‌تونه شروع خیلی خوبی باشه. 👀

در این TED Talk، مفهوم Digital Twins و این ایده بررسی می‌شه که چطور می‌تونیم با ترکیب داده‌های واقعی، مدل‌سازی و محاسبات، یک مدل دیجیتال پویا از یک سیستم واقعی بسازیم؛ حتی در حوزه پزشکی و مراقبت شخصی‌سازی‌شده.

🎥 یک ویدئوی حدود ۱۵ دقیقه‌ای؛ نه خیلی طولانی، نه خیلی سنگین.

و یک مزیت دیگه هم داره:
🇬🇧 برای تقویت زبان انگلیسی تخصصی هم گزینه خوبیه.

اگر به AI، Digital Health، پزشکی شخصی‌سازی‌شده و فناوری‌های آینده پزشکی علاقه داری، پیشنهاد می‌کنم ببینیش.

📌 ویدئو رو می‌تونی از اینجا ببینی:

https://youtu.be/r2_VWdjxchY?si=2EhdJ2SgIr6_G381
👍2🔥1
📚 آموزش مقاله‌نویسی | قسمت چهارم

📊 چطور بخش Results را بنویسیم؟

بعد از اینکه Methods را نوشتیم، حالا وقتشه ببینیم داده‌هایمان چه چیزی به ما می‌گویند.

اما یک قانون خیلی مهم:

بخش Results جای تفسیر کردن نیست؛ جای گزارش کردن یافته‌هاست. 👀

یعنی در این بخش باید به خواننده بگوییم:

«چه چیزی پیدا کردیم؟»

نه اینکه:

«چرا این اتفاق افتاد؟»

تفسیر و توضیح چرایی نتایج را برای Discussion نگه می‌داریم.

1️⃣ نتایج را با یک ترتیب منطقی بنویسید

بخش Results نباید شبیه یک لیست تصادفی از اعداد باشد.

معمولاً می‌توان از این مسیر استفاده کرد:

Participants → Baseline characteristics → Primary outcome → Secondary outcomes → Additional analyses

یعنی ابتدا مشخص کنید چه تعداد شرکت‌کننده وارد مطالعه شدند و چه ویژگی‌هایی داشتند؛ سپس سراغ پیامد اصلی و بعد پیامدهای ثانویه و تحلیل‌های تکمیلی بروید.

2️⃣ مهم‌ترین یافته را گم نکنید

قرار نیست همه نتایج اهمیت یکسانی داشته باشند.

یافته اصلی پژوهش باید به‌وضوح دیده شود.

مثلاً:

❌ «میانگین سن 32.4 سال بود. 46٪ افراد... سپس... همچنین...»

بهتر است نتیجه اصلی مطالعه در جای مناسب و با وضوح بیشتری ارائه شود.

همچنین ICMJE هم توصیه می‌کند یافته‌های اصلی و مهم‌تر در ابتدا و با ترتیب منطقی ارائه شوند.

3️⃣ درصد به‌تنهایی کافی نیست!

این یکی خیلی مهمه. 🔴

به جای اینکه فقط بنویسید:

«30٪ از شرکت‌کنندگان...»

بهتر است عدد واقعی را هم مشخص کنید:

«60 نفر از 200 شرکت‌کننده (30٪)...»

چرا؟

چون 30٪ از 200 نفر با 30٪ از 10,000 نفر یک معنی ندارد.

همچنین ICMJE نیز توصیه می‌کند نتایج عددی، در کنار درصدها با اعداد مطلق گزارش شوند.

4️⃣ فقط P-value ننویسید!

یکی از اشتباهات رایج:

P = 0.03

و تمام! 😅

عدد P-value به‌تنهایی اندازه اثر و میزان عدم‌قطعیت را نشان نمی‌دهد.

تا جایی که مناسب است، نتایج را همراه با Effect size و شاخصی از عدم‌قطعیت، مانند Confidence Interval گزارش کنید.

مثلاً:

OR = 2.14, 95% CI: 1.35–3.39, P = 0.001

این اطلاعات تصویر بسیار کامل‌تری از نتیجه به خواننده می‌دهد. ICMJE نیز تأکید می‌کند که نباید صرفاً به آزمون‌های فرضیه و P-value تکیه کرد.

5️⃣ جدول و متن را کپی نکنید! 📊

فرض کنید در Table 1 تمام مشخصات شرکت‌کنندگان را آورده‌اید.

لازم نیست در متن دوباره تک‌تک اعداد جدول را تکرار کنید.

در متن فقط مهم‌ترین نکات را برجسته کنید و جزئیات را به جدول بسپارید.

همچنین یک داده را بدون دلیل همزمان در Table و Figure تکرار نکنید.

6️⃣ بخش Results جای «چرا» نیست!

مثلاً:

❌ «گروه مداخله فشارخون پایین‌تری داشت، احتمالاً به دلیل افزایش آگاهی مادران.»

قسمت اول = Result ✅

قسمت دوم = تفسیر ❌

تفسیر و توضیح احتمالی را ببرید به Discussion.

7️⃣ از کلمات آماری با دقت استفاده کنید

مثلاً «significant» را فقط وقتی استفاده کنید که واقعاً منظور شما statistical significance باشد.

همچنین بهتر است از اصطلاحات آماری به شکل دقیق و فنی استفاده کنید و مشخص باشد دقیقاً چه آزمونی انجام شده و چه چیزی گزارش می‌شود.

8️⃣ همه Outcomeهای از قبل تعیین‌شده را گزارش کنید

اگر در Methods یک Primary Outcome و چند Secondary Outcome تعریف کرده‌اید، Results باید نتایج مربوط به آنها را گزارش کند.

نمی‌شود بعد از دیدن داده‌ها فقط نتیجه‌ای را که جذاب‌تر شده انتخاب کنیم و بقیه را نادیده بگیریم.

همچنین اگر تحلیل خاصی exploratory بوده یا از ابتدا برنامه‌ریزی نشده، باید این موضوع شفاف باشد.

🧠 یک فرمول ساده برای نوشتن Results:

What did we find? → How much? → How certain?

یعنی:

چه چیزی پیدا کردیم؟
⬇️
اندازه آن چقدر بود؟
⬇️
چقدر نسبت به این نتیجه مطمئنیم؟


🚨 و یک نکته خیلی مهم برای مقاله‌نویسی:

بخش Results نباید داستان‌سازی کند.

اگر نتیجه فرضیه شما را تأیید نکرد:

❌ نتیجه را دستکاری نکنید.
❌ نتیجه منفی را پنهان نکنید.
❌ فقط نتایج جذاب را انتخاب نکنید.

نتیجه واقعی، حتی اگر برخلاف انتظار شما باشد، همان چیزی است که باید گزارش شود.

برای هر نوع مطالعه هم بهتر است از Reporting Guideline مناسب همان طراحی پژوهش استفاده کنید؛ مثلاً CONSORT برای کارآزمایی‌های تصادفی، STROBE برای مطالعات مشاهده‌ای، PRISMA برای مرورهای سیستماتیک و STARD برای مطالعات دقت تشخیصی.

https://t.me/TheMidTech
❤3
🚨 شاید AI پزشک‌ها را ضعیف‌تر کند!

یک مقاله‌ی جدید در Nature Medicine یک نگرانی متفاوت درباره ورود هوش مصنوعی به آموزش پزشکی مطرح کرده:

🧠 AI-induced never-skilling

یعنی چه؟

نگرانی این است که اگر دانشجویان پزشکی از همان سال‌های ابتدایی، برای انجام بخش‌های مهمی از تفکر بالینی به AI تکیه کنند، ممکن است بعضی مهارت‌های پایه را اصلاً فرصت نکنند که یاد بگیرند.

مثلاً:

اگر AI همیشه برای ما تشخیص‌های افتراقی را پیشنهاد دهد،
آیا خودمان یاد می‌گیریم چطور به آن‌ها برسیم؟

اگر AI همیشه مقاله را خلاصه کند،
آیا مهارت Critical Reading ما رشد می‌کند؟

اگر AI همیشه اولین پاسخ را به ما بدهد،
آیا هنوز یاد می‌گیریم سؤال درست بپرسیم؟

اما یک نکته‌ی خیلی مهم وجود دارد:

⚠️ این مقاله نمی‌گوید AI باعث کاهش مهارت پزشکان شده است.

اتفاقاً نویسندگان صراحتاً اشاره می‌کنند که شواهد مستقیم از آموزش پزشکی هنوز وجود ندارد و این موضوع یک نگرانی و فرضیه پژوهشی است که باید بیشتر بررسی شود.

پس مسئله واقعاً AI یا انسان نیست.

مسئله این است:

> کدام کارها را باید به AI بسپاریم و کدام مهارت‌ها را باید همچنان خودمان تمرین کنیم؟

نویسندگان برای آموزش پزشکی یک رویکرد سه‌مرحله‌ای پیشنهاد می‌کنند:
ابتدا ایجاد مهارت پایه بدون AI، سپس یادگیری ارزیابی انتقادی خروجی AI و در نهایت استفاده از AI تحت نظارت.

📌 منبع:
Ke Y, et al. AI-induced never-skilling in medical education. Nature Medicine. 2026;32:1997–2006.
DOI: 10.1038/s41591-026-04438-y
👍1
🎵 یکم با AI بازی کنیم! 🤖🎶

تا حالا به هوش مصنوعی گفتی برات آهنگ بسازه؟ 😏

یه سایت جالب پیدا کردم به اسم Suno که می‌تونه ایده‌ای که توی ذهنت داری رو تبدیل به یک آهنگ واقعی کنه! 🎧
کافیه موضوع و حال‌وهوای آهنگت رو مشخص کنی؛ مثلاً:

🩺 «یه آهنگ غمگین درباره شیفت شب بیمارستان» 🥲

حتی می‌تونی ایده‌های کاملاً عجیب و مسخره بهش بدی و ببینی AI باهاشون چه چیزی می‌سازه! 😂

✨ قسمت جالب ماجرا:
لازم نیست موسیقی‌دان باشی یا بلد باشی آهنگسازی کنی؛ ایده رو تو می‌دی و AI بخش زیادی از ساخت آهنگ رو انجام می‌ده.

🎁 نسخه رایگان Suno هم امکان ساخت آهنگ دارد، پس می‌تونی بدون پرداخت هزینه امتحانش کنی.

https://suno.com/discover?utm_source=chatgpt.com
❤3
📢 یک درخواست کوچیک از شما:
اگر فکر می‌کنید محتوای MidTech می‌تونه برای یکی از دوستاتون مفید باشه، براش بفرستیدش. 🤍

شاید یک Share ساده، شروع مسیر پژوهشی یک نفر باشه! 🌱


🔗 https://t.me/TheMidTech⁠�
❤4
📚 آموزش مقاله‌نویسی | قسمت پنجم

بخش Introduction را چطور بنویسیم؟

وقتی یک مقاله را باز می‌کنیم، Introduction قرار نیست همه چیز را درباره موضوع به ما یاد بدهد.

وظیفه‌ی اصلی آن خیلی ساده‌تر است:

به خواننده نشان بدهد این پژوهش چرا باید انجام می‌شد.

بخش Introduction باید زمینه و اهمیت مسئله، هدف یا سؤال پژوهش و در صورت وجود، فرضیه را مشخص کند؛ همچنین باید از آوردن داده‌ها یا نتیجه‌گیری‌های مطالعه‌ی خودتان در این بخش خودداری شود.

پس بیایید Introduction را مرحله‌به‌مرحله بسازیم. 👇

۱. اول: مسئله چیست؟

در شروع باید موضوع و اهمیت مسئله را برای خواننده روشن کنید.

خواننده باید بفهمد:

🔹 با چه مشکلی روبه‌رو هستیم؟
🔹 این مشکل چقدر مهم است؟
🔹 چرا پرداختن به آن ارزشمند است؟

اما اینجا یک اشتباه رایج وجود دارد:

❌ شروع مقاله با چند پاراگراف اطلاعات عمومی و تعریف‌های بسیار گسترده.

✅️ از اطلاعات مرتبط با سؤال پژوهش شروع کنید.

۲. قسمت بعد: تا امروز چه می‌دانیم؟

حالا باید به سراغ شواهد و مطالعات قبلی بروید.

در این قسمت نشان می‌دهید که پژوهش‌های قبلی درباره موضوع چه چیزی پیدا کرده‌اند.

مثلاً:

چه روش‌هایی تاکنون بررسی شده‌اند؟

مهم‌ترین یافته‌های قبلی چه بوده‌اند؟

چه چیزی نسبتاً مشخص شده است؟

چه محدودیت‌هایی در شواهد موجود وجود دارد؟

اینجا قرار نیست صرفاً تعداد زیادی مقاله پشت سر هم ردیف کنید.

هر رفرنس باید برای ادعایی که مطرح می‌کنید، دلیل مناسبی باشد.

۳. مهم‌ترین قسمت: چه چیزی هنوز نمی‌دانیم؟

اینجا به Research Gap می‌رسیم. 🔍

یعنی:

با وجود مطالعات قبلی، هنوز چه سؤالی بی‌پاسخ مانده است؟

مثلاً ممکن است:

🧬 یک جمعیت خاص بررسی نشده باشد.

🌍 یک روش در محیط یا کشور دیگری اعتبارسنجی نشده باشد.

🤖 یک مدل هوش مصنوعی فقط روی داده‌های یک مرکز آزمایش شده باشد.

📊 نتایج مطالعات قبلی با یکدیگر سازگار نباشند.

⚕️ یک روش در شرایط واقعی بالینی هنوز ارزیابی نشده باشد.

✅️ ممکن است ده‌ها مطالعه وجود داشته باشد، اما هنوز یک سؤال مهم پاسخ داده نشده باشد.

۴. چرا این Research Gap مهم است؟

حالا باید به خواننده نشان دهید که این شکاف علمی واقعاً اهمیت دارد.

مثلاً:

اگر یک مدل AI برای پیش‌بینی یک بیماری عملکرد خوبی داشته، اما روی جمعیت دیگری اعتبارسنجی نشده باشد، هنوز نمی‌دانیم آیا می‌توانیم به عملکرد آن در آن جمعیت اعتماد کنیم یا نه.

بنابراین صرفاً نوشتن:

❌ «مطالعات بیشتری در این زمینه لازم است.»

کافی نیست.

باید توضیح دهید:

چرا این دانش ناقص مهم است و حل این مشکل چه فایده‌ای دارد؟

🎯 ۵. در پایان: هدف مطالعه چیست؟

حالا که مسئله، شواهد موجود و Research Gap را توضیح دادید، خواننده باید آماده باشد که بداند:

«پس این مطالعه دقیقاً چه کاری انجام داده؟»

اینجا Study Aim / Research Objective را بیان می‌کنید.

مثلاً:

> Therefore, this study aimed to evaluate...

یا:

> The aim of this study was to investigate...

هدف باید مشخص باشد و ترجیحاً روشن کند:

چه چیزی را؟ روی چه جمعیتی؟ با چه روشی؟ برای بررسی چه چیزی؟

🧩 پس Introduction چه مسیری دارد؟

اگر بخواهیم تمام این بخش را در یک نقشه خلاصه کنیم:

مسئله چیست؟
⬇️
درباره آن چه می‌دانیم؟
⬇️
چه چیزی هنوز مشخص نیست؟
⬇️
چرا این شکاف مهم است؟
⬇️
این مطالعه برای پاسخ به آن چه کاری انجام داده است؟

یعنی:

Problem → Evidence → Gap → Importance → Aim

این مسیر را اگر درست بسازید، Introduction شما به جای مجموعه‌ای از اطلاعات پراکنده، یک داستان علمی منطقی خواهد داشت.

https://t.me/TheMidTech
❤1👍1🔥1
🎓 دکتری فول‌فاند؛ ساخت دوقلوی دیجیتال قلب 🫀🇪🇸

یک پروژه دکتری MSCA در اسپانیا برای توسعه‌ی Digital Twin شخصی‌سازی‌شده قلب و شبیه‌سازی درمان آریتمی پیش از Ablation.

🔬 حوزه‌ها:
ECGi، LGE-MRI، مدل‌سازی محاسباتی قلب و برنامه‌نویسی

📍 میزبان: Corify Care | اسپانیا
🎓 مدرک: Universitat Politècnica de València
💼 نوع موقعیت: قرارداد تمام‌وقت + فاند MSCA
🌍 دوره‌های پژوهشی: فرانسه، بریتانیا و اسپانیا

📅 ددلاین: ۳۰ سپتامبر ۲۰۲۶

⚠️ شرط مهم: در ۳ سال گذشته نباید بیش از ۱۲ ماه در اسپانیا اقامت یا فعالیت اصلی داشته باشید.

اطلاعات پروژه:
https://euraxess.ec.europa.eu/jobs/462939
ثبت درخواست:
https://www.cdtnet.eu/apply-now

#PhD #FullyFunded #Apply
❤2🔥1🥰1
🚨 ۵ اشتباه رایج در Introduction

❌ ۱. تبدیل Introduction به Literature Review

لازم نیست تمام مطالعاتی که درباره موضوع پیدا کرده‌اید را وارد کنید.

فقط اطلاعاتی را نگه دارید که به ساختن منطق پژوهش شما کمک می‌کنند.

❌ ۲. Citation Dumping

یک جمله بنویسیم و پشت آن ۸ رفرنس قرار دهیم، بدون اینکه مشخص باشد این رفرنس‌ها دقیقاً چه چیزی را ثابت می‌کنند.

ارتباط و کیفیت منابع مهم‌تر از تعداد آنهاست.

❌ ۳. گفتن نتایج مطالعه

مثلاً:

> «مدل ما توانست با دقت ۹۲٪ بیماران پرخطر را شناسایی کند.»

❌ این جمله متعلق به Introduction نیست.

نتیجه‌ی مطالعه باید در Results گزارش شود. ICMJE نیز صراحتاً می‌گوید داده‌ها و نتایج کارِ در حال گزارش نباید در Introduction آورده شوند.

❌ ۴. ادعای «اولین مطالعه» بدون جست‌وجوی کافی

جمله‌ای مثل:

> «هیچ مطالعه‌ای تاکنون این موضوع را بررسی نکرده است.»

می‌تواند ادعای خطرناکی باشد.

ممکن است فقط شما مطالعه‌ی دیگری را پیدا نکرده باشید.

پس باید در بیان Research Gap دقت کنید و ادعا را به اندازه شواهد موجود محدود نگه دارید.

❌ ۵. بخش Introduction بیش از حد طولانی

هر پاراگراف باید یک وظیفه داشته باشد.

اگر پاراگرافی نه مسئله را روشن می‌کند، نه شواهد موجود را توضیح می‌دهد، نه Research Gap را می‌سازد و نه به هدف مطالعه نزدیک می‌شود، احتمالاً باید کوتاه یا حذف شود.

🧠 یک تکنیک کاربردی برای نوشتن Introduction

قبل از اینکه شروع به نوشتن کنید، اول این پنج جمله را برای خودتان کامل کنید:

۱. مشکل اصلی چیست؟

۲. درباره این مشکل چه می‌دانیم؟

۳. چه چیزی هنوز مشخص نیست؟

۴. چرا این موضوع مهم است؟

۵. مطالعه‌ی من دقیقاً برای پاسخ به چه سؤالی انجام شده است؟

اگر بتوانید به این پنج سؤال جواب دهید، اسکلت Introduction شما تقریباً آماده است.

بعد می‌توانید برای هر بخش، شواهد علمی مناسب پیدا کنید و متن را بسازید.

✨ یک Introduction خوب چه کاری انجام می‌دهد؟

یک Introduction خوب قرار نیست خواننده را با اطلاعات زیاد تحت تأثیر قرار دهد.

قرار است در پایان کاری کند که خواننده با خودش بگوید:

«متوجه شدم مسئله چیست، می‌دانم درباره آن چه می‌دانیم، شکاف علمی را می‌بینم و حالا می‌فهمم چرا این پژوهش انجام شده است.»

و این دقیقاً همان نقطه‌ای است که Introduction باید به آن برسد. 🎯


📌 یک نکته آخر

برای نوشتن مقاله، فقط به ساختار کلی Introduction اکتفا نکنید؛ نوع مطالعه هم مهم است.

برای مثال CONSORT برای کارآزمایی‌های تصادفی، STROBE برای مطالعات مشاهده‌ای، PRISMA برای مرورهای نظام‌مند و STARD/TRIPOD برای مطالعات تشخیصی و پیش‌بینی.


https://t.me/TheMidTech
❤2👍1
می‌خوای روی پروژه‌هایی کار کنی که AI رو وارد زیست‌شناسی و پزشکی می‌کنن؟
این موقعیت رو ببین 👀

📍 AITHYRA – Vienna
🎓 International PhD in AI for Biomedicine

💰 حداقل €2,832 در ماه × ۱۴ پرداخت
⏳ ۴ سال | Fully Funded

🔬 حوزه‌ها:
AI و Machine Learning، Computational Biology، Drug Discovery، Cancer، Immunology و بیماری‌های عصبی

🎯 مناسب برای رشته‌هایی مثل AI، Computer Science، Bioinformatics، Medicine، Biology، Engineering و Statistics

✨ نکته جذاب: لازم نیست از قبل در هر دو حوزه‌ی AI و Life Science متخصص باشی.

📅 ددلاین: ۱ نوامبر ۲۰۲۶
🚀 شروع: سپتامبر ۲۰۲۷

اطلاعات اپلای:
https://phd.aithyra.at/application-guidelines/?utm_source=chatgpt.com

#MidTech #PhD #Apply
❤4🔥1
🤖📄 ممکنه مقاله‌ای که امروز می‌خونی، با AI نوشته شده باشه؛ حتی اگر خودش نگفته باشه!

یک پژوهش جدید در سال ۲۰۲۶، بیش از ۱ میلیون مقاله زیست‌پزشکی در PubMed Central را بررسی کرده و به یک عدد عجیب رسیده:

🔴 تا پایان ۲۰۲۵، حدود ۸۹٪ مقالات نشانه‌هایی از استفاده از LLMها در نوشتن یا ویرایش متن داشته‌اند.

اما جالب‌تر اینکه استفاده از AI در همه بخش‌های مقاله یکسان نیست:

🧠 Discussion: حدود ۶۸٪
📚 Introduction: حدود ۵۹٪
📊 Methods: حدود ۳۲٪

یعنی ظاهراً هرچه بیشتر به بخش‌هایی می‌رسیم که توضیح، تفسیر و استدلال اهمیت دارند، نقش AI هم بیشتر می‌شود.

حالا سؤال مهم:
اگر AI دارد به نوشتن مقاله کمک می‌کند، مرز بین «کمک گرفتن از AI» و «سپردن بخشی از تفکر علمی به AI» کجاست؟ 🤔

و شاید سؤال مهم‌تر برای دانشجوها:
آیا در عصر AI، هنوز باید مقاله‌نویسی را یاد بگیریم؟

به نظر من، اتفاقاً بیشتر از قبل!

چون اگر ندانیم یک Introduction، Results یا Discussion خوب چه ویژگی‌هایی دارد، چطور قرار است بفهمیم چیزی که AI برایمان نوشته واقعاً علمی و درست است؟

منبع:
https://arxiv.org/abs/2608.10715?utm_source=chatgpt.com
❤1👍1
📚 آموزش مقاله‌نویسی | قسمت ششم

بخش Discussion را چطور بنویسیم؟ 🔬

اگر Results می‌گوید:

> «چه چیزی پیدا کردیم؟»

بخش Discussion باید به این سؤال‌ها پاسخ بدهد:

• این یافته‌ها چه معنایی دارند؟
• چرا ممکن است چنین نتیجه‌ای به دست آمده باشد؟
• آیا با پژوهش‌های قبلی همخوانی دارند؟
• این مطالعه چه چیزی به دانش موجود اضافه می‌کند؟
• و این نتایج تا کجا قابل اعتماد و قابل تعمیم هستند؟

به زبان ساده:

Results = What did we find?
Discussion = What do these findings mean?

و همین تفاوت، مهم‌ترین نکته Discussion است.
---

🧩 بخش Discussion از چه قسمت‌هایی تشکیل می‌شود؟

یک ساختار بسیار کاربردی که در ادبیات علمی و راهنمای BMJ پیشنهاد شده، شامل این بخش‌هاست:

1. Main findings
2. Interpretation & possible explanations
3. Comparison with previous studies
4. Strengths & limitations
5. Implications
6. Unanswered questions & future research
7. Conclusion / take-home message

البته ترتیب و وجود تیترهای فرعی بسته به نوع مقاله و دستورالعمل مجله می‌تواند متفاوت باشد. BMJ به‌طور مشخص ساختاری شامل یافته اصلی، نقاط قوت و ضعف، مقایسه با مطالعات قبلی، معنای یافته‌ها و پرسش‌های بی‌پاسخ/تحقیقات آینده پیشنهاد کرده است.
---

1️⃣ اول Discussion: مهم‌ترین یافته را بگو

در همان ابتدا به خواننده بگو:

مهم‌ترین چیزی که این مطالعه نشان داد چه بود؟

مثلاً:

«مطالعه حاضر نشان داد که استفاده بیشتر از تلفن همراه با کاهش قصد باروری همراه بود.»

همین.

نه اینکه دوباره تمام درصدها، P-valueها، جدول‌ها و جزئیات Results را تکرار کنیم.

همچنین ICMJE توصیه می‌کند Discussion با خلاصه‌ای کوتاه از یافته‌های اصلی شروع شود و از تکرار جزئیات بخش Results پرهیز شود.

یک قانون طلایی:

بخش Discussion = خلاصه‌ی یافته‌ها + تفسیر آن‌ها
---

2️⃣ بعد بپرس: «چرا چنین نتیجه‌ای به دست آمد؟»

اینجا Discussion واقعاً شروع می‌شود.

شما باید تفسیر علمی ارائه کنید.

اگر نتیجه‌ای مشاهده کرده‌اید، چه مکانیسم‌ها یا توضیحاتی می‌توانند آن را توضیح دهند؟

برای این کار می‌توانید از:

مطالعات قبلی
نظریه‌های علمی
مکانیسم‌های زیستی
عوامل رفتاری
عوامل اجتماعی
ویژگی‌های جمعیت مورد مطالعه
تفاوت‌های روش‌شناختی

استفاده کنید.

اما یک نکته بسیار مهم:

⚠️ «ممکن است» با «ثابت شده است» فرق دارد.

اگر مطالعه شما نشان داده:

مثلا X با Y مرتبط است.
نباید ناگهان بنویسید:

> پس X باعث Y می‌شود.

مگر اینکه طراحی مطالعه و شواهد واقعاً اجازه چنین نتیجه‌گیری‌ای بدهند.

به‌خصوص در مطالعات cross-sectional، مشاهده یک association به‌تنهایی معمولاً برای نتیجه‌گیری علی کافی نیست.

پس عباراتی مثل:

may suggest
may be explained by
could be related to
is consistent with
one possible explanation is

می‌توانند برای بیان تفسیرهای محتاطانه مفید باشند.

همچنین ICMJE صراحتاً هشدار می‌دهد که نتیجه‌گیری‌ها باید با داده‌ها پشتیبانی شوند و از ادعاهای بدون پشتوانه پرهیز شود.
---

3️⃣ یافته خودت را با مطالعات قبلی مقایسه کن

یکی از مهم‌ترین وظایف Discussion این است که نتیجه خودت را از حالت «یک عدد مستقل» خارج کنی و در بدنه دانش موجود قرار بدهی.

مثلاً:

«یافته حاضر با مطالعه X همسو بود، اما با مطالعه Y تفاوت داشت.»

اما همین‌جا یک اشتباه رایج اتفاق می‌افتد:

❌ فقط فهرست کردن مقالات قبلی کافی نیست.

مثلاً این Discussion ضعیف است:

Study A found X.
Study B found Y.
Study C found Z.
Our study found X.

این بیشتر شبیه literature review است تا Discussion.

باید بپرسی:

چرا نتایج مشابه یا متفاوت هستند؟

مثلاً تفاوت می‌تواند ناشی از:

جمعیت متفاوت
سن یا جنسیت متفاوت
محیط جغرافیایی متفاوت
حجم نمونه
تعریف متفاوت متغیرها
ابزار اندازه‌گیری متفاوت
زمان انجام مطالعه
روش آماری
طراحی مطالعه
تفاوت در مداخله یا exposure
تفاوت در معیار outcome

باشد.

همچنین BMJ تأکید می‌کند که هنگام مقایسه با مطالعات قبلی، صرفاً نباید نشان دهیم مطالعه ما «بهتر» است؛ بلکه باید تفاوت‌ها و نقاط قوت و ضعف مطالعات را بررسی کنیم و اگر نتایج متفاوت‌اند، تا حد امکان توضیح دهیم چرا.
👍3
4️⃣ اگر نتیجه با مطالعات قبلی متفاوت بود، نترس! 😄

نتایج متفاوت الزاماً به معنی بد بودن مطالعه شما نیست.

اتفاقاً ممکن است همین تفاوت، بخش مهم Discussion باشد.

مثلاً:
«برخلاف مطالعه X، مطالعه حاضر ارتباط معناداری بین A و B نشان نداد.»

حالا باید بررسی کنید:
چرا؟
نه اینکه بگویید:
«مطالعه ما نشان داد مطالعه قبلی اشتباه بوده.»
❌ این کار علمی نیست.

ممکن است هر دو مطالعه در شرایط متفاوت درست باشند.

حتی ممکن است تفاوت مشاهده‌شده به دلیل تفاوت در:

population
methodology
sample size
measurement
context
باشد.

اگر علت اختلاف را نمی‌دانید، حدس خود را به‌عنوان واقعیت ننویسید.

همچنین BMJ دقیقاً بر همین احتیاط تأکید کرده است: اگر نمی‌دانیم چرا نتایج متفاوت شده‌اند، نباید برای تفاوت یک توضیح قطعی بسازیم.

---

5️⃣ نقاط قوت مطالعه را بگو؛ اما تبلیغ نکن! 😅

در Discussion باید نشان دهید مطالعه شما چه نقاط قوتی دارد.

مثلاً:

مناسب بودن sample size
طراحی مطالعه مناسب
استفاده از ابزار معتبر
اندازه‌گیری استاندارد
مناسب بودن follow-up
کنترل confounders
استفاده از داده واقعی
روش آماری مناسب
بودن multicenter
preregistration
validation

اما:

❌بخش Discussion محل تبلیغ مطالعه نیست.

مثلاً:
«مطالعه ما بسیار عالی و منحصر‌به‌فرد است.»
این جمله علمی نیست!!!

به‌جایش:

«یکی از نقاط قوت این مطالعه استفاده از ابزار validated برای اندازه‌گیری outcome بود.»

با Evidence، نه تعریف از خود.
---

6️⃣ حالا مهم‌ترین قسمت: Limitations

بسیاری از نویسندگان از نوشتن Limitations می‌ترسند.

فکر می‌کنند:

«اگر محدودیت مطالعه را بگویم، داور فکر می‌کند پژوهشم ضعیف است.»

درحالی‌که معمولاً برعکس است.

یک Discussion خوب باید نشان دهد که نویسنده محدودیت‌های مطالعه خودش را می‌شناسد.

حتی BMJ پیشنهاد می‌کند نقاط قوت و ضعف مطالعه با تأکید متوازن مطرح شوند؛ زیرا نادیده گرفتن محدودیت‌های مهم می‌تواند اعتماد خواننده را کاهش دهد.

اما فقط فهرست کردن محدودیت‌ها کافی نیست.

این ضعیف است:

«این مطالعه محدودیت‌هایی داشت، از جمله sample size کم، cross-sectional design و self-reported data.»

باید توضیح بدهی:

این محدودیت چه اثری روی نتیجه دارد؟

مثلاً:

«از آنجا که داده‌ها به‌صورت self-reported جمع‌آوری شدند، احتمال recall bias وجود دارد؛ بنابراین ممکن است میزان واقعی exposure کمتر یا بیشتر برآورد شده باشد.»

یعنی:

Limitation → Possible effect → Interpretation

---

7️⃣ فقط محدودیت‌های روش‌شناسی را ننویس

محدودیت‌ها می‌توانند شامل موارد مختلفی باشند:

🔹 طراحی مطالعه

مثلاً cross-sectional بودن و محدودیت در استنباط علی.

🔹مقدار Sample

مثلاً sample کوچک یا single-center بودن.

🔹 میزان Selection bias

ممکن است شرکت‌کنندگان نماینده کل population نباشند.

🔹 Measurement bias

مثلاً استفاده از self-report.

🔹 Confounding

ممکن است متغیر دیگری رابطه مشاهده‌شده را توضیح دهد.

🔹 Missing data

داده‌های ناقص ممکن است بر برآوردها اثر گذاشته باشند.

🔹 Generalizability

نتایج ممکن است به جمعیت‌ها یا محیط‌های دیگر قابل تعمیم نباشند.

🔹 Statistical uncertainty

مثلاً confidence interval وسیع.

🔹 Multiple comparisons

اگر آزمون‌های زیادی انجام شده باشند، احتمال یافته‌های تصادفی افزایش می‌یابد.

🔹 Model limitations

در مطالعات AI/ML، مواردی مثل:

external validation نداشتن

dataset کوچک

class imbalance

data leakage

overfitting

poor calibration

lack of prospective validation

محدودیت در explainability

می‌توانند در Discussion مطرح شوند.
---

8️⃣ بعد از Limitations بگو: «پس این یافته چه اهمیتی دارد؟»

اینجا وارد Implications می‌شویم.

یعنی:

این پژوهش چه چیزی را تغییر می‌دهد یا چه چیزی را بهتر روشن می‌کند؟

بخش Implication می‌تواند برای:

🩺 Clinical practice

مثلاً آیا یافته می‌تواند به تصمیم‌گیری بالینی کمک کند؟

🔬 Research

آیا مسیر جدیدی برای پژوهش ایجاد می‌کند؟

🏥 Healthcare systems

آیا ممکن است در طراحی خدمات سلامت اهمیت داشته باشد؟

📋 Policy

آیا شواهدی برای سیاست‌گذاری فراهم می‌کند؟

اما یک هشدار مهم:

Association ≠ Clinical usefulness
و

Statistical significance ≠ Clinical significance

همچنین ICMJE صراحتاً توصیه می‌کند اهمیت آماری و اهمیت بالینی از یکدیگر تفکیک شوند.

ممکن است یک نتیجه از نظر آماری significant باشد، اما اثر آن آن‌قدر کوچک باشد که اهمیت بالینی محدودی داشته باشد.
👍2