🔻کلینیک متدولوژی | اپیزود پنجم

📄 Dexamethasone in Hospitalized Patients with Covid-19 (The RECOVERY Trial)

در اوج بحران همه‌گیری کرونا، بزرگ‌ترین کابوس کادر درمان یک چیز بود: بیماری ناشناخته که هیچ داروی اثبات‌شده‌ای وجود نداشت. کارآزمایی‌های بالینی سنتی معمولاً سال‌ها زمان، پروتکل‌های سخت‌گیرانه و صدها برگ پرسشنامه نیاز دارند؛ اما تیم پژوهشی دانشگاه آکسفورد طرحی پیاده کرد که در کمتر از ۱۰۰ روز، اولین داروی نجات‌بخش جهان (دگزامتازون) را معرفی و در مجله معتبر NEJM منتشر کرد؛ دارویی که طبق تخمین‌ها جان بیش از یک میلیون نفر را در دنیا نجات داد!

🔻 چطور؟
در ۱۷۶ بیمارستان، ۱۱٬۳۰۳ بیمار مبتلا به کووید-۱۹ بستری وارد مطالعه شدند. ۲٬۱۰۴ بیمار به صورت تصادفی داروی دگزامتازون (۶ میلی‌گرم روزانه تا ۱۰ روز) دریافت کردند و با ۴٬۳۲۱ بیمار در گروه مراقبت معمول مقایسه شدند. پیامد اولیه، مرگ‌ومیر ۲۸ روزه بیماران بود.اما چرا متدولوژی این مقاله، انقلابی در تاریخ کارآزمایی‌های بالینی نام گرفت؟

🔻 ۴ شاهکار متدولوژیک این مقاله:
۱. کارآزمایی پراگماتیک یا عمل‌گرایانه:
• سطح مبتدی: کارآزمایی‌های سنتی در آزمایشگاه یا شرایط ایزوله انجام می‌شوند، اما کارآزمایی پراگماتیک مستقیماً درون روال عادی بیمارستان پیاده می‌شود.
• سطح پیشرفته: محققان فرم ورود به مطالعه را به یک فرم دیجیتال ساده و یک‌صفحه‌ای تبدیل کردند. پزشک اورژانس فقط در چند دقیقه بیمار را ثبت‌نام می‌کرد و پیگیری بیماران نه با تماس‌های مداوم، بلکه از طریق اتصال مستقیم به پرونده الکترونیک سلامت ملی استخراج شد. این یعنی کمترین بار کاری برای کادر درمان و بیشترین حجم نمونه ممکن در کمترین زمان.
۲. طراحی پلتفرم تطبیقی با کنترل مشترک:
• سطح مبتدی: برای تست ۵ داروی مختلف، لازم نیست ۵ بار گروه دارونما یا کنترل بسازید!
• سطح پیشرفته: پروژه RECOVERY یک «پروتکل مادر» داشت؛ هم‌زمان چندین دارو (دگزامتازون، هیدروکسی‌کلروکین، لوپیناویر و...) در بازوهای مختلف تست می‌شدند و همگی با یک «گروه کنترل مشترک» مقایسه می‌شدند. اگر دارویی بی‌اثر بود، بلافاصله حذف می‌شد و داروی جدیدی جایگزین می‌شد، بدون اینکه کل ساختار مطالعه از نو نوشته شود.
۳. اصل وفاداری به قصد درمان:
• سطح مبتدی: اگر بیماری پس از ورود به مطالعه دارو را نخورد یا درمانش نصفه‌کاره رها شد، نباید او را از تحلیل حذف کنیم!
• سطح پیشرفته: تمام بیمارانی که تصادفی‌سازی شدند، تا پایان در گروه اولیه خود تحلیل شدند (حتی کسانی که زودتر مرخص شدند یا داروی دیگری دریافت کردند). حذف بیماران ناسازگار باعث ایجاد تورش خروج می‌شود و تحلیل ITT اعتبار برآورد اثر بالینی واقعی دارو را تضمین کرد.
۴. درک شگفت‌انگیز از اثر متقابل زیرگروه‌ها:
• این نقطه اوج متدولوژی مقاله بود: دگزامتازون برای همه یکسان عمل نکرد!
▫️ در بیماران زیر ونتیلاتور مکانیکی: مرگ‌ومیر را تا ۳۶ درصد کاهش داد (معجزه بالینی).
▫️ در بیماران نیازمند اکسیژن ساده: مرگ‌ومیر را ۱۸ درصد کاهش داد.
▫️ در بیمارانی که اکسیژن نیاز نداشتند: هیچ سودی نداشت و حتی روند مرگ به سمت افزایش بود!
• درس مهم متدولوژی: محققان این زیرگروه‌ها را «از قبل مشخص» کرده بودند. اگر بدون فرضیه قبلی داده‌ها را شخم می‌زدند، دچار خطای کشف تصادفی می‌شدند؛ اما این تفکیک دقیق نشان داد یک داروی سرکوب‌گر ایمنی، فقط زمانی نجات‌بخش است که فاز التهابی ریه فعال شده باشد.

🛑 اما یک نقد متدولوژی (چیزی که باید بدانیم):
▫️ مطالعه برچسب‌باز بود: به دلیل فوریت شرایط بحرانی، هم پزشک و هم بیمار می‌دانستند چه دارویی تجویز شده و از دارونما استفاده نشد. این موضوع خطر «تورش عملکردی» را بالا می‌برد؛ هرچند محققان با انتخاب پیامد «مرگ‌ومیر کل ۲۸ روزه» که یک شاخص کاملاً عینی و سخت است، اثر این تورش ذهنی را به حداقل رساندند.

🔻 مهم‌ترین چیزی که از این مقاله یاد می‌گیریم:
متدولوژی خوب، الزماً متدولوژی پیچیده، پرهزینه و آزمایشگاهی نیست؛ شاهکار پژوهشی یعنی توانایی طراحی یک مطالعه عمل‌گرایانه که بتواند در دل شلوغ‌ترین بخش‌های بیمارستان بدون ایجاد اختلال در مراقبت بالینی، پاسخی شفاف و قابل اعتماد به یک سوال حیاتی بدهد.

🔗 https://doi.org/10.1056/NEJMoa2021436

#کلینیک_متدولوژی

📌 روابط عمومی کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم‌پزشکی اردبیل
🆔 @arums_src

🔰 گزارش تکمیلی از افتخارآفرینی کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل در ۲۷امین کنگره ملی و ۱۳امین کنگره بین‌المللی سالیانه دانشجویان علوم پزشکی کشور

کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل با کسب بالاترین امتیاز و رتبه ۵ ستاره در میان دانشگاه‌های علوم پزشکی تیپ ۲ کشور، موفق به ثبت دستاوردی ارزشمند شد.
این موفقیت را به اعضای هیئت علمی، اساتید، پژوهشگران، دانشجویان و همکاران دانشگاه تبریک می‌گوییم.

همچنین دانشجویان، آقای امیرحسین بهزاد، آقای امین خوش‌طینت و آقای محمدرضا رحیمی با ارائه پوسترهای پژوهشی خود در پنل‌های سلامت و توسعه پایدار و سلامت دهان و دندان حضور یافتند.
این حضور، گامی در راستای معرفی و توسعه فعالیت‌های پژوهشی دانشجویان دانشگاه در سطح ملی و بین‌المللی است.

📆 ۱۸ الی ۲۰ شهریور ماه ۱۴۰۵
📌 کرمان

#گزارش_تکمیلی
#کنگره
#کنگره_کرمان
#اختتامیه

📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔️ @arums_src

🔻سلام خدمت همه عزیزان
با عرض پوزش به علت مشکلات فنی  آخرین جلسه از سلسله وبینار های متانویا امروز برگزار نخواهد شد.

📢کارگاه (۲) اولین جشنواره بین‌المللی و دومین جشنواره ملی «از ایده تا ثروت»

کارگاه ایده‌پردازی و خلاقیت | جلسه اول

👤مدرس:
جناب آقای دکتر امیر امانی
متخصص فارماسیوتیکس،
استاد تمام فارماکولوژی و عضو گروه نانوفناوری دانشکده پزشکی خراسان شمالی
🏆 ۱ درصد دانشمندان برتر جهان
📅 سه‌شنبه،۲۴شهریور
⏰ ساعت ۹ الی ۱۱

این کارگاه فرصتی برای آشنایی با مبانی ایده‌پردازی و خلاقیت و تبدیل ایده‌های نوآورانه به راهکارهای کاربردی است.

🎓شرکت در این کارگاه رایگان بوده و به شرکت‌کنندگان گواهی معتبر اعطا خواهد شد.

💡جشنواره «از ایده تا ثروت» بستری برای شناسایی، حمایت و پرورش ایده‌های خلاقانه و نوآورانه و فرصتی برای تبدیل ایده‌ها به طرح‌ها و دستاوردهای کاربردی است.
🏆جوایز و حمایت‌های جشنواره:
💰۵میلیارد ریال جوایز نقدی ویژه برگزیدگان داخلی
💵۳۵۰۰دلار جایزه ویژه برگزیده بخش بین‌المللی
📈۵۰میلیارد ریال تسهیلات برای حمایت از آثار برگزیده

🔗لینک ورود به کارگاه در اسکای‌روم:
https://www.skyroom.online/ch/nkumsfava/pjh

📝لینک ثبت‌نام:
https://survey.porsline.ir/s/Bxxb6Lgr

منتظر حضور ارزشمند شما هستیم✨
#جشنواره_ایده_تا_ثروت #کارگاه_آموزشی

تا حالا براتون سؤال شده چرا عدد «۳۸۴ نفر» این‌قدر توی پروپوزال‌ها، پایان‌نامه‌ها و مقالات تکرار میشه؟ 🤔
آیا واقعاً برای هر پژوهشی باید ۳۸۴ نفر نمونه داشته باشیم؟ یا این عدد فقط در شرایط خاصی به دست میاد؟
🔻در پست بعدی، پشت پرده یکی از معروف‌ترین فرمول‌های تعیین حجم نمونه یعنی «فرمول کوکران» رو بررسی می‌کنیم...

#فلسفه_نامه

📌 روابط عمومی کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم‌پزشکی اردبیل

🆔 @arums_src

🎯 راز عدد «۳۸۴ نفر» توی پروپوزال‌ها چیه؟!

تا حالا دقت کردید توی بیشتر پروپوزال‌ها و پایان‌نامه‌ها، وقتی به بخش حجم نمونه می‌رسید، یک فرمول تکراری به اسم کوکران نوشته شده و جواب آخرش هم شده ۳۸۴ نفر؟!
چرا این عدد این‌قدر معروفه و اصلاً پشت صحنه این فرمول چه اتفاقی می‌افته؟ ☕️👇

📌 ۳ دلیل اصلی که چرا فرمول کوکران این‌قدر محبوبه:
🔹 ۱. پیش‌بینی «بدترین حالت ممکن» (حالت امن آماری):
وقتی می‌خواید شیوع یک بیماری یا نظر افراد رو بسنجید و هیچ مطالعه قبلی وجود نداره، کوکران میگه فرض کن شانس وقوع ۵۰-۵۰ است (یعنی p = 0.5 و q = 0.5).
توی علم آمار، ضرب 0.5 در 0.5 بیشترین پراکندگی ممکن رو میده؛ یعنی فرمول، مطالعه شما رو در سخت‌گیرانه‌ترین حالت ممکن می‌ذاره تا مطمئن بشه حجم نمونه کم نمیارید و کار معتبره!
🔹 ۲. نقطه طلایی بین «دقت» و «بودجه پژوهشگر»:
کوکران حساب کرده که اگر بخواهید ۹۵ درصد به نتایج مطمئن باشید و خطاتون فقط ۵ درصد باشه، ۳۸۴ تا نمونه کافیه. اگر خطاتون رو بکنید ۱ درصد، باید ۹۶۰۰ تا پرسشنامه پر کنید! پس عدد ۳۸۴، اقتصادی‌ترین حالت برای یک کار دقیقه.
🔹 ۳. فرمول مخصوص جامعه‌های کوچیک:
اگر کل جامعه شما مثلاً فقط ۱۵۰ تا پرستار یک بیمارستان باشن، کوکران یک فرمول تعدیل داره که عدد ۳۸۴ رو متناسب با اون ۱۵۰ نفر کوچیک می‌کنه تا مجبور نباشید حجم نمونه غیرمنطقی جمع‌آوری کنید.

⛔️ کِی نباید از کوکران استفاده کنیم؟
خیلی از دانشجوها فکر می‌کنن کوکران برای همه کارها جوابه! اما:
▫️ کوکران فقط مخصوص مطالعات توصیفی و پرسشنامه‌ایه (سنجش شیوع، درصد یا نسبت).
▫️ اگر کار شما کارآزمایی بالینی (RCT)، مداخله‌ای، یا مقایسه میانگین دو گروه (مثل آزمون تی یا آنوا) است، نوشتن فرمول کوکران یک اشتباه متدولوژیه! توی این مطالعات باید حجم نمونه رو بر اساس توان آزمون و با نرم‌افزار G-Power حساب کنید.

💡 چطور حجم نمونه رو کم کنیم؟:
اگر مقاله‌های قبلی نشون دادن که شیوع بیماری مثلاً ۱۰ درصد است، مجبور نیستید p رو حتماً روی ۵۰ درصد (0.5) بذارید!
اگر عدد واقعی یعنی 0.1 رو توی فرمول بذارید، حجم نمونه شما از ۳۸۴ نفر به حدود ۱۳۸ نفر میرسه؛ یعنی نصف زحمت و هزینه کمتر با رعایت کامل استاندارد علمی!

#فلسفه_نامه

📌 روابط عمومیکمیته تحقیقات و فناوری دانشجویی دانشگاه علوم‌پزشکی اردبیل

🆔 @arums_src

🔴 امروز برگزار می‌شود
🎓 جلسه هشتم مدرسه | آشنایی با مطالعات کارآزمایی بالینی
مدرس: خانم دکتر صمدی

🗓 دوشنبه ۲۳ شهریور ۱۴۰۵ | 🕔 ۱۷ تا ۱۹

💻 اسکای‌روم | 📜 همراه با گواهی | 💰 رایگان
🔗 لینک ورود:
https://www.skyroom.online/ch/yumscme/research
📩 آیدی ثبت‌نام:

🆔 @Medsa_suppurt

📍 جلسه در حال برگزاریست!

لینک جلسه:
https://www.skyroom.online/ch/azarfar/srtc

#یاد_آوری

🔹جلسه اول از سلسله کارگاه‌های پروپوزال‌نویسی فردا ۲۴ شهریور ماه ۱۴۰۵، با حضور سرکار خانم دکتر مهسا مهاجری، ساعت ۱۵:۰۰ تا ۱۷:۰۰ برگزار خواهد گردید.

🌐 لینک اسکای روم:
https://www.skyroom.online/ch/arums/srarums

‼️ شرکت‌کنندگان محترم، از ۱۵ دقیقه پیش از شروع کارگاه، می‌توانید با گزینه مهمان وارد شوید.

🔴 برای دریافت گواهی در کانال زیر جوین شوید:
https://t.me/kargahwo

با سپاس از همراهی شما 🙏🏻🌹

📍کمیته تحقیقات و فناوری دانشجویی دانشکده های پیراپزشکی دانشگاه علوم پزشکی اردبیل و انجمن علمی رادیولوژی دانشگاه علوم پزشکی اردبیل با همکاری مرکز تحقیقات بیماری های گوارش و کبد دانشگاه علوم پزشکی اردبیل
🆔️ @arums_src
🆔 @research_co
🆔 @RSA_ARUMS

🚨 امروز برگزار می‌شود 🚨

🌱 سلسله کارگاه‌های «پژوهش در حوزه جوانی جمعیت و سلامت باروری»

📚 جلسه سوم: شیوع و دلایل علمی افزایش ناباروری ثانویه در جهان

مدرس: سرکار خانم دکتر فریده مصطفی‌زاده

📅 ۲۴ شهریور

⏰ ساعت ۱۸ الی ۲۰

🎓 همراه با گواهی معتبر شرکت در کارگاه

📝 ثبت‌نام:

https://survey.porsline.ir/s/HScxzwzK

💬 عضویت در گروه اطلاع‌رسانی:

https://t.me/+coUTfDUq-HowNzZk

🌱 منتظرتان هستیم.

🔻کلینیک متدولوژی | اپیزود ششم

📄 Dermatologist-level classification of skin cancer with deep neural networks (Nature, 2017)

شاید بارها در اخبار علمی این تیتر را شنیده باشید: «هوش مصنوعی توانست کنسر پوست را با دقتی بالاتر از پزشکان متخصص تشخیص دهد!» اما تا حالا فکر کردید پژوهشگران دانشگاه استنفورد پشت درهای بسته چه کردند و این متدولوژی را چطور چیدند که مقاله‌شان روی جلد شماره اصلی مجله معتبر Nature رفت؟
امروز در ششمین اپیزود از کلینیک متدولوژی، این مقاله جریان‌ساز را بررسی می‌کنیم تا ببینیم چطور از ۱۲۹ هزار تصویر نامنظم، ابزاری ساختند که در ارزیابی رو‌در‌رو با ۲۱ متخصص پوست و انکولوژی پیروز شد. ☕️👇

🔻 ابعاد پروژه در یک نگاه:
▫️ ۱۲۹٬۴۵۰ تصویر بالینی و درماتوسکوپی از ضایعات پوستی
▫️ ۲٬۰۳۲ نوع بیماری مختلف پوست
▫️ آزمون مقایسه رو‌در‌رو با ۲۱ متخصص پوست دارای بورد تخصصی
▫️ معماری شبکه عصبی عمیق Google Inception v3

🔻 ۴ شاهکار متدولوژیک که محققان استنفورد پیاده کردند:
۱. معماری درختی بیماری‌ها به‌جای دسته‌بندی صفر و یکی:
• سطح مبتدی: یک مبتدی فکر می‌کند باید به کامپیوتر بگوید: «این عکس کنسره یا نه؟»؛ در حالی که در پزشکی بیش از ۲ هزار بیماری پوستی با تظاهرات مشابه وجود دارد!
• سطح پیشرفته: پژوهشگران یک درخت دسته‌بندی سلسله‌مراتبی ساختند. مدل اول یاد می‌گرفت ضایعه کلاً «نئوپلاستیک هست یا نه»، بعد می‌فهمید «ملانوسیتی است یا غیرملانوسیتی»، و در برگ‌های انتهایی درخت به تشخیص دقیق (مثلاً ملانوم در برابر خال خوش‌خیم) می‌رسید. این متد مانع از سردرگمی هوش مصنوعی بین بیماری‌های نادر و شایع شد.
۲. استاندارد طلایی غیرقابل بحث: فقط بیوپسی!:
• اگر مدلی بسازید و درستی آن را با «نظر یک متخصص دیگر» بسنجید، کل متدولوژی شما زیر سوال می‌رود؛ چون چشم انسان خطا دارد!
• تکنیک مقاله: در دیتاست آزمون نهایی، نویسندگان فقط و فقط تصاویری را وارد کردند که نتیجه پاتولوژی و بیوپسی قطعی آزمایشگاهی داشتند. این تصمیم متدولوژیک باعث شد هیچ داوری نتواند به برچسب درستی ضایعات شک کند.
۳. یادگیری انتقالی به جای شروع از صفر:
• آموزش دادن یک شبکه عمیق با میلیون‌ها پارامتر از نقطه صفر، سال‌ها زمان و میلیاردها تومان هزینه پردازشی می‌خواهد.
• محققان از مدلی استفاده کردند که قبلاً روی ۱.۲۸ میلیون عکس معمولی (حیوانات، ماشین‌ها، اشیا در دیتاست ImageNet) آموزش دیده بود و مفاهیم ابتدایی مثل لبه‌ها، خطوط، زاویه‌ها و بافت‌ها را بلد بود. آنها فقط لایه‌های انتهایی شبکه را با عکس‌های ضایعات پوستی آموزش دادند.
۴. طراحی سناریوی مسابقه انسان و ماشین:
• چطور هوش مصنوعی را با متخصصان مقایسه کردند؟
به ۲۱ متخصص پوست عکس‌های بیوپسی‌شده را نشان دادند و پرسیدند: «آیا این ضایعه بدخیم است و باید جراحی شود؟»
سپس با رسم منحنی ROC، عملکرد مدل را به شکل یک منحنی پیوسته در نظر گرفتند. نتیجه شگفت‌انگیز بود: نقاط مربوط به عملکرد تک‌تک متخصصان پوست، زیر منحنی مدل قرار گرفت؛ یعنی هوش مصنوعی در ایجاد تعادل بین «حساسیت» (از دست ندادن کنسر) و «ویژگی» (ارسال نکردن بی‌دلیل افراد سالم به اتاق عمل) دقیق‌تر از میانگین پزشکان عمل کرد.

🛑 دو نقد جدی متدولوژی (بزرگ‌ترین درس برای پژوهشگران):
▫️ تورش نژادی و رنگ پوست:
بزرگ‌ترین پاشنه آشیل این مطالعه این بود که اکثریت مطلق تصاویر از بیماران با پوست روشن و سفید (تیپ‌های پوستی فیتزپاتریک I و II) استخراج شده بودند. وقتی چنین مدلی را به جمعیت‌هایی با پوست گندمی یا تیره ببرید، دقت آن به شدت افت می‌کند؛ درسی بزرگ که نشان می‌دهد تنوع جمعیت نمونه چقدر در یادگیری ماشین حیاتی است.
▫️ خطر یادگیری میانبر:
در کارهای بالینی، گاهی متخصصان کنار خال مشکوک با ماژیک علامت می‌زنند یا خط‌کش اندازه‌گیری می‌گذارند. مدل‌های کامپیوتری ممکن است به جای خود تومور، تصویر خط‌کش یا جوهر ماژیک را به عنوان نشانه کنسر یاد بگیرند! نویسندگان مجبور شدند صدها ساعت وقت برای پاک‌سازی حاشیه‌ها و برش استاندارد تصاویر صرف کنند.


🔗 https://doi.org/10.1038/nature21056

#کلینیک_متدولوژی

📌 روابط عمومی کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم‌پزشکی اردبیل

🆔 @arums_src

📊 فردا؛ شروع سلسله کارگاه‌های «کپسول آمار» 🚀

اگر می‌خواهید در کوتاه‌ترین زمان ممکن مهم‌ترین و کاربردی‌ترین مباحث آمار موردنیاز برای پژوهش‌هایتان را یاد بگیرید، این کارگاه را از دست ندهید. 🌱📈
در «کپسول آمار» قرار است مفاهیم و ابزارهای کاربردی آمار و علم داده را سریع، ساده و پژوهش‌محور یاد بگیریم؛ از آنچه واقعاً در مسیر انجام پژوهش به کارتان می‌آید.

📌 جلسه اول

🗓 چهارشنبه ۲۵ شهریور ۱۴۰۵
⏰ ساعت ۱۲ تا ۱۴
👨🏻‍🏫 مدرس: دکتر محمدرضا شیخی چمان
🎓 عضو هیئت علمی دانشگاه علوم پزشکی آزاد تهران

🔹 فردا منتظرتان هستیم؛ فرصت یادگیری سریع و کاربردی آمار برای پژوهش را از دست ندهید.

📝 لینک ثبت‌نام:
https://survey.porsline.ir/s/ghOm4y8O
💬 لینک گروه کارگاه:
https://t.me/+ETxlLhtnPDFjNjc8

🔗 لینک برگزاری:
https://skyroom.online/ch/hamedan_research/student-research

منتظرتان هستیم🌱