Некоторые участники нашего клуба проявляют публикационную активность, которая не может быть не замечена.
Делимся ссылками на публикации:
Сравнительный анализ выживаемости и факторов риска летального исхода у новорожденных с гестационным возрастом 22–24 недели: одноцентровое ретроспективное когортное исследование
Прогностическое значение размеров и массы тимуса в первые 24 часа жизни у недоношенных детей: пилотное исследование
Респираторный дистресс-синдром у недоношенных новорожденных: комбинированная терапия сурфактантом и будесонидом
Множественные межкишечные анастомозы у пациента с атрезией тонкой кишки IV типа: редкое клиническое наблюдение
«Позднее терапевтическое» применение сурфактанта у глубоко недоношенного ребенка с бронхолегочной дисплазией
Делимся ссылками на публикации:
Сравнительный анализ выживаемости и факторов риска летального исхода у новорожденных с гестационным возрастом 22–24 недели: одноцентровое ретроспективное когортное исследование
Прогностическое значение размеров и массы тимуса в первые 24 часа жизни у недоношенных детей: пилотное исследование
Респираторный дистресс-синдром у недоношенных новорожденных: комбинированная терапия сурфактантом и будесонидом
Множественные межкишечные анастомозы у пациента с атрезией тонкой кишки IV типа: редкое клиническое наблюдение
«Позднее терапевтическое» применение сурфактанта у глубоко недоношенного ребенка с бронхолегочной дисплазией
🔥8👏4
Индекс Хирша
👋 Уважаемые коллеги, объявляю набор на первый поток интенсива «Как подготовить хороший дизайн исследования»! Приглашаю Вас на пошаговый интенсив по планированию оригинального исследования! Даты проведения интенсива: - с 27 апреля (Пн.) по 8 мая (Пт.) Как…
Коллеги, напоминаем, что послезавтра начнется интенсив "Как подготовить хороший дизайн исследования"! Успейте записаться!
И обращаю Ваше внимание, что Вам не обязательно иметь готовую базу данных. Можем подготовить для Вас проспективное исследование, это даже лучше и "чище". Уйдете с интенсива не только с опытом, но и с готовым дизайном, который после сможете воплотить в жизнь.
И обращаю Ваше внимание, что Вам не обязательно иметь готовую базу данных. Можем подготовить для Вас проспективное исследование, это даже лучше и "чище". Уйдете с интенсива не только с опытом, но и с готовым дизайном, который после сможете воплотить в жизнь.
🔥6👍5🫡1
Неделя 25. Критерии включения и исключения
Эта неделя продолжает блок «Пациенты, данные и дизайн». Вы определили популяцию и способ формирования выборки – следующий вопрос: кто именно попадает в исследование? Критерии включения и исключения – это ворота. Каждый добавленный критерий меняет то, что на самом деле означают ваши результаты.
👍 Неделя 24
👍 Мы в MAX и VK
Эта неделя продолжает блок «Пациенты, данные и дизайн». Вы определили популяцию и способ формирования выборки – следующий вопрос: кто именно попадает в исследование? Критерии включения и исключения – это ворота. Каждый добавленный критерий меняет то, что на самом деле означают ваши результаты.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7
25-1: Кто проходит в исследование?
Популяция определена. Способ формирования выборки задан. Следующий вопрос: кто именно входит в исследование?
На него отвечают критерии включения (inclusion criteria). Они определяют, кто имеет право участвовать.
Хорошие критерии включения – конкретные и клинически осмысленные. Не «взрослые пациенты с артериальной гипертензией», а «пациенты 40–75 лет с впервые выявленной эссенциальной артериальной гипертензией 1 степени, подтверждённой минимум двумя раздельными измерениями».
Каждый критерий сужает вход – и должен быть обоснован. Если требуется конкретное лабораторное значение – почему именно оно? Если задан возрастной диапазон – почему эти границы?
Критерии включения и исключения – не одно и то же. Включение задаёт рамку: «пациенты с заболеванием X, стадии Y, подтверждённой методом Z». Исключение убирает тех, кто формально соответствует включению, но по определённой причине не должен быть в исследовании.
Популяция определена. Способ формирования выборки задан. Следующий вопрос: кто именно входит в исследование?
На него отвечают критерии включения (inclusion criteria). Они определяют, кто имеет право участвовать.
Хорошие критерии включения – конкретные и клинически осмысленные. Не «взрослые пациенты с артериальной гипертензией», а «пациенты 40–75 лет с впервые выявленной эссенциальной артериальной гипертензией 1 степени, подтверждённой минимум двумя раздельными измерениями».
Каждый критерий сужает вход – и должен быть обоснован. Если требуется конкретное лабораторное значение – почему именно оно? Если задан возрастной диапазон – почему эти границы?
Критерии включения и исключения – не одно и то же. Включение задаёт рамку: «пациенты с заболеванием X, стадии Y, подтверждённой методом Z». Исключение убирает тех, кто формально соответствует включению, но по определённой причине не должен быть в исследовании.
👍5🔥3
25-2: Кого исключают – и почему
Критерии исключения (exclusion criteria) убирают тех пациентов, которые формально соответствуют критериям включения, но не должны участвовать. Их существование имеет две причины.
Первая – безопасность пациента. Исследование нового антикоагулянта исключает пациентов с активным кровотечением или тяжёлой печёночной недостаточностью. Исследование гепатотоксичного препарата – пациентов с уже имеющейся печёночной дисфункцией. Такие исключения защищают участников от предсказуемого вреда.
Вторая – методологическая чистота. Если вы изучаете, снижает ли новый препарат сердечно-сосудистую смертность, вы исключаете пациентов с терминальным раком – не потому, что препарат опасен для них, а потому что они могут умереть от другой причины раньше, и это исказит оценку эффекта препарата на сердечно-сосудистую смертность.
Цена каждого исключения: оно сужает ту популяцию, о которой вы можете делать выводы. Исключили пациентов с диабетом – ваши результаты не применимы к диабетикам. Исключили пожилых – ваши выводы о «взрослых» на самом деле о «людях среднего возраста».
Исключение должно быть обдуманным, не рефлекторным. Каждый критерий требует конкретного обоснования – безопасность, чистота исхода, логистическая необходимость. «Мы исключили пациентов с сопутствующей патологией» – это не обоснование. Какой именно? Почему?
Хорошо спроектированные исследования перечисляют исключения с обоснованием.
Критерии исключения (exclusion criteria) убирают тех пациентов, которые формально соответствуют критериям включения, но не должны участвовать. Их существование имеет две причины.
Первая – безопасность пациента. Исследование нового антикоагулянта исключает пациентов с активным кровотечением или тяжёлой печёночной недостаточностью. Исследование гепатотоксичного препарата – пациентов с уже имеющейся печёночной дисфункцией. Такие исключения защищают участников от предсказуемого вреда.
Вторая – методологическая чистота. Если вы изучаете, снижает ли новый препарат сердечно-сосудистую смертность, вы исключаете пациентов с терминальным раком – не потому, что препарат опасен для них, а потому что они могут умереть от другой причины раньше, и это исказит оценку эффекта препарата на сердечно-сосудистую смертность.
Цена каждого исключения: оно сужает ту популяцию, о которой вы можете делать выводы. Исключили пациентов с диабетом – ваши результаты не применимы к диабетикам. Исключили пожилых – ваши выводы о «взрослых» на самом деле о «людях среднего возраста».
Исключение должно быть обдуманным, не рефлекторным. Каждый критерий требует конкретного обоснования – безопасность, чистота исхода, логистическая необходимость. «Мы исключили пациентов с сопутствующей патологией» – это не обоснование. Какой именно? Почему?
Хорошо спроектированные исследования перечисляют исключения с обоснованием.
👍8🔥3❤1
Частота сердечных сокращений у здоровых доношенных новорожденных детей в разные эпохи: систематический обзор
Коллеги, у нас вышел систематический обзор. Полный текст доступен по ссылке.
https://doi.org/10.17749/2313-7347/ob.gyn.rep.2026.734
Коллеги, у нас вышел систематический обзор. Полный текст доступен по ссылке.
https://doi.org/10.17749/2313-7347/ob.gyn.rep.2026.734
🔥8🎉3👏1
25-3: Скрытая цена строгих критериев
Чем строже ваши критерии отбора, тем чище данные – и тем меньше ваши результаты применимы к реальным пациентам.
Это разрыв между эффективностью в исследовании и эффективностью в практике (efficacy-effectiveness gap). Препарат, который прекрасно работает в исследовании молодых участников без сопутствующей патологии, может вести себя иначе у 78-летнего пациента с множеством хронических заболеваний и медикаментозных назначений.
Van Spall и соавт. проанализировали 283 РКИ из ведущих медицинских журналов (NEJM, JAMA, Lancet, Annals, BMJ). Только 47,2% критериев исключения в них были строго обоснованы.
Иными словами: в значительной части влиятельных исследований популяции отличаются от тех пациентов, которых мы действительно лечим.
У каждого исследования две стороны валидности. Внутренняя валидность (internal validity) – насколько корректно результат измерен внутри самой выборки: контролирует ли дизайн смещения и конфаундеры. Внешняя валидность (external validity) – насколько результат переносится на пациентов за пределами выборки.
Строгие критерии отбора повышают первую за счёт второй. Однородная выборка даёт чистый сигнал, но ограничивает круг пациентов, к которым применимы выводы.
Единственно правильного баланса нет. Но каждое исследование должно признавать это противоречие – а каждый читатель должен спросить: похожи ли эти пациенты на моих?
Чем строже ваши критерии отбора, тем чище данные – и тем меньше ваши результаты применимы к реальным пациентам.
Это разрыв между эффективностью в исследовании и эффективностью в практике (efficacy-effectiveness gap). Препарат, который прекрасно работает в исследовании молодых участников без сопутствующей патологии, может вести себя иначе у 78-летнего пациента с множеством хронических заболеваний и медикаментозных назначений.
Van Spall и соавт. проанализировали 283 РКИ из ведущих медицинских журналов (NEJM, JAMA, Lancet, Annals, BMJ). Только 47,2% критериев исключения в них были строго обоснованы.
Иными словами: в значительной части влиятельных исследований популяции отличаются от тех пациентов, которых мы действительно лечим.
У каждого исследования две стороны валидности. Внутренняя валидность (internal validity) – насколько корректно результат измерен внутри самой выборки: контролирует ли дизайн смещения и конфаундеры. Внешняя валидность (external validity) – насколько результат переносится на пациентов за пределами выборки.
Строгие критерии отбора повышают первую за счёт второй. Однородная выборка даёт чистый сигнал, но ограничивает круг пациентов, к которым применимы выводы.
Единственно правильного баланса нет. Но каждое исследование должно признавать это противоречие – а каждый читатель должен спросить: похожи ли эти пациенты на моих?
👍8🔥4
Неделя 26. Систематические ошибки
Коллеги, доброе утро! На этой неделе поговорим о систематических ошибках. Они появляются на трёх этапах любого исследования: на входе, при измерении и в процессе наблюдения.
👍 Читать предыдущую неделю
Коллеги, доброе утро! На этой неделе поговорим о систематических ошибках. Они появляются на трёх этапах любого исследования: на входе, при измерении и в процессе наблюдения.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥8👍3
26-1: Систематическая ошибка отбора
Систематическая ошибка отбора (selection bias) — систематическое искажение результатов исследования, возникающее, когда механизм включения участников в выборку статистически связан с изучаемым исходом. В отличие от случайной ошибки, такое искажение не уменьшается с увеличением размера выборки и не устраняется стандартными статистическими методами.
Концепция была сформулирована Джозефом Берксоном в 1946 году на материале госпитальных данных и стала одной из базовых категорий эпидемиологического анализа. Подробный пример с диабетом и холециститом разобран нами ранее.
Систематическая ошибка отбора реализуется в нескольких типичных формах.
Эффект здорового рабочего (healthy worker effect) проявляется в том, что профессиональные когорты систематически демонстрируют более высокие показатели здоровья по сравнению с общей популяцией: сотрудники с тяжёлыми заболеваниями раньше прекращают трудовую деятельность и не попадают в исследование.
Самоотбор (self-selection bias) характерен для скрининговых исследований и наблюдательных когорт: добровольно участвующие пациенты, как правило, более ответственно относятся к собственному здоровью, чем непривлечённые.
Ошибка выжившего (survivor bias) возникает в исследованиях отдалённых исходов, когда из анализа исключаются пациенты, не дожившие до периода набора.
Контроль систематической ошибки отбора достигается не статистической поправкой, а прозрачностью описания механизма набора участников. При оценке исследования первый методологический вопрос состоит в том, из какой популяции и каким способом сформирована изучаемая выборка.
Систематическая ошибка отбора (selection bias) — систематическое искажение результатов исследования, возникающее, когда механизм включения участников в выборку статистически связан с изучаемым исходом. В отличие от случайной ошибки, такое искажение не уменьшается с увеличением размера выборки и не устраняется стандартными статистическими методами.
Концепция была сформулирована Джозефом Берксоном в 1946 году на материале госпитальных данных и стала одной из базовых категорий эпидемиологического анализа. Подробный пример с диабетом и холециститом разобран нами ранее.
Систематическая ошибка отбора реализуется в нескольких типичных формах.
Эффект здорового рабочего (healthy worker effect) проявляется в том, что профессиональные когорты систематически демонстрируют более высокие показатели здоровья по сравнению с общей популяцией: сотрудники с тяжёлыми заболеваниями раньше прекращают трудовую деятельность и не попадают в исследование.
Самоотбор (self-selection bias) характерен для скрининговых исследований и наблюдательных когорт: добровольно участвующие пациенты, как правило, более ответственно относятся к собственному здоровью, чем непривлечённые.
Ошибка выжившего (survivor bias) возникает в исследованиях отдалённых исходов, когда из анализа исключаются пациенты, не дожившие до периода набора.
Контроль систематической ошибки отбора достигается не статистической поправкой, а прозрачностью описания механизма набора участников. При оценке исследования первый методологический вопрос состоит в том, из какой популяции и каким способом сформирована изучаемая выборка.
👍5❤3🔥2
26-2: Когда измерение искажает результат
Систематическая ошибка измерения (information bias) – искажение результатов исследования, возникающее, когда сбор или оценка данных об экспозиции либо исходе производится неодинаково в сравниваемых группах. В отличие от ошибки отбора, состав выборки в данном случае корректен, но регистрируемые значения переменных систематически смещены.
Наиболее изученной формой является ошибка воспоминания (recall bias), характерная для исследований по типу «случай-контроль». В исследованиях врождённых дефектов матери поражённых детей восстанавливают факты экспозиции в период беременности подробнее и с большей мотивацией к поиску причин, чем матери здоровых детей. Это создаёт ложное усиление наблюдаемой ассоциации между экспозицией и исходом.
К другим устойчивым формам относятся:
– ошибка наблюдателя (observer bias) – расхождение интерпретации данных в зависимости от знания исследователем групповой принадлежности пациента; типично для исследований без ослепления;
– неточная классификация (misclassification) – отнесение пациентов к неверной группе экспозиции или исхода;
– ошибка отчётности (reporting bias) – различия в активности сообщения о побочных эффектах или симптомах между группами вмешательства и контроля.
Контроль систематической ошибки измерения предполагает применение ослепления (blinding) во всех допустимых случаях, использование стандартизованных диагностических инструментов, единых протоколов сбора данных и заранее заданных операциональных определений экспозиций и исходов.
Систематическая ошибка измерения (information bias) – искажение результатов исследования, возникающее, когда сбор или оценка данных об экспозиции либо исходе производится неодинаково в сравниваемых группах. В отличие от ошибки отбора, состав выборки в данном случае корректен, но регистрируемые значения переменных систематически смещены.
Наиболее изученной формой является ошибка воспоминания (recall bias), характерная для исследований по типу «случай-контроль». В исследованиях врождённых дефектов матери поражённых детей восстанавливают факты экспозиции в период беременности подробнее и с большей мотивацией к поиску причин, чем матери здоровых детей. Это создаёт ложное усиление наблюдаемой ассоциации между экспозицией и исходом.
К другим устойчивым формам относятся:
– ошибка наблюдателя (observer bias) – расхождение интерпретации данных в зависимости от знания исследователем групповой принадлежности пациента; типично для исследований без ослепления;
– неточная классификация (misclassification) – отнесение пациентов к неверной группе экспозиции или исхода;
– ошибка отчётности (reporting bias) – различия в активности сообщения о побочных эффектах или симптомах между группами вмешательства и контроля.
Контроль систематической ошибки измерения предполагает применение ослепления (blinding) во всех допустимых случаях, использование стандартизованных диагностических инструментов, единых протоколов сбора данных и заранее заданных операциональных определений экспозиций и исходов.
👍5❤3🔥3
Долгожданный анонс!
Объявляем набор на интенсив «Как опубликовать клинический случай (Case Report)»!
Мы работаем в группе в закрытом Telegram-чате. Каждое утро Вы получаете методические материалы и домашнее задание. В течение дня я даю обратную связь каждому участнику по его работе, включая подробную проверку рукописи.
Вы получите навык публикации клинического случая и готовую рукопись с полным сопровождением до публикации! Это не просто теоретический курс, а практический интенсив с последующей публикацией в рецензируемом журнале.
Писать статью на интенсиве можно как на русском, так и на английском языке.
Стартуем 18 мая (Пн.) и занимаемся три недели, всего 15 уроков.
Подробная программа, условия и форма записи на нашем сайте по ссылке: hirschindex.ru/course-case-report
По всем вопросам - @ZhigalovMD
Жду Вас на интенсиве!
Объявляем набор на интенсив «Как опубликовать клинический случай (Case Report)»!
Мы работаем в группе в закрытом Telegram-чате. Каждое утро Вы получаете методические материалы и домашнее задание. В течение дня я даю обратную связь каждому участнику по его работе, включая подробную проверку рукописи.
Вы получите навык публикации клинического случая и готовую рукопись с полным сопровождением до публикации! Это не просто теоретический курс, а практический интенсив с последующей публикацией в рецензируемом журнале.
Писать статью на интенсиве можно как на русском, так и на английском языке.
Стартуем 18 мая (Пн.) и занимаемся три недели, всего 15 уроков.
Подробная программа, условия и форма записи на нашем сайте по ссылке: hirschindex.ru/course-case-report
По всем вопросам - @ZhigalovMD
Жду Вас на интенсиве!
🔥9❤3👍1🤨1
26-3: Когда исчезнувшие пациенты меняют всё
Потеря из-под наблюдения (loss to follow-up, LTFU) – выбывание участников из исследования до момента итогового сбора данных, превращающееся в систематическую ошибку, когда причины выбывания статистически связаны с изучаемым исходом или экспозицией.
Если пациенты, испытывающие негативные эффекты вмешательства, систематически чаще прекращают участие в исследовании, оставшаяся выборка демонстрирует завышенные показатели благополучия, а исследуемое вмешательство – завышенную эффективность. Подобное смещение особенно характерно для длительных и прагматических клинических исследований.
Принято выделять два устойчивых паттерна:
– дифференциальное выбывание – несимметричное распределение потерь между сравниваемыми группами с различием в их причинах;
– исход-зависимое выбывание – преимущественный отсев пациентов с неблагоприятным течением заболевания, что приводит к переоценке наблюдаемого улучшения у оставшихся.
К методам частичной защиты относят анализ по принципу «намерение лечить» (intention-to-treat, ITT), при котором каждый рандомизированный пациент остаётся в исходно назначенной группе независимо от факта продолжения участия; анализ чувствительности результатов к различным предположениям о пропущенных данных; а также предварительно зарегистрированный план обработки пропусков.
Эмпирический критерий, предложенный Dettori, относит потери до 5% к низкому риску смещения, выше 20% – к серьёзной угрозе внутренней валидности; меньшие значения потерь также способны искажать результаты.
Потеря из-под наблюдения (loss to follow-up, LTFU) – выбывание участников из исследования до момента итогового сбора данных, превращающееся в систематическую ошибку, когда причины выбывания статистически связаны с изучаемым исходом или экспозицией.
Если пациенты, испытывающие негативные эффекты вмешательства, систематически чаще прекращают участие в исследовании, оставшаяся выборка демонстрирует завышенные показатели благополучия, а исследуемое вмешательство – завышенную эффективность. Подобное смещение особенно характерно для длительных и прагматических клинических исследований.
Принято выделять два устойчивых паттерна:
– дифференциальное выбывание – несимметричное распределение потерь между сравниваемыми группами с различием в их причинах;
– исход-зависимое выбывание – преимущественный отсев пациентов с неблагоприятным течением заболевания, что приводит к переоценке наблюдаемого улучшения у оставшихся.
К методам частичной защиты относят анализ по принципу «намерение лечить» (intention-to-treat, ITT), при котором каждый рандомизированный пациент остаётся в исходно назначенной группе независимо от факта продолжения участия; анализ чувствительности результатов к различным предположениям о пропущенных данных; а также предварительно зарегистрированный план обработки пропусков.
Эмпирический критерий, предложенный Dettori, относит потери до 5% к низкому риску смещения, выше 20% – к серьёзной угрозе внутренней валидности; меньшие значения потерь также способны искажать результаты.
👍5🔥4
Неделя 27. Размер выборки и мощность исследования
Друзья, на этой неделе мы научимся рассчитывать размер выборки – да, планы на неделю грандиозные!
27-1. Для чего нужен расчёт размера выборки
Сегодня поговорим о том, зачем вообще нужно рассчитывать размер выборки.
Когда клиническое исследование завершается выводом о том, что статистически значимых различий между группами не обнаружено, этот вывод имеет две возможные интерпретации. Первая – изучаемый фактор не оказывает влияние на исход. Вторая – эффект существует в популяции, но размер выборки оказался недостаточным для его обнаружения. На основании одной только статистической значимости различить эти интерпретации нельзя.
Когда исследование с недостаточной выборкой не в состоянии обнаружить реальный эффект, это так называемая ошибка II рода, или ложноотрицательный результат. То есть эффект есть, но Вы его не увидели. Противоположная проблема – ошибка I рода, или ложноположительный результат – эффекта нет, но Вы его увидели и даже показали, что он «статистически значимый».
Для последующих расчётов вводим ниже два необходимых понятия. Не переживайте, к концу недели Вам всё станет ясно!
1. Уровень значимости α контролирует ошибку I рода. Стандарт – 0,05 или 5%. Это значит, что Вы допускаете возможность ложноположительного результата (увидеть эффект там, где его нет) в Вашем исследовании на уровне 5%. Для самых строгих исследований в самых рейтинговых журналах иногда требуют α = 1%, что, разумеется, сильно увеличивает размер выборки.
2. Мощность исследования (1 – β) контролирует ошибку II рода. Стандарт – 0,8 или 80%; то есть β равен в таком случае 0,2 или 20%. Когда мы говорим о мощности исследования в 80%, мы допускаем вероятность не увидеть эффект там, где он есть, в 20% случаев. Более высокий стандарт для Q1-журналов – 90%, но здесь будьте готовы к очередному увеличению размера выборки.
И ещё важный момент. Расчёт размера выборки устанавливает не только минимальную планку, но и максимальную. Нам необходимо знать не только «проходной минимум» для нашего исследования. Слишком большая выборка – это тоже неправильно, из этических соображений. Если речь идет о интервенционном исследовании, то это эксперимент и всегда дополнительный риск для пациентов. Мы не вправе подвергать нашему эксперименту излишнее количество пациентов.
В среду продолжим подготовку к расчёту размера выборки и введем дополнительные величины, необходимые для этого.
👍 Читать предыдущую неделю
Друзья, на этой неделе мы научимся рассчитывать размер выборки – да, планы на неделю грандиозные!
27-1. Для чего нужен расчёт размера выборки
Сегодня поговорим о том, зачем вообще нужно рассчитывать размер выборки.
Когда клиническое исследование завершается выводом о том, что статистически значимых различий между группами не обнаружено, этот вывод имеет две возможные интерпретации. Первая – изучаемый фактор не оказывает влияние на исход. Вторая – эффект существует в популяции, но размер выборки оказался недостаточным для его обнаружения. На основании одной только статистической значимости различить эти интерпретации нельзя.
Когда исследование с недостаточной выборкой не в состоянии обнаружить реальный эффект, это так называемая ошибка II рода, или ложноотрицательный результат. То есть эффект есть, но Вы его не увидели. Противоположная проблема – ошибка I рода, или ложноположительный результат – эффекта нет, но Вы его увидели и даже показали, что он «статистически значимый».
Для последующих расчётов вводим ниже два необходимых понятия. Не переживайте, к концу недели Вам всё станет ясно!
1. Уровень значимости α контролирует ошибку I рода. Стандарт – 0,05 или 5%. Это значит, что Вы допускаете возможность ложноположительного результата (увидеть эффект там, где его нет) в Вашем исследовании на уровне 5%. Для самых строгих исследований в самых рейтинговых журналах иногда требуют α = 1%, что, разумеется, сильно увеличивает размер выборки.
2. Мощность исследования (1 – β) контролирует ошибку II рода. Стандарт – 0,8 или 80%; то есть β равен в таком случае 0,2 или 20%. Когда мы говорим о мощности исследования в 80%, мы допускаем вероятность не увидеть эффект там, где он есть, в 20% случаев. Более высокий стандарт для Q1-журналов – 90%, но здесь будьте готовы к очередному увеличению размера выборки.
И ещё важный момент. Расчёт размера выборки устанавливает не только минимальную планку, но и максимальную. Нам необходимо знать не только «проходной минимум» для нашего исследования. Слишком большая выборка – это тоже неправильно, из этических соображений. Если речь идет о интервенционном исследовании, то это эксперимент и всегда дополнительный риск для пациентов. Мы не вправе подвергать нашему эксперименту излишнее количество пациентов.
В среду продолжим подготовку к расчёту размера выборки и введем дополнительные величины, необходимые для этого.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥8👍3🥰1🙏1
Наша демография
Коллеги, у нас на канале есть несколько опросов, благодаря которым я знакомлюсь с Вами и Вы знакомитесь друг с другом.
Предлагаю перейти к опросам по ссылкам ниже, проголосовать, посмотреть результаты, и, если нужно, прокомментировать.
1. Ваш медицинский опыт
2. Ваша научная степень
3. Ваши публикации
4. Ваша география
Коллеги, у нас на канале есть несколько опросов, благодаря которым я знакомлюсь с Вами и Вы знакомитесь друг с другом.
Предлагаю перейти к опросам по ссылкам ниже, проголосовать, посмотреть результаты, и, если нужно, прокомментировать.
1. Ваш медицинский опыт
2. Ваша научная степень
3. Ваши публикации
4. Ваша география
👍8❤2🔥2
27-2. Четыре параметра для расчёта размера выборки
В прошлый раз мы обсудили первые два параметра, необходимые для расчёта размера выборки – уровень значимости (α) и мощность исследования (1 – β).
Третий параметр – ожидаемые значения в группах. Это клинический параметр, в котором у Вас больше всего экспертизы. Откуда брать ожидаемые значения? Два источника – литература и пилотные данные. Если в Вашей области уже есть опубликованные исследования, опираемся на них. Если данных мало – проводим небольшое пилотное исследование специально для уточнения этих параметров.
Возьмём классический пример: курение и инфаркт миокарда. Допустим, мы хотим оценить, во сколько раз курение повышает риск инфаркта. Из литературы известно, что частота инфаркта у курящих составляет приблизительно 8%, у некурящих – 4%. Это и есть наши два ожидаемых значения в группах.
Четвёртый параметр – тип конечной точки: дихотомическая (событие случилось / не случилось) или количественная (балл по шкале, уровень холестерина и т.п.).
Простейший калькулятор – ClinCalc.
Давайте потренируемся на нашем примере и подставим в калькулятор следующие значения:
- α = 0,05,
- мощность исследования = 80%,
- группа 1 (некурящие) = 4%,
- группа 2 (курящие) = 8%,
- конечная точка = дихотомическая,
- две группы исследования.
Что получилось? Напишите в комментариях!
В пятницу разберём типичные ошибки расчёта размера выборки – почему многие опубликованные исследования оказываются недостаточно мощными.
В прошлый раз мы обсудили первые два параметра, необходимые для расчёта размера выборки – уровень значимости (α) и мощность исследования (1 – β).
Третий параметр – ожидаемые значения в группах. Это клинический параметр, в котором у Вас больше всего экспертизы. Откуда брать ожидаемые значения? Два источника – литература и пилотные данные. Если в Вашей области уже есть опубликованные исследования, опираемся на них. Если данных мало – проводим небольшое пилотное исследование специально для уточнения этих параметров.
Возьмём классический пример: курение и инфаркт миокарда. Допустим, мы хотим оценить, во сколько раз курение повышает риск инфаркта. Из литературы известно, что частота инфаркта у курящих составляет приблизительно 8%, у некурящих – 4%. Это и есть наши два ожидаемых значения в группах.
Четвёртый параметр – тип конечной точки: дихотомическая (событие случилось / не случилось) или количественная (балл по шкале, уровень холестерина и т.п.).
Простейший калькулятор – ClinCalc.
Давайте потренируемся на нашем примере и подставим в калькулятор следующие значения:
- α = 0,05,
- мощность исследования = 80%,
- группа 1 (некурящие) = 4%,
- группа 2 (курящие) = 8%,
- конечная точка = дихотомическая,
- две группы исследования.
Что получилось? Напишите в комментариях!
В пятницу разберём типичные ошибки расчёта размера выборки – почему многие опубликованные исследования оказываются недостаточно мощными.
👍5🔥3❤2
Коллеги, сегодня в 16-00 МСК проведу вебинар на тему "Как опубликовать клинический случай"!
Присоединяйтесь! Регистрация по ссылке (бесплатно). Жду всех и каждого, будет интересно и полезно!
Клинический случай (Case Report) - отличный способ легко и быстро научиться академическому письму. С удовольствием помогу Вам опубликовать Ваше клиническое наблюдение в рецензируемом журнале!
Присоединяйтесь! Регистрация по ссылке (бесплатно). Жду всех и каждого, будет интересно и полезно!
Клинический случай (Case Report) - отличный способ легко и быстро научиться академическому письму. С удовольствием помогу Вам опубликовать Ваше клиническое наблюдение в рецензируемом журнале!
🔥11🤝3
Индекс Хирша
Коллеги, сегодня в 16-00 МСК проведу вебинар на тему "Как опубликовать клинический случай"! Присоединяйтесь! Регистрация по ссылке (бесплатно). Жду всех и каждого, будет интересно и полезно! Клинический случай (Case Report) - отличный способ легко и быстро…
Коллеги, уточнение!
Вебинар состоится в 16-00 МСК.
В предыдущем сообщении я допустил ошибку, исправил. При регистрации время было указано правильно, поэтому, думаю, никто не пострадал 🙏
Вебинар состоится в 16-00 МСК.
В предыдущем сообщении я допустил ошибку, исправил. При регистрации время было указано правильно, поэтому, думаю, никто не пострадал 🙏
👍5❤2🫡2
27-3. Типичные ошибки расчёта размера выборки
Первая ошибка – расчёт не сделан до начала исследования. Самая распространённая. Исследователь набирает столько пациентов, сколько есть в базе или сколько успевает за отведённое время. Если в финале различий нет – остаётся неясным, эффекта действительно нет или просто выборка не позволила его увидеть. В работе Button и соавт. (2013) были проанализированы 730 исследований по нейронаукам – мощность этих исследований составляла от 8 до 31%. Это сильно разнится с мощностью 80%, о которой мы говорили в понедельник, и которой мы сможем достичь, если проведем расчёт размера выборки до начала исследования.
Вторая ошибка – не учтена поправка на выбывание пациентов из исследования. Для рандомизированного контролируемого исследования к расчётному размеру выборки нужно добавить 15–20% как резерв на выбывание. Чем дольше Вы планируете наблюдать пациентов в рамках исследования, тем большее количество пациентов не дойдёт до конца по причинам, не связанным с исследованием. Без данной поправки исследование стартует с минимально достаточной выборкой, а к финалу остаётся с недостаточной.
Первая ошибка – расчёт не сделан до начала исследования. Самая распространённая. Исследователь набирает столько пациентов, сколько есть в базе или сколько успевает за отведённое время. Если в финале различий нет – остаётся неясным, эффекта действительно нет или просто выборка не позволила его увидеть. В работе Button и соавт. (2013) были проанализированы 730 исследований по нейронаукам – мощность этих исследований составляла от 8 до 31%. Это сильно разнится с мощностью 80%, о которой мы говорили в понедельник, и которой мы сможем достичь, если проведем расчёт размера выборки до начала исследования.
Вторая ошибка – не учтена поправка на выбывание пациентов из исследования. Для рандомизированного контролируемого исследования к расчётному размеру выборки нужно добавить 15–20% как резерв на выбывание. Чем дольше Вы планируете наблюдать пациентов в рамках исследования, тем большее количество пациентов не дойдёт до конца по причинам, не связанным с исследованием. Без данной поправки исследование стартует с минимально достаточной выборкой, а к финалу остаётся с недостаточной.
Когда мы читаем статьи с отрицательным результатом по конечным точкам, то правильный вопрос не «что показало исследование», а «какой эффект исследование вообще было способно обнаружить».
👍8🔥4
Индекс Хирша
Долгожданный анонс! Объявляем набор на интенсив «Как опубликовать клинический случай (Case Report)»! Мы работаем в группе в закрытом Telegram-чате. Каждое утро Вы получаете методические материалы и домашнее задание. В течение дня я даю обратную связь каждому…
Коллеги, напоминаю, что в понедельник начинаем курс "Как опубликовать клинический случай". Присоединяйтесь. Подробности в сообщении выше.
С отзывами выпускников наших курсов можно ознакомиться по ссылке https://hirschindex.ru/education
С отзывами выпускников наших курсов можно ознакомиться по ссылке https://hirschindex.ru/education
🔥5👍4