📊 Понимание данных и результатов в научных статьях.
Привет, молодые ученые! 👋
На этой неделе мы начнем разбирать, как же правильно интерпретировать данные и результаты в научных статьях, ведь это ключ к пониманию любых исследований. Особенно если дело касается таких сложных тем, как онкология. 🎗️ Советую раскидать по друзьям/одногруппникам, потому что по итогу - мы сформируем крутую методичку и даже разыграем мини-подарок (в зависимости от количества вовлеченных)🤍

Для начала, давайте освежим в памяти несколько важных понятий:

Фактор риска (exposure) – это событие, условие или характеристика, которое может изменить вероятность наступления определённого события или исхода. Например, курение как фактор риска для развития рака лёгких. 🚬➡️😷

Исход (outcome) – это то, что мы оцениваем в результате воздействия фактора риска. Это может быть диагноз болезни, выживаемость, рецидив заболевания и т.д.

Взаимосвязь между фактором риска и исходом – это эффект, который фактор оказывает на вероятность развития того или иного исхода. Например, насколько возраст или образ жизни влияет на риск развития определённых видов рака.

Добавим ещё несколько ключевых понятий:

Статистическая значимость (p-значение) 📉
Показатель, который помогает определить, насколько результаты исследования вероятно не случайны. Обычно p < 0.05 считается значимым.

Доверительный интервал (confidence interval) 📏
Диапазон значений, в котором с определённой степенью уверенности (например, 95%) находится истинное значение параметра. Узкий интервал указывает на большую точность оценки.

Относительный риск (RR) и отношение шансов (OR) 📈
Метрики, используемые для оценки силы ассоциации между фактором риска и исходом. RR показывает, во сколько раз увеличивается риск, а OR – отношение шансов наступления исхода при воздействии фактора к шансу без воздействия.

Конфундирующие переменные (confounders) 🌀
Факторы, которые могут влиять как на фактор риска, так и на исход, и искажать истинную связь между ними. Важно контролировать их влияние в исследованиях.

Корреляция vs. причинно-следственная связь 🔗
Корреляция показывает наличие связи между двумя переменными, но не доказывает, что одна вызывает другую. Для установления причинно-следственной связи необходимы дополнительные доказательства.

Выборка и её представительность 🧑‍🤝‍🧑
Группа участников исследования, от которой делаются выводы. Важно, чтобы выборка была репрезентативной для общей популяции, чтобы результаты были обобщаемыми.

Валидность исследования ✅
Насколько исследование действительно измеряет то, что оно намерено измерять, и насколько результаты можно применять на практике.

На примерах статей по онкологии мы научимся выявлять эти ключевые понятия, разбирать статистические методы, которыми оперируют исследователи, и как не запутаться в сложных графиках и таблицах. 📈🔍

Следите за обновлениями! Будет интересно и полезно 😉

И не переживайте…мы разберем каждый термин с примерами 🎊

#Наука #Онкология #МолодыеУчёные #Исследования #Статистика #Данные #НаучныеСтатьи

💡 Почему онкологи должны уделять внимание факторам риска?

Факторы риска играют важную роль не только в первичной профилактике, но и в постдиагностическом управлении пациентами с онкологическими
заболеваниями.

Несмотря на то…что основное внимание онколога сосредоточено на лечении, осведомлённость о факторах риска, которые привели к развитию заболевания, остаётся важной по нескольким причинам.

1️⃣Рецидивы и длительное наблюдение за пациентами
Современные успехи в лечении рака привели к значительному улучшению показателей выживаемости. Например, 5-летняя выживаемость для многих форм рака, таких как рак молочной железы и рак простаты, существенно выросла за последние десятилетия. Однако это повышение также сопряжено с увеличением случаев повторного рака, который может развиваться как следствие раннего лечения (например, облучения или химиотерапии), так и из-за сохранённых факторов риска, которые привели к первому случаю заболевания (Kamran et al., 2016; Morton et al., 2014).

Исследования показали, что воздействие некоторых факторов риска, таких как курение, ожирение или воздействие радиации, может сохраняться и влиять на риск развития вторичных злокачественных новообразований.
Например, в одном из крупных исследований (Oeffinger et al., 2013) было показано, что пациенты, пережившие рак в молодом возрасте, имеют повышенный риск развития вторичных опухолей в более позднем возрасте, что делает контроль факторов риска важной задачей даже после успешного лечения.

2️⃣Устранение поведенческих факторов риска и его влияние на исходы
Элиминирование или контроль поведенческих факторов риска могут значительно снизить вероятность рецидива или возникновения вторичных опухолей. Например, отказ от курения может значительно улучшить прогноз пациентов, переживших рак лёгких или других локализаций, связанных с воздействием табака (Khuri et al., 2001). Пациенты, изменяющие свой образ жизни после лечения, могут улучшить свои шансы на долгосрочную выживаемость и снизить риск осложнений. Это особенно актуально в контексте таких факторов, как ожирение и физическая неактивность, которые связаны с повышенным риском для многих типов рака, включая рак молочной железы, кишечника и эндометрия.

3️⃣Измерение риска и его клиническое значение
Одним из ключевых инструментов для оценки факторов риска является понятие риска. Риск определяется как отношение количества событий (например, развитие рака) к количеству людей, подверженных риску этих событий. В эпидемиологии различают несколько способов выражения разницы в рисках:

ℹ️Отношение рисков (Risk ratio) – это соотношение риска у тех, кто подвергся воздействию фактора риска, к риску у тех, кто не подвергся. Это показатель силы воздействия фактора риска на исход. Например, если у группы людей, подвергшихся воздействию определённого фактора, риск развития рака в 1.3 раза выше, чем у тех, кто не подвергся воздействию, то отношение рисков будет 1.3.

ℹ️Разница рисков (Risk difference) – это разность между рисками у подвергшихся и не подвергшихся воздействию факторов риска. Она выражает дополнительное количество случаев заболевания, которое можно было бы предотвратить при отсутствии воздействия фактора. Например, если разница рисков составляет 0.74%, это означает, что из 100 человек 0.74 случаев заболевания можно было бы избежать, если бы фактор риска не присутствовал.

ℹ️Атрибутивный риск – это доля заболеваемости, которая может быть приписана воздействию определённого фактора. Это позволяет определить, какую часть всех случаев заболевания можно предотвратить при устранении воздействия данного фактора.

🔡Пример исследования:
В исследовании по гормонозаместительной терапии (Jones et al., 2016) было показано, что 5️⃣0️⃣0️⃣ из 20 114 не использующих гормоны женщин и 5️⃣2️⃣ из 1 612 использующих гормоны женщин заболели раком молочной железы. Это даёт относительный риск в 1.30 (или 30% более высокий риск для использующих гормоны) и разницу рисков в 0.74%. Это означает, что 12 дополнительных случаев рака могут быть связаны с использованием гормонозаместительной терапии в группе из 1 612 человек.

📊Таблица:

это было сложно? 🥸

🧐 ПОЧЕМУ ВАЖНО РАЗБИРАТЬСЯ В ПРИЧИННО-СЛЕДСТВЕННЫХ СВЯЗЯХ И ФАКТОРАХ РИСКА❓

Когда речь идет об эпидемиологии и исследованиях факторов риска, основная задача ученого — отделить влияние конкретного воздействия от других переменных.

ℹ️Почему это важно?☝️

Потому что рак, как и многие другие заболевания, не развивается из-за одного единственного фактора. На его возникновение может влиять множество воздействий, которые могут проявляться на протяжении длительного времени.

ℹ️Как понять, что именно вызвало болезнь?😳

В эпидемиологии условия исследований часто сложно контролировать. Одно исследование редко может дать исчерпывающий ответ. Чтобы установить причинно-следственную связь, важно анализировать совокупные данные — чем больше подтверждений мы получаем, тем точнее можем судить о влиянии факторов.

Но вот в чем загвоздка 🤓интерпретация таких данных может вызвать споры. Часто результаты исследований обсуждаются и пересматриваются, и это нормально для научного процесса.

ℹ️Критерии Брэдфорда Хилла: как понять, что фактор действительно вызывает болезнь?

Брэдфорд Хилл, известный эпидемиолог, предложил набор критериев, которые помогают установить причинно-следственную связь. Вот несколько из них ⬇️⬇️⬇️

Сила связи: чем сильнее воздействие увеличивает риск заболевания, тем убедительнее доказательства. Например, если вероятность заболевания увеличивается вдвое, это весомый аргумент.

Повторяемость: ассоциация должна наблюдаться в разных исследованиях, в различных условиях и на разных выборках.

Специфичность: чем более конкретным является влияние на определённые типы заболеваний, тем выше вероятность истинной связи.

Последовательность: важно, чтобы воздействие предшествовало заболеванию.

⚠️ПРИЧИНА НЕ МОЖЕТ НАСТУПИТЬ ПОСЛЕ СЛЕДСТВИЯ⚠️

Биологическая градиентность:
если увеличение воздействия ведет к усилению эффекта (например, длительное курение — выше риск рака легких), это важный показатель.

Правдоподобие и согласованность: данные должны быть логичными и согласовываться с тем, что уже известно о биологии и естественном течении болезни.

🔬Эксперимент: если, приняв меры по предотвращению фактора риска, удается снизить заболеваемость, это сильное доказательство.

🧐Аналогия: похожее воздействие в других ситуациях должно давать аналогичные результаты.

ℹ️Как строятся исследования факторов риска?

Часто ученые начинают с наблюдений: как изменяется заболеваемость раком в разных регионах, среди людей разных профессий или возрастных групп?

Эти наблюдения превращаются в гипотезы, которые затем тестируются в аналитических исследованиях — когортных или типа «случай-контроль».

В редких случаях используются рандомизированные исследования, которые считаются золотым стандартом 🏅

🔥Как выбирают типы исследований для изучения факторов риска рака? 🔥🔬

Онкологические заболевания — это сложный и многогранный процесс ( а то мы с вами не знаем 🤨), и чтобы понять его факторы риска, учёные используют разные типы исследований. Давайте сегодня ( обещаю коротко👀 ) начнем разбирать основные!

Когортное исследование 👥

Включает группу людей, которых наблюдают на протяжении долгого времени ⌛️. В этой группе часть людей подвергается интересующему нас воздействию (например, курение), а у части развивается исследуемое заболевание (например, рак лёгких)⛓️‍💥

Когортные исследования позволяют выявить временную последовательность событий и измерять риск заболевания.

✳️ Пример: изучение воздействия гепатита B на риск рака печени в рамках проекта The Gambia Hepatitis Intervention Study.

⚖️Случай-контроль ⚖️
Этот метод начинается с выявления группы больных раком и сопоставления их с группой здоровых людей (контроль), чтобы определить, какие факторы могли привести к заболеванию. Это быстрый и недорогой способ, но он подвержен систематическим ошибкам, таким как ошибка отбора и пристрастность воспоминаний.

✳️ Пример: исследование генетических факторов риска рака простаты.

💯Важные моменты💯:

Систематические ошибки (смещение и конфаундирование) часто мешают получению достоверных данных.
Случайные ошибки уменьшаются ⬇️с увеличением ⬆️размера выборки.

Конфаундирование может искажать результаты, когда, например, 👉курение связано с алкоголем👈, что затрудняет выделение чистого эффекта одного из факторов.

Эти исследования помогают нам лучше понять, какие факторы риска играют ключевую роль в развитии рака и как на них можно воздействовать для профилактики ( к вопросу профилактики ЗНО мы еще обязательно вернемся…ведь там не все так, как кажется).

📊Вывод: разные типы исследований имеют свои плюсы и минусы. Когортные исследования подходят для долгосрочного наблюдения, а исследования случай-контроль — для изучения редких заболеваний или факторов риска.


#наука #молодыеученые #эпидемиология #онкология #рискфакторы #исследования
#напутикнауке

🔥Оценка (давайте возьмем что-то интересное для примера) программ скрининга на популяционном уровне 🔥

Скрининг на рак в бессимптомной популяции имеет одну главную цель — диагностировать опухоль на ранних стадиях и тем самым начать лечение раньше.

Это потенциально может снизить смертность и улучшить общие прогнозы по выживаемости.

🧐Но, как и у любой медицинской практики, у скрининга есть свои подводные камни и риски. Вот почему так важно иметь надёжные данные и качественные исследования для принятия решений.

🔬Рандомизированные исследования и наблюдательные исследования играют ключевую роль в оценке эффекта от скрининговых программ.

Они позволяют не только рассчитать снижение смертности, но и выявить возможные риски, такие как перелечение и ложноположительные результаты.

👉Рандомизированные клинические исследования (РКИ) Золотой стандарт.

Они минимизируют смещения за счёт случайного распределения участников в группы скрининга и контроля. Такие исследования позволяют оценивать реальные показатели снижения смертности от рака.

💡например…в 70-80-х годах было проведено 10 крупных РКИ по такому исследованию, как маммография. Совокупные результаты этих исследований продемонстрировали снижение смертности на 19% (Marmot et al., 2013).

👉Наблюдательные исследования

Они менее надёжны из-за риска систематических ошибок, таких как смещение выбора и смещение продолжительности, но могут предоставить полезные данные для оценки реальных эффектов программ на уровне всей популяции.

💡например…метаанализ восьми исследований показал, что скрининг снижает смертность от рака молочной железы на 48%, даже после поправки на селективность.

💡например…исследование IARC (2015) показало, что скрининг снизил смертность от рака молочной железы на 40% у женщин 50-69 лет.

💣Важные моменты:

Скрининг может привести к перелечиванию, когда обнаруживаются опухоли, которые бы не вызвали серьёзных проблем без вмешательства. Это одна из наиболее значительных проблем.

Смещение продолжительности и смещение выбора — ключевые источники ошибок, особенно в наблюдательных исследованиях.

Рандомизированные исследования помогают избежать этих проблем.

🎯Вывод:

Рандомизированные исследования — лучший способ оценить эффективность скрининга, но наблюдательные исследования важны для анализа реальных популяционных эффектов.

Ждите продолжения с обсуждением 👀

#наука #молодыеученые #скрининг #онкология #рки #популяционныеисследования #рак #здоровье #напутикнауке

🔥 Оценка программ скрининга на популяционном уровне (Часть 2) 🔥

Продолжаем разбирать тему скрининга на рак. 🦞

☝️В первой части мы рассмотрели, как рандомизированные клинические исследования (РКИ) и наблюдательные исследования помогают оценить эффективность скрининговых программ.

🧐Теперь углубимся в примеры и ключевые аспекты этих методов, чтобы понять, как они влияют на наше представление о скрининге и его результатах.

🧪 Рандомизированные исследования:

Пример 1: В Канадских исследованиях маммографии (Canadian National Breast Screening Study-1 и -2) использовалась добровольная база данных, что привело к низкому охвату населения. Кроме того, в контрольной группе второго исследования женщины проходили ежегодные физические осмотры, что могло сместить распределение стадий выявленных раков (Miller et al., 1992). ❗️Эти факторы усложняют интерпретацию данных и требуют осторожности в выводах о снижении смертности.

Пример 2: Кластерная рандомизация, как альтернатива индивидуальной рандомизации, может уменьшить контаминацию контрольной группы скринингом, но приводит к более высокой вероятности несопоставимости групп по исходным характеристикам (Clarke, 2009). ❗️Это важно учитывать, так как несопоставимые группы могут значительно исказить результаты исследования.

💡 Методологические проблемы РКИ:

Контаминация контрольной группы ( что за бред ты пишешь )— 💡например, если женщины в группе контроля получают скрининг независимо от распределения, это может уменьшить видимый эффект скрининга.
Кластерная рандомизация — может вызвать несопоставимость групп по факторам риска, что также повлияет на результаты.

👀Наблюдательные исследования:
Наблюдательные исследования более подвержены систематическим ошибкам, но они могут быть полезны, если РКИ невозможны по этическим или финансовым причинам. Вот несколько типов таких исследований:

👉 Когортные исследования (incidence-based cohort mortality studies): Оценивают эффект посещения скрининга или приглашения на него.

💡Например, IARC оценила, что скрининг снижает смертность от рака молочной железы на 40% у женщин 50-69 лет, которые проходили маммографию, и на 23% у женщин, которые были приглашены, но не обязательно прошли скрининг (Lauby-Secretan et al., 2015).

☝️Однако, в таких исследованиях могут возникать проблемы с ошибками лидирующего времени и историческими контрольными группами, что может затруднить точное оценивание пользы скрининга.

👉 Исследования случай-контроль: Сравнивают историю скрининга у женщин, умерших от рака молочной железы, и тех, кто не умер от него.

💡Пример — метаанализ восьми исследований случай-контроль показал, что до корректировки на самоотбор (self-selection) женщины, прошедшие скрининг, имели на 54% меньший риск смерти от рака молочной железы. После корректировки эффект снизился до 48% (Broeders et al., 2012). ❗️Это демонстрирует важность учета систематических ошибок, таких как смещение самоотбора.

👉 Исследования трендов: Оценивают изменения смертности от рака в популяции с течением времени.

💡Пример — исследования в Европе показали снижение смертности от рака молочной железы на 1-9% в год после внедрения скрининга, особенно при длительном наблюдении за популяцией (Broeders et al., 2012; Moss et al., 2012). ❗️Однако такие исследования подвержены ошибкам из-за постепенного внедрения скрининга и других временных факторов, таких как улучшение лечения.

🎯Прогноз при раке: не просто числа, а шансы на жизнь 🎯

Когда речь заходит о прогнозе при раке, многие сразу думают о процентах и выживаемости. Но за этими числами стоят реальные люди, чьи жизни зависят от множества факторов.

📊 Что такое прогноз?

Прогноз — это вероятность того, что пациент сможет победить болезнь или прожить с ней максимально долго. Один из ключевых показателей — это выживаемость. Чаще всего мы говорим о 5-летней выживаемости, но на самом деле важно учитывать и другие факторы, влияющие на качество жизни.

💡Факторы, влияющие на выживаемость:

Тип опухоли. Рак щитовидной железы, меланома кожи и рак предстательной железы на ранних стадиях имеют высокий процент выживаемости (более 85%), в то время как рак лёгких и поджелудочной железы остаются самыми агрессивными с менее чем 15% выживаемости.

Стадия. Система TNM (размер опухоли, поражённые лимфоузлы, метастазы - если нужно ссылку кину) помогает прогнозировать выживаемость, но даже здесь есть парадоксы ( о которых мы тоже поговорим 🙂)

💡Что говорят исследования?

Как всегда - один пример для наглядности и вовлечения

Исследования, проведенные в Нидерландах и базе данных SEER (Gunderson et al, 2010), подтверждают схожие результаты. ↘️

Пациенты с колоректальным раком III стадии получают химиотерапию, в то время как больные со II стадией — нет. Это может объяснять, почему у пациентов с IIIA стадией (T1-2N1) шансы на выживание выше, чем у пациентов с IIB стадией (T4N0).

Также, существует вероятность, что опухоли T4N1 могут быть ошибочно классифицированы как T4N0, либо последние являются более агрессивными.

❗️Это явление известно как "миграция стадий"❗️

👀Помимо стадии, важную роль играют гистология опухоли, мутационный статус и биохимические маркеры, которые также влияют на прогноз и выживаемость.

🖼смотри картинку

#онкология #рак #прогнозы #выживаемость #медицина #напутикнауке

Всем привет! 👋

Мы с вами за последнее время осмыслили (надеюсь) немало важных моментов…но! Забыли начать с совсем основ.. поэтому начинаем изучение обработки данных ⬇️⬇️⬇️

🌀 типы данных
🌀ввод данных
🌀проверка ошибок и выбросов


А дальше приступим к графическому представлению данных 👀

перед вторым аудио ( которое выйдет на этой неделе, кстати)…хочется напомнить, что ↘️

🚀Новый выпуск подкаста "На пути к науке"!

Друзья, сегодня мы погружаемся в важную и практическую тему, которая часто недооценивается в научных исследованиях — правильный ввод данных.

После прошлого выпуска о типах данных мы переходим к тому, как обеспечить безупречное качество данных для успешного анализа и исследований. Ведь данные — это основа, на которой строится ваш научный успех!

🔍Что вас ждет в выпуске:

Почему единое форматирование данных — это не мелочь, а необходимое условие для достоверных результатов.

Легкие ошибки с числами, которые могут стоить вам недели исправлений, и как их избежать.

Что делать с пустыми значениями, чтобы они не исказили ваш анализ и не привели к ложным выводам.

Как двойная проверка и валидация данных поможет вам минимизировать ошибки.

Лучшие инструменты и советы по автоматизации ввода данных и их проверки, включая практические примеры с использованием Python и Excel.

🛠️ Практические ресурсы и инструменты для закрепления материала:

Руководство по проверке данных в Excel — ваш первый помощник в работе с таблицами и базами данных.

Документация pandas для работы с данными в Python — чтобы легко обработать большие объемы данных и автоматизировать рутинные процессы.

Курс Coursera по анализу данных с Python — поможет углубить знания и научиться эффективно работать с данными.

Видеоуроки на YouTube — Data School — доступные объяснения и примеры для практического освоения.

R для проверки данных


🎧Слушайте подкаст, чтобы начать разбираться, как грамотно подготовить данные для анализа, повысить точность ваших исследований и избежать распространенных ошибок.

ℹ️Делитесь этим выпуском с коллегами и друзьями. Подписывайтесь на канал и оставайтесь со мной на пути к науке!

📝 Жду ваших комментариев, впечатлений и вопросов — оставляйте их ниже и давайте обсуждать вместе!

#напутикнауке