(НЕ) АЛГОРИТМИЧНО

Как сказал Омар Хайям... учи мат часть

Ни для кого не секрет, что в медицине в клинических исследованиях используются методы статистики. Можно встретить как простые, так и сложные. При это нередко врачи, которые начинают погружение в нее, смотрят на всю статистику, как на предопределенный алгоритм, где просто идешь по стрелочкам и будет все нормально (отсюда мифы про проверки на нормальность и прочее).

И иногда этот подход имеет смысл. Вспомним, как нас учили математике в школе. Сначала запоминаешь достаточно упрощенные схемы взаимодействия, операций, затем погружаешься глубже и понимаешь откуда они, почему работают, почему это наилучший вариант для достижения цели (или их несколько). Так же и с обучением статистики. В самом начале проще выучить какие-то "стандартизированные" алгоритмы, посмотреть простые примеры. Но этот объем не сделает из вас статистика, не даст вам понимание и необходимые инструменты. Это просто удобная отправная точка (база). Чтобы лучше понять почему и как применять, необходимо углубление, изучение ограничений подходов, предположений, которые нужно делать (нередко это исходит из методологии, поэтому бонусом еще это изучать).

Тогда становится понятно, что единственного рабочего алгоритма нет. Есть скорее набор особенностей, о которых нужно знать уже на этапе идеи и планирования методологии, в т.ч. с обозначением и пониманием цели.

И это, на мой взгляд, одна из самых классных возможностей в статистике. Изучать нюансы, понимать как влияют изучаемый вопрос и методология на анализ, продумывать их заранее с учетом вводимых предположений, адаптироваться при их нарушении и т.д.

До этих рассуждений у меня возникла идея показать пример, что бинарные данные можно анализировать по-разному. При этом я предполагаю (точнее сам задаю), что данные получены из РКИ (т.е. у нас нет спутывающих факторов), все наблюдения независимы.

Предлагаю посмотреть пример (в тексте описание, на рисунках результаты):
- Делаем симуляцию, где случайным образом назначаются группы (0 или 1 с вероятностью 50%) и независимо от групп происходит исход (0 или 1 с той же вероятность 50%), т.е. в наших данных верна нулевая гипотеза, что группы не влияют на исход;
- сравниваем разными методами.

1) Посмотрим описательные характеристики. В группе 0 достигли исхода 49%, в группе 1 – 62%.
2) Классический вариант (по алгоритмам) в этом случае применить Хи-квадрат Пирсона, чтобы получить значение p-value. Проводим и получаем 0.195, значимых различий не выявлено (при пороге в 5%, который мы будем использовать и дальше).
3) Частота в бинарных данных - это мат ожидание (𝔼[X] = p). В нашем случае оно не будет отличаться от мат ожидания в виде среднего (𝔼[X] = µ = 1*p + 0*(1-p)). Значит я могу ради получения p-value использовать t-тест для сравнения средних (тут есть нюанс в расчете дисперсии, но этот момент мы опустим, результаты достаточно близки).
4) Еще один вариант - это применить логистическую регрессию к данным, где группы - независимая переменная, исход - зависимая. В результате получим не только p-value, но и отношение шансов (OR).
5) Вспомним пункт 3, тогда нам ничто не мешает сравнить разницу средних через линейную регрессию. В дополнение мы получим разницу средних (MD), которая равна разнице рисков (RD).
6) Мы можем сомневаться в пункте 3 и 5, но хотим получить предельный эффект (marginal effect) в виде разницы рисков (RD). Возможно из модели логистической регрессии из пункта 4 через пакет marginaleffects получить необходимый нам эффект. И p-value в придачу.
7) Но вдруг нам нужно (ставшая такой популярной) относительная оценка эффекта в виде относительного риска (RR). Через тот же пакет мы можем это сделать. Конечно, p-value у нас тоже будет.

Здесь я не касаюсь вопроса расчета стандартных ошибок (а из них доверительных интервалов), лишь показываю, что если нужно получить значение p-value, то можно использовать разные методы. А сам результат будет примерно одинаков.

В чем разница и как выбрать подходящий?

Этот вопрос более важный, чем тестирование гипотез (получения p-value), т.к. ответ на него зависит от цели. Какую клиническую задачу вы пытаетесь решить, позволяет ли ваша методология это сделать? Какой эффект вы хотите оценить (разницу рисков, отношение шансов или относительный риск) или страшное слово Estimand? Какая модель и почему подходит для описания взаимодействия в ваших данных (даже простые тесты - это модель) с учетом предположений?

Вот так и живем с этой статистикой))

@Ebm_base

Опять куда-то вписался 😁 даже не ожидал такого пафоса 🤣

⚡️ ⚡️ ⚡️ ⚡️ ⚡️
В чем разница между исследованиями MATTERHORN и Keynote-585?

И почему одно исследование завершается успехом, а другое провалом?

На этот вопрос мы ответим 26.10 в 17:00 по Москве.

И да, вас ждет неожиданная коллаборация с автором тг-канала https://www.tgoop.com/ebm_base, который не нуждается в представлении... Никитой Бурловым 😉.

Готовьтесь к увлекательному и не душному эфиру от Насти и Никиты =))

Вводим новый хештег #️⃣ (внизу). Говорить будем не только о статистике, но и о деньгах 💰

Регистрация по ссылке: https://my.mts-link.ru/j/20600430/1906102850

#эфир #чтосказалбыникитабурлов

У меня иногда спрашивают, как учить статистику, как все успевать? Не знаю, но знаю, что есть рабочий метод получить быстро эти знания (правда цена может быть немного завышена). Стоит только обратиться к 👇🏻

Эксперимент, который стоило провести...

на днях я наконец попробовал @easyblogai_bot — инструмент для врачей и экспертов, где всё устроено слишком удобно, чтобы не настораживать.

Три функции — и каждая будто создана, чтобы сэкономить именно те часы, которые обычно уходят на внутренние сомнения и нервы.

📸 Он делает фото — да-да, прямо с вашим лицом, за секунды, и почти бесплатно (взамен чашки кофе).
📝 Создаёт экспертные посты, гайды и сценарии, пока вы вспоминаете, что хотели отдохнуть.
🎙 Трансформирует голос в текст — надиктовали мысли, получили готовый пост.

Ещё недавно я считал, что творчество — это процесс. теперь, похоже, это подписка) Бот выдает результат, а ты — эмоции, удобный бартер.

Я бы не стал рассказывать, если бы это не работало. Правда впечатляет: 1500+ врачей уже попробовали.
Разница лишь в том, что теперь мы делаем контент быстрее, чем успеваем подумать, зачем он нам.
Ощущение странное — вроде кайф, а вроде кто-то пишет за тебя. Думаю, это и есть прогресс. А возможно, просто новая стадия смирения.

Ладно, я не жалуюсь — я адаптируюсь.

Скоро, наверное, бот научится писать даже эти посты. Я с нетерпением жду этого апдейта.

Жизнь движется, алгоритмы тоже. Держитесь, коллеги: кажется, нас всех ждёт творческое освобождение. Или наоборот. Трудно сказать заранее.
Если что — ждите продолжения)

___
автор ИЗИ-бота — Александра Муравьева - помогает врачам выйти в онлайн легко

📘 Matching and Weighting for Causal Inference — новый практический гид от Ноа Грайфера (Noah Greifer)

На сайте IQSS Гарвардского университета вышла электронная книга «Matching and Weighting for Causal Inference: A Primer and Tutorial» - подробное руководство по методам подбора (matching) и взвешивания (weighting) в causal inference.

Грайфер систематизирует лучшие практики для исследований, где невозможно случайное распределение treatment — будь то медицина, экономика или социальные науки, и где (как мы с вами знаем) требуется особое искусство взвешиваний и перевзвешиваний ) Книга охватывает:

- планирование анализа и проверку допущений;
- методы подбора и взвешивания (включая propensity score);
- оценку качества сопоставления и чувствительности результатов;
- корректную интерпретацию эффектов и оформление отчета.

Это не «учебник», а практическое руководство для исследователей, которые хотят надежно использовать методы каузальной корректировки в прикладных данных.
_________________
Автор — Ноа Грайфер (Noah Greifer), исследователь и разработчик пакетов R (MatchIt, WeightIt, cobalt), активно пишет о применении каузальных методов в блоге (рекомендуем), где публикует заметки о практических аспектах анализа, ошибках и новых инструментах.

@evidencespace