Независимая Национальная Академия Доказательной Медицины (НКО ННАДМ)

😍 Уважаемые коллеги, добрый день. Продолжаем серию авторских постов от Никиты Николаевича Хромова-Борисова. Первая серия посвящена значению "p-value". С первым постом вы можете ознакомится здесь. P-значение уже больше века остаётся одним из главных, но и самых спорных инструментов анализа данных в биомедицине. Собрали хронологическую подборку цитат статистиков и исследователей — от 1900 до 2026 года — о пользе и ограничениях p-значений. Прочитав их, каждый — автор, рецензент, редактор — сможет сам решить, стоит ли и дальше на них опираться. «Вероятности, которыми принято пренебрегать в различных практических приложениях, различны. Иногда в научных исследованиях ограничиваются статистическими приемами, рассчитанными исходя из пренебрежения вероятностями в 0,05. Но это следует делать лишь в случаях, когда собирание более обширного материала очень затруднительно. Если норма в 0,05 для серьезных научных исследований явно недостаточна, то вероятностью ошибки в 0,001 или 0,003 по большей части принято пренебрегать даже в столь академических и обстоятельных исследованиях, как обработка астрономических наблюдений». Колмогоров, 1956; 1999; 2003; Kolmogorov, 1963 [1-3]. p-значения «как правило, не приводят к каким-либо вероятностным утверждениям о реальном мире, а представляют собой рациональную и четко определенную меру нежелания принимать проверяемые ими гипотезы». Fisher, 1956 [4]. «NHST [Проверка значимости нулевой гипотезы -ПЗНГ] - могущественный, но бесплодный интеллектуальный повеса, который оставляет на своем веселом пути длинную вереницу соблазненных дев, но не оставляет жизнеспособного научного потомства». Meehl, 1967; 1970 [5]. «…научный вывод из набора данных — это не формальное упражнение, которое преподают на уроках статистики. Сегодня способ получения выводов из реального набора данных преподается во многих классах статистики точно так же, как преподают геометрию или алгебру. Студент узнает, что статистические методы представляют собой совокупность формул и фиксированных наборов правил, которые, будучи однажды заученными, можно использовать на протяжении всей жизни для получения выводов из данных. Мы узнали, что нужно лишь определить, следует ли отклонить гипотезу на уровне 5% или 1%. Затем статистик может с помпой делать очевидные выводы о данных из любой научной области, объявляя их значимыми или незначимыми. Подобную чепуху обычно преподают профессора, которые имели минимальный опыт применения статистических методов к научным проблемам. В результате растет число научных статей, в которых статистические методы используются для «украшения» результатов. Zelen, 1966 [6]. «Функция проверок [статистической] значимости состоит в том, чтобы не дать вам выставить себя дураком, а не в том, чтобы сделать не подлежащие публикации результаты пригодными для публикации». Colquhoun, 1971 [7]. Источники информации под постом. Автор: Хромов-Борисов Никита Николаевич, к.б.н., ст.н.с., консультант по биостатистике и генетике. Отделение персонализированной психиатрии и неврологии. 👨‍🏫 Читайте. Думайте. Делитесь. Создавайте. 👉 Подписаться на рассылку от ННАДМ по почте ТГ канал | Чат| Рубрикатор |Сайт | Группа ВК | Ютуб | Контакты| Clinicalstudy.ru

😍 Уважаемые коллеги, добрый день. Selective reporting (избирательное репортирование) в практической медицине: что это такое и как минимизировать риски «Избирательное репортирование — это научный проступок» (Iain Chalmers) ✅ Что такое избирательное репортирование (selective reporting)? В самом общем виде под избирательным репортированием —selective reporting в науке обычно понимают практику избирательного представления результатов исследований, зависящую от характера этого результата, а также от заинтересованности определенных лиц в представлении этого результата. ✅ Возможные виды избирательного репортирования Прямые методы: ◈ Не публиковать исследование с отрицательными результатами вообще. ◈ Публиковать их с большим опозданием. ◈ Публиковать результаты исследования не полностью. ◈ Не сообщать о побочных действиях лекарств или сообщать избирательно. Косвенные методы: ◈ Искажение результатов уже проведенного исследования: — анализ по вторичным конечным точкам; — анализ в подгруппах; — манипуляция статистическим анализом. ◈ Манипуляция критериями включения/исключения для создания селективной группы больных. Заведомо неверная трактовка результатов. ✅По каждому пункту Сергей Юрьевич приводит конкретные опубликованные примеры. ✅Как минимизировать риски? Регистрация исследований — важный, но явно недостаточный способ. Одновременно публиковать исследования с прямо противоположными результатами, чтобы не фокусировать внимание ученых и неспециалистов на том, что исследования всегда дают положительные результаты. Пропаганда основ доказательной медицины молодым врачам и исследователям. ✅ Заключение Избирательное репортирование (selective reporting) — многогранное явление, которое может наблюдаться на всех этапах проведения исследования и представления его результатов. Избирательное репортирование является одним из инструментов псевдодоказательной медицины. Читает: Марцевич Сергей Юрьевич — д.м.н., профессор, руководитель отдела профилактической фармакотерапии ФГБУ «НМИЦ ТПМ» Минздрава России, президент Национального общества доказательной фармакотерапии (Москва). С выступлением вы можете ознакомиться здесь: 🎥 ЮТУБ 🎥 ВК ⚠️ Кроме того, автор затрагивает ряд тем, по которым мы ранее готовили отдельные материалы: ✔️Конечные точки в исследованиях; ✔️Публикационное смещение; ✔️Систематические обзоры и метаанализы. #доказательнаямедицина #selectivereporting #избирательноерепортирование #клиническиеисследования #псевдодоказательнаямедицина #EBM #публикационноесмещение #научнаяэтика #фармакотерапия #медицина P.S. Эксперты совместно с ИИ (Claude) пытались нарисовать картинку под термин Черри-пикинг (от англ. cherry-picking — «выбор вишенок»). Удачно или нет, решать вам. 👨‍🏫 Читайте. Думайте. Делитесь. Создавайте. ТГ канал | Чат| Рубрикатор |Сайт | Группа ВК | Ютуб | Контакты| Clinicalstudy.ru 👉 Подписаться на рассылку от ННАДМ по почте

​​🏊🏻‍♂️ Всем - плавать 🏊🏻‍♂️ ..., если не можете сделать метаанализ. Предполагаю, что вы сейчас ожидали научные доказательства пользы плавания для профилактики и лечения ХЗВ (бальнеотерапия у нас, все-таки, имеет уровень 1А). Но нет, я имею ввиду стандарт публикации систематических обзоров без метаанализа SWiM (Synthesis Without Meta-analysis), на который ссылаются авторы работы соответствующего дизайна, которую мне пришлось изучить при ревизии очередной китайской статьи по применению шкалы Каприни в травматологии. Так вот, если вы по какой-то объективной причине не можете обобщить данные систематического обзора и представить результаты по стандарту PRISMA, то нужно придерживаться 9 правил (из которых самым важным и интересным является третье): 1️⃣ Объединение исследований: описать как и почему работы были объединены (по дизайну, популяции, исходам) и как это влияет на интерпретацию, обязательно указать возможные отклонения от протокола, возникшие в период работы с источниками; 2️⃣ Стандартизованные метрики и их трансформация: описать и аргументировать выбор стандартизированных метрик для каждого исхода, при необходимости описать механизм трансформации оригинальных метрик из исследования в стандартизованные; 3️⃣ Синтез данных: описать и аргументировать выбранный метод объединения данных, к которому относится 🏊🏻‍♂️ обобщенное значение р (да, я тоже удивлен, но при отсутствии величины эффекта или невозможности трансформации исхода в единый обобщаемый показатель, можно просто объединить значения р методами Фишера или Стоуффера, получив или нет сигнал о наличии статистической значимости, но не величины эффекта); 🏊🏻‍♂️ описательная статистика для величины эффекта (представление разнородных данных в виде медианы с интерквартильным размахом); 🏊🏻‍♂️ подсчет голосов по направлению эффекта (представление числа исследований, демонстрирующих улучшение, ухудшение и отсутствие эффекта); 4️⃣ Критерии приоритета: при необходимости обосновать выбор отдельных исследований, результаты которых подлежат объединению и лежат в основе заключения; 5️⃣ Оценка гетерогенности: обосновать и использовать неформальные методы для оценки гетерогенности, например, упорядочивание таблиц или структурирование рисунков в соответствии с предполагаемыми модификаторами, такими как методологические характеристики (например, дизайн исследования), субпопуляции (например, пол, возраст), компоненты вмешательства, контекстные, средовые факторы и пр. (как это должно выглядеть на практике, я себе плохо представляю); 6️⃣ Оценка достоверности: описать подход к оценке достоверности заключений (в частности, можно использовать систему GRADE); 7️⃣ Представление данных: описать графические (тут перечисляются все возможные диаграммы, некоторые из которых пришлось погуглить: форест-плоты, харвест-плоты, направления эффекта, альбатросы, пузырьковые, ящики с усами) и табличные (утверждается необходимость включения всех релевантных данных) методы представления результатов; 8️⃣ Представление результатов: для каждого сравнения и исхода представить описание результатов обобщения и достоверность (уверенность); 9️⃣ Ограничения синтеза: дать честную характеристику слабых мест обзора литературы и синтеза данных. Иначе говоря, альтернативные стандарты мало чем отличаются от классической PRISMA на этапе описания данных, но призывают максимально возможно упорядочить и стандартизировать результаты. И в качестве примера, вот так этим пользуются авторы систематического обзора по шкале Каприни (см. иллюстрацию). Вместо того, чтобы просто метааналитически обобщить площади под кривыми ROC из 83 исследований, они их упорядочивают и структурируют по размеру выборки и профилю пациентов. И получают значения от 0,29 до 0,87 во всех работах и от 0,6 до 0,8 в 75% лучших исследований (наших там только два, т.к. глубина поиска была ограничена 2021 годом, а результаты валидации шкалы Каприни во флебологии они не нашли). Почему так? Не спрашивайте. Зато появился повод научиться SWiM. Обе публикации в свободном доступе.

😍 Уважаемые коллеги, добрый день. Продолжаем разбирать документы, влияющие на качество и интерпретацию клинических исследований и которые обновились за последнее время. ( про ICMJE читать здесь; про обновление CONSORT и SPIRIT читать здесь). Сегодня — об обновлении регулирования клинических исследований в Великобритании и о том, почему регистрация исследования становится не пожеланием, а юридической обязанностью. ◈ Название документа: The Medicines for Human Use (Clinical Trials) (Amendment) Regulations 2025 ◈ Информация: С 28 апреля 2026 года в Великобритании вступил в силу обновлённый регламент проведения клинических исследований лекарственных препаратов (CTIMPs) [1,2]. Это наиболее значимая реформа за более чем 20 лет, и одно из её ядер — требования к исследовательской прозрачности, где регистрация выходит на первый план [1–3]. ◈ Ключевые положения (акцент — регистрация клинического исследования): ✔️ регламент вступил в силу 28 апреля 2026 года и применяется ко всем CTIMP, проводимым в Великобритании, с учётом переходных положений для уже идущих исследований [2] ✔️ впервые регистрация в публичном реестре, признанном ВОЗ, становится юридической обязанностью, а не только редакционным или этическим требованием [3,4] ✔️ зарегистрировать исследование необходимо до получения согласия первого участника либо в течение 90 дней с момента одобрения — в зависимости от того, что наступит раньше [3] ✔️ summary of results должен быть опубликован в том же реестре в течение 12 месяцев после окончания исследования [3] ✔️ в те же сроки участникам (или их представителям) предлагается lay summary в понятном формате [3] ✔️ для отдельных категорий возможны deferral/waiver; в частности, исследования фазы 1 со здоровыми добровольцами автоматически получают отсрочку на 30 месяцев [4] ◈ Почему регистрация — это фундамент: Регистрация — первый и теперь обязательный шаг прозрачности, на котором держатся все последующие: публикация результатов и обратная связь участникам [3]. Без своевременной регистрации исследование фактически выпадает из поля зрения научного сообщества ещё до получения данных. ◈ Значение для практики: Изменения значимы для спонсоров, исследовательских центров и команд, а также специалистов по регистрации, сопровождению и публикации результатов. С практической точки зрения они усиливают роль планирования регистрации заранее, соблюдения сроков и корректного ведения данных [1,3]. ◈ Значение для читателя: Для тех, кто критически оценивает литературу, обязательная регистрация важна, поскольку: ◈ повышает выявляемость всех начатых исследований, а не только опубликованных ◈ снижает риск избирательного непредставления результатов (publication bias) ◈ позволяет сопоставлять заявленные и фактически представленные исходы ◈ укрепляет воспроизводимость и полноту доказательной базы ⚠️ Призыв к действию: Не откладывайте регистрацию. Если ваше исследование проводится в британской юрисдикции — регистрируйте его в реестре, признанном ВОЗ, как требует регламент. Вне зависимости от юрисдикции принцип один: зарегистрированное исследование — это исследование, которое можно проверить, сопоставить и учесть в доказательной базе. Для исследований в российском пространстве вы можете регистрировать и документировать протоколы, в том числе в нашем реестре clinicalstudy.ru — как шаг к большей открытости вашей работы. ◈ Источники под постом ⚠️ Дополнительная информация. ➢ Мануал по регистрации на сайте CLINICALTRIALS.GOV. ➢ Альтернативные зарубежные реестры ➢ Мануал по регистрации на сайте CLINICALSTUDY.RU #доказательная_медицина #клинические_исследования #регистрация_исследований #прозрачность_исследований #publicationbias #researchtransparency #evidence_based_medicine #clinicaltrials #trialregistration Черновик материала создан при участии нейросетей (Claude, ChatGPT). Окончательная редакция, проверка фактов и экспертная оценка выполнены командой ННАДМ 👨‍🏫 Читайте. Думайте. Делитесь. Создавайте. ТГ канал | Чат| Рубрикатор |Сайт | Группа ВК | Ютуб | Контакты| Clinicalstudy.ru 👉 Подписаться на рассылку от ННАДМ по почте

😍 Уважаемые коллеги, добрый день. ✅ Продолжаем рассматривать ключевые документы и инициативы, влияющие на качество и интерпретацию клинических исследований. Сегодня — об обновлении рекомендаций ICMJE. (Пост про обновление CONSORT и SPIRIT читать здесь). ◈ Название документа: ICMJE Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals Updated January 2026 ◈ Информация: ICMJE (International Committee of Medical Journal Editors) — де-факто международный стандарт по подготовке, представлению, редактированию и публикации научных материалов в медицинских журналах. Рекомендациями ICMJE руководствуются сотни ведущих рецензируемых изданий, включая JAMA, NEJM, The Lancet, BMJ и их специализированные журналы [1]. В январе 2026 года ICMJE опубликовал обновлённую версию рекомендаций. Обновление содержит два полностью новых раздела и изменения в четырёх существующих, что отражает реакцию профессионального сообщества на технологические и этические вызовы — прежде всего связанные с использованием ИИ и сохранением академической независимости [1]. ✅ Структура обновления: ✔️ Новый раздел V — «Использование искусственного интеллекта в публикационном процессе». Впервые тема ИИ выделена в отдельный раздел и структурирована по трём ролям: ◈ V.A — использование ИИ авторами ◈ V.B — использование ИИ рецензентами ◈ V.C — роль редакторов в обеспечении ответственного использования ИИ ✔️ Новый подраздел III.L.2 — «Доступ авторов к данным». Закреплено формальное требование: авторы должны иметь достаточный доступ к данным, чтобы нести ответственность за целостность и точность работы. Особо акцентирован вопрос коллаборативных исследований с участием нескольких сторон. ✔️ Обновления в существующих разделах: ◈ II.B — соглашения со спонсорами и принципы академической свободы ◈ III.B — научные нарушения (scientific misconduct) ◈ III.L.1 — регистрация клинических исследований ◈ IV.3.A — раскрытие источников поддержки ✅ Что изменилось в требованиях к регистрации клинических исследований: ICMJE подтверждает требование проспективной регистрации в публично доступных регистрах, соответствующих стандартам ВОЗ или ICMJE, на момент или до получения первого информированного согласия. Новое — редакторы должны верифицировать полноту, точность и проспективность регистрации перед публикацией. Это более строгая формулировка по сравнению с предыдущими версиями [1]. ✅ Значение для практики: Обновление имеет значение для: ◈ авторов научных публикаций ◈ редакторов и рецензентов ◈ специалистов, оценивающих качество и воспроизводимость клинических исследований Соблюдение рекомендаций способствует повышению прозрачности исследовательского процесса и снижению риска искажений при представлении результатов. ✅ Значение для читателя: Обновления позволяют более точно оценивать: ◈ имели ли авторы независимый доступ к данным ◈ соблюдены ли требования к проспективной регистрации ◈ раскрыто ли использование ИИ-инструментов (AI-assisted technologies) при подготовке публикации ◈ имеются ли ограничения, связанные со спонсором исследования ⚠️ Дополнительная информация: ICMJE прямо указывает: авторы не должны заключать соглашения со спонсорами, ограничивающие доступ к данным или возможность независимого анализа и публикации результатов. Проспективная регистрация клинических исследований по-прежнему рассматривается как ключевой элемент предотвращения избирательной публикации и избирательного представления исходов (selective outcome reporting). Например регистрация на clinicalstudy.ru, clinicaltrials.gov и т.д. Черновик материала создан при участии нейросетей (Claude, ChatGPT, Deepseek). Окончательная редакция, проверка фактов и экспертная оценка выполнены командой ННАДМ. #редакционная_политика #искусственный_интеллект #ICMJE #ICMJE2026 #clinical_trials #research_integrity #AI_in_research 👨‍🏫 Читайте. Думайте. Делитесь. Создавайте. ТГ канал | Чат| Рубрикатор |Сайт | Группа ВК | Ютуб | Контакты| Clinicalstudy.ru 👉 Подписаться на рассылку от ННАДМ по почте

❗️4️⃣ Выбор критерия исходя из параметров собранных данных противоречит принципам предварительного планирования дизайна исследования. В этом случае для нас открывается возможность манипуляций. Например, если с помощью t-критерия Стьюдента не будут получены желаемые различия, можно отказаться от мнения о нормальности распределения и испытать другие критерии: Манна-Уитни, ван дер Вардена, Вальда-Вольфовица, медианный тест Муда и др. Авось где-то p опустится ниже заветных 0.05 и можно будет сделать вывод, что эффект достигнут. Такой подход относится к нежелательному и порицаемому явлению под названием «p-hacking». Надежным средством против него является четкое указание в протоколе, публикуемом до набора данных, какие гипотезы планируется проверять и с помощью каких методов. Интересно, что даже выбор программы - совсем уже нестатистический фактор! - может повлиять на результаты сравнения. Ведь доступные в одних программах критерии могут отсутствовать в других, что неизбежно приводит к различиям в выводах. Пример такой ситуации с использованием SPSS и Minitab приводят Pearce and Derrick (2019). Выбирая метод анализа на этапе планирования исследований, можно сослаться на Аддендум по эстимандам к руководству по статистическим принципам для клинических испытаний (ICH E9(R1)). В нем сказано, что эстиманды (оцениваемый эффект, например, разность средних) с основными эстиматорами (метод оценивания, например, t-критерий Стьюдента) должны определяться заранее, на этапе планирования исследования. При этом, конечно, учитываются предположения о популяции и изучаемом параметре, а в случае выявления отклонений от предположений рекомендуется выполнять анализ чувствительности. Также про опасность манипуляций с выводом можно прочитать у Fay and Proschan (2010). ❗️5️⃣ Использование предварительного тестирования допущений применения статистических методов, таких как нормальность или равенство дисперсий, создает проблемы с контролем ошибок I и II типа. То есть помимо ошибок проверки статистических гипотез, совершаемых при использовании конкретного метода, которые обычно успешно контролируются самим методом, мы сталкиваемся с вероятностью ошибок, связанных с проверкой допущений. В результате мы можем получить p-значения, значительно отличающиеся от реальных. А может и незначительно… В общем, проверка допущений делает статистический вывод неопределенным. Какие авторы пишут об этом: Zimmerman (2004), Wells and Hintze (2007), Rochan et al. (2012), Garcia-Perez (2012) ❗️6️⃣ В случае предполагаемых нарушений допущений статистических тестов (если они все-таки важны), сразу использовать такие методы, которые устойчивы к этим допущениям. Например, при сомнениях в целесообразности сравнения средних значений можно без каких-либо предварительных проверок отказаться от t-теста в пользу ранговых методов. Такую рекомендацию в отношении разных параметрических методов можно встретить в работах: Wells and Hintze (2007), Fagerland (2012), Lantz (2013), Derrick et al. (2017). Данный принцип также относится к проверке гомоскедастичности (равенства дисперсий). Это допущение является важным при использовании параметрических методов: классического t-теста или F-теста, post-hoc критерия Тьюки, а также непараметрического критерия Манна-Уитни. У каждого из них есть аналоги, устойчивые к нарушению данного допущения: соответственно, t-тест и F-тест Уэлча, тест Геймса-Хауэлла, критерий Бруннера-Мюнцеля. Рекомендуется по умолчанию использовать именно эти аналоги без проверки равенства дисперсий. Симуляции показывают их надежность как при гетеро-, так и при гомоскедастичности. О предпочтительном использовании теста Уэлча пишут: Zimmerman (2004), Rash et al. (2011), West (2021). О предпочтительном использовании критерия Бруннера-Мюнцеля: Karch (2023), Noguchi at al. (2021), Nowak et al. (2022). О предпочтительном использовании критерия Геймса-Хауэлла: Keselman and Rogan (1978). Все ссылки на упомянутые в этом посте источники, которые могут пригодиться для подготовки ответов рецензентам и для более глубокого погружения в эту тему, приведены в комментариях.

Продолжение. Первая часть поста опубликована здесь и здесь. Чем же нас не устраивает алгоритм №2? Тот, который предлагает выбирать критерий исходя из нормальности распределения? К сожалению, для критики есть серьезные основания, подробно представленные в многочисленных источниках. ❗️1️⃣ При достаточно большом числе наблюдений t-критерий Стьюдента, дисперсионный анализ, ковариационный анализ, линейная регрессия устойчивы к отсутствию нормальности распределения. Стьюдент в своей знаменитой статье “The probable error of a mean” (1908) описал t-критерий исходя из допущения о том, что в популяции показатель имел нормальное распределение. При таком допущении t-критерий является точным тестом и может использоваться для анализа даже небольших выборок. Но при достаточно большом числе наблюдений t-критерий можно рассматривать как консервативную форму z-теста, не имеющего допущений по форме распределения. Это подтверждается многочисленными симуляциями, где t-критерий применяли к очень ненормально распределенным данным и всё равно получали корректные выводы о различиях средних значений (справедливости ради отметим, что сценарии, где t-критерий не будет работать, также существуют). То же относится и к дисперсионному анализу и линейной регрессии. Позволю себе процитировать Norman G., рассмотревшего в своей статье устойчивость ANOVA к нарушениям различных допущений: «Parametric statistics can be used with Likert data, with small sample sizes, with unequal variances, and with non-normal distributions, with no fear of ‘‘coming to the wrong conclusion’’.» Какие авторы пишут об этом: Feir-Walsh and Toothaker (1974), Driscoll (1996), Scovlund and Fenstad (2001), Fay and Proschan (2010), Norman (2010), Rash et al. (2011), Fagerland (2012), Lumley et al. (2012), Blanca et al. (2023). ❗️2️⃣ Нормальность распределения трудно оценить объективно. Особенно это актуально для небольшого числа наблюдений. Используемые для оценки нормальности критерии, такие как популярный и рекомендуемый многими авторами критерий Шапиро-Уилка, на малых выборках имеют слишком низкую мощность и могут подтверждать нормальность даже если её нет. Обратная проблема возникает при большом числе наблюдений, когда даже малозначимые отклонения от нормальности сопровождаются выводом об отсутствии нормальности. Ряд авторов рекомендует использовать для проверки на нормальность графические методы, т.е. визуальное изучение гистограммы или квантильной диаграммы (QQ-plot), но этот подход тоже недостаточно точен. Другими словами, объективная оценка нормальности распределения - слишком сложная задача. Какие авторы пишут об этом: Garcia-Perez (2012), Rochon et al. (2012), Kozak and Piepho (2017) ❗️3️⃣ Параметрические и непараметрические критерии не являются взаимозаменяемыми - они решают разные задачи и отвечают на разные вопросы. Представьте, что нам нужно завернуть шуруп. Но сделать это отверткой затруднительно, например, из-за сбитых шлицов на головке шурупа. И тогда нам предлагают воспользоваться молотком. Конечно, можно забить им шуруп, вот только держаться он будет плохо. Молоток - для гвоздей, отвертка - для шурупов. Так же, как молоток не заменит отвертку, непараметрические критерии не заменят параметрические, в связи с тем, что проверяют разные гипотезы. Например, t-критерий Стьюдента проверяет, отличаются ли друг от друга средние значения. А непараметрический критерий Манна-Уитни - то, что вероятность бОльших значений в одной из выборок выше, чем в другой. 🔹В тех исследованиях, где важно доказать, что именно средний уровень показателя в одной из групп выше или ниже - мы практически всегда будем использовать t-критерий. 🔹Но иногда нас в меньшей степени интересуют средние значения или их разность, мы бы хотели доказать, что в одной из групп чаще встречаются более высокие значения. В таких случаях мы можем сразу предпочесть критерий Манна-Уитни. Какие авторы пишут об этом: Sawilowski and Shlomo (2005), Fay and Proschan (2010), Fagerland (2012), Lumley et al. (2012)

Уважаемые коллеги, добрый день. Симпозиум "Коротко о доказательной медицине" стартовал. Выступает Дарья Дмитриевна с докладом о клинической инертности. Подключайтесь к нашим ресурсам.

Уважаемые коллеги, добрый день. Симпозиум стартовал. Выступает проф. Марцевич Сергей Юрьевич. Подключайтесь к нашим ресурсам.

😍 Уважаемые коллеги, добрый день. 🌟 Симпозиум 2 (очный/онлайн). Коротко о доказательной медицине. 15.30-17.00 Время Уфы (13:30 - 15:00 по МСК) Председатель - Навасардян А.Р. (Москва) ✅ Врачебная инертность. Макарова Д.Д. (Москва). ✅ Научный маркетинг это просто ... Майорова Е.М. (Москва). ✅ Регрессионные модели. Начало. Визуализация моделей. Марапов Д.И. (Казань). ✅ Линейная регрессия - база основ. Бурлов Н.Н. (Нижний Тагил). ✅ Валидирующие исследования с ИИ. Суворов А.Ю. (Москва) Ссылки для подключения: 🎥 DOCLAB.TV 🎥 ЮТУБ 🎥 ВК Скачать программу в pdf можно здесь. ⚠️ Подробнее о форуме Молодых кардиологов можно узнать здесь. 🌟Рекомендуем подписаться на каналы наших друзей и экспертов, которые примут участие в рамках наших мероприятий. Канал "medstatistic" - Марапов Д.И. Канал "Ebm_base" - Бурлов Н.Н. Канал "Lobastov’s Scientific Library" - Лобастов К.В. Канал СценарИИ в фарме - канал друзей Академии 👨‍🏫 Читайте. Думайте. Делитесь. Создавайте. ТГ канал | Чат| Рубрикатор |Сайт | Группа ВК | Ютуб | Контакты| Clinicalstudy.ru 👉 Подписаться на рассылку от ННАДМ по почте