Крайне интересные два поста и дискуссия к ним.

Мне кажется, что прежде чем обсуждать, что должно или не должно входить в курс по статистике и обсуждать качество курсов, нужно ответить на более фундаментальный вопрос: чему именно мы хотим научить врача?

Я вижу как минимум три разные аудитории.

1. Врач, который не занимается исследованиями, но регулярно читает статьи, клинические рекомендации и слушает лекции.

2. Врач-исследователь, который сам не проводит статистический анализ, но планирует исследование, набирает пациентов, обсуждает дизайн со статистиком и интерпретирует готовый отчет.

3. Врач-исследователь, который планирует самостоятельно анализировать данные.

Очевидно, что это три разные образовательные задачи.

Честно говоря, у меня нет готового ответа ни для первой, ни для второй группы, и тем более для третьей.

Но если говорить о первом уровне, то из опыта работы с ординаторами мне кажется важным понимание следующих вещей.

1. Что означает p-value и чего оно не означает. Почему в первую очередь мы смотрим на первичную конечную точку.

2. Почему статистическая значимость не равна клинической. Что такое Number Needed to Treat (NNT) и почему он тоже не является универсальным показателем.

3. Что множественные сравнения увеличивают вероятность ложноположительных результатов. Почему при большом числе вторичных конечных точек p = 0,05 уже нельзя интерпретировать так же, как при одном сравнении. Почему в описательной статистике p-значения в ряде журналах вообще не используют.

4. Зачем нужны поправки на множественные сравнения, иерархия конечных точек и почему в некоторых исследованиях используют win ratio.

5. Как на базовом уровне интерпретировать кривые Каплана-Мейера.

6. Для чего нужны регрессионные модели. Понимать, что авторы могли преследовать разные цели: оценить причинно-следственные связи, построить прогностическую модель или просто сделать модель ради модели [последнее разумеется то чего лучше не делать].
Я бы тут еще a) про casual inference рассказал бы и привел пример парадокса ожирения. b) сказал бы что не все что называется прогностической моделью является адекватной прогностической моделью и про внешнюю валидизацию.

7. Что данные могут иметь разные распределения. Когда данные лучше описывать средним значением, а когда медианой и 25-м и 75-м процентилями.

8. Какие ограничения есть у подгрупповых анализов.

9. Что такое статистическая мощность исследования. Как, читая статью, можно прикинуть, было ли включено достаточно пациентов. Понятно, что здесь придется объяснять доверительные интервалы, еще раз говорить о клинической значимости, приводить примеры и честно сказать, что простого алгоритма здесь нет.

10. Как интерпретировать чувствительность и специфичность тестов и почему без учета распространенности заболевания они могут вводить в заблуждение.

11. Типы исследований. Что такое рандомизация и ослепление и зачем они нужны. Типы наблюдательных исследований. Что можно и чего нельзя узнать из последних.

12. Что такое разные виды bias с примерами. Что важно понимать какие пациенты попали в работу и и нет ли тут immortality bias и т.д.

13. Что такое мета-анализ и основы его интерпретации.

А что думаете вы? Что бы вы добавили в этот список? Что, наоборот, считаете лишним для врача, который не делает исследований и только читает статьи и слушает лекции