Journal Club. Base of EBM

💭РУБРИКА: тесты💭

В настоящее время в городе с населением в 1 миллион человек 4000 человек страдают рассеянным склерозом.
Ежегодно диагностируется 300 новых случаев и 40 смертей связаны с рассеянным склерозом.
В общей сложности в этом городе ежегодно умирает около 10 000 человек.

1 вопрос: что является распространенностью (prevalence)?

2 вопрос: что является заболеваемостью (incidence)?

3 вопрос: что является смертностью от конкретного заболевания (disease-specific mortality)?

Тест анонимный, ответ будет под этим постом через 24 часа.

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

БЕССМЕРТНОЕ ВРЕМЯ
(или просто immortal time bias) 💀

Звучит как название романа, но в реальности «бессмертное время» - одна из самых коварных ловушек в медицинских исследованиях и именно поэтому мы её сегодня разберем!

🤔 В чем же суть?

«Бессмертное время» - это период в начале исследования, когда участник физически не может умереть или с ним не может случиться исход (событие) из-за лечения, потому что он еще не начал его получать.

Главная проблема⚠️
Исследователи неправильно засчитывают этот период пациенту и это искусственно завышает выживаемость в группе лечения.

Разберем на двух примерах, чтобы было нагляднее👌🏻

1️⃣ Котики (животные🐈)

Представьте, что мы изучаем, продлевают ли жизнь котики, которых высыпают из коробки пациентам в реанимации. 

1. Мы набрали 100 человек.
2. Половине назначили котиков, но выписали рецепты в разное время: 
Петруська получил лекарство сразу (день 1)
Васюська ждал поставку котят в отделение и начал терапию через месяц (день 30)
3. Мы наблюдаем за ними 3 месяца.

Если мы отнесем Васю в группу лечения с первого дня исследования, то получится, что он жил под котятами все 3 месяца 🐱
Хотя первый месяц он вообще не слышал мурлыканья! 

Вот оно - «бессмертное время».
Вася не мог умереть от болезни в этот месяц? Мог. Но увы и ах, в статистике этот месяц засчитается как успех терапии.

Итог: средняя выживаемость в группе лечения волшебным образом вырастет, даже если котики - плацебо.

2️⃣ А теперь реальный пример из истории

Один из самых известных случаев - исследование на тему применения гормональной терапии у женщин в постменопаузе в 90-х годах.

Ранние обсервационные исследования (где людей не рандомизировали, а просто наблюдали) показывали, что гормоны «защищают сердце» (инфаркт). 

В чем подвох?
Женщинам часто начинали давать гормоны через несколько лет после наступления менопаузы. Те, кто умирал от инфаркта в первые годы менопаузы (до назначения терапии), автоматически попадали в группу «нелеченных». А те, кто дожил до назначения (бессмертное время), шли в группу «леченных», даже если потом умирали.

Когда позже провели РКИ, оказалось, что гормоны не защищают сердце, а в некоторых случаях даже вредят + было больше случаев инсульта и рака груди 🫡


Если в статье вы видите исследование «лечение vs без лечения», где пациентов не рандомизировали, то смотрите дизайн и внимательно читайте раздел «материалы и методы»!!!

Фото: 
🔴 линия наверху - время, попавшее в исследование (до и после лечения)
🔴 линия внизу - время, которое должно было быть оценено (после лечения)


Интересно, если пациент в группе лечения и умирает до него, как поступят исследователи? 🤔

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

Никита выложил важный пост со всеми ссылками, которые относятся к нашему ЖК
Подписывайтесь❤️

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

«Ого ребята, вы только посмотрите, как мы шарим! Не то, что ОБЫЧНЫЕ врачи!!!» 🤡

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

Разбираем меры центральной тенденции📊
(Помним, что статистика - это просто, поэтому не углубляемся😁) 

Все мы слышали этот ироничный пример: «средняя температура по больнице 36,6 - все пациенты здоровы!»
Его придумали именно для того, чтобы показать абсурдность слепого доверия к среднему значению. 

Но почему это так важно для нас? 
Начнем с определения.

Мера центральной тенденции (мера центра, центральной позиции; measure of central tendency) — это обобщающая мера, которая пытается описать весь набор данных одним значением, представляющим середину или центр его распределения.

Три главных героя: среднее, медиана и мода.

Представьте, что вы анализируете время, которое коллеги тратят на чашку кофе. Данные: 5, 5, 6, 7, 52 минуты (один коллега застрял в интересном разговоре).

1️⃣ Среднее арифметическое (Mean): складываем всё и делим на количество: (5+5+6+7+52) / 5 = 15 минут
Вывод по среднему: «В среднем, мы пьем кофе 15 минут». 

Это неправда для 4 из 5 человек. Виноват выброс (outlier) - тот самый разговорчивый коллега. Среднее чувствительно к крайним значениям!

2️⃣ Медиана (Median): значение, которое стоит ровно посередине упорядоченного ряда.
Ряд: 5, 5, 6, 7, 52. Медиана - 6 минут.
Вывод по медиане: «Половина сотрудников тратит на кофе ≤ 6 минут, а половина — ≥ 6 минут». 

Это более честно описывает ситуацию. Медиана боится выбросов гораздо меньше.

3️⃣ Мода (Mode): самое часто встречающееся значение. В нашем ряду это 5 минут.
Вывод по моде: «Чаще всего сотрудники тратят на кофе 5 минут». 

Полезно для понимания самого распространенного сценария.
Еще преимущество моды заключается в том, что ее можно найти как для числовых, так и для категориальных (нечисловых) данных.


Есть ещё один случай, когда мы обычно предпочитаем медиану среднему значению (или моде) - это когда наши данные имеют асимметричное распределение. (Фото, по краям) 

А вот если мы рассмотрим нормальное распределение (то самое - Гаусса-Лапласа, поскольку это наиболее часто встречаемое распределение в статистике), то увидим, что когда данные «идеально» нормальны, среднее значение, медиана и мода совпадают. (Фото, по центру)

Так что и когда использовать? 🤔

Это вопрос сложный, потому что есть десятки распределений, нюансов и прочих страшилок, но если кратко и базово: 

Задайте два вопроса!

1. Как выглядят данные? 
Постройте гистограмму или «ящик с усами» (box plot). Если видите выбросы или распределение «скошено», то ваш выбор медиана.

2. Что я хочу узнать?
Какой результат самый частый? → мода
Какое типичное значение для «среднего» пациента в реальных условиях? → медиана
Какое общее суммарное воздействие? (например, общее снижение уровня гемоглобина) и данные симметричны → среднее

НО главное помните, если вы видите, как кто-то считает зарплату, используя среднее и улыбается, то вы тот, кто ест капусту😁 


А если вы хотите посмотреть наглядный пример с медицинскими зарплатами, то для вас есть вот эти два интереснейших поста!

https://ordinatura.org/rich-doctors#rec621888180

https://rpubs.com/Ebm_base/1293328

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

💭РУБРИКА: тесты 💭

Были разработаны три недорогих теста по схожей цене для оценки риска рака молочной железы у женщин. Чувствительность (Se) и специфичность (Sp) каждого теста приведены ниже:

Тест 1: Se 89% Sp 96%
Тест 2: Se 60% Sp 99%
Тест 3: Se 98% Sp 72%

Какая из следующих стратегий тестирования является наиболее подходящей?

А) Тест 3, а затем тест 2 (если тест 3 положительный)

Б) Тест 2, а затем тест 3
(если тест 2 положительный)

В) Тест 1, а затем тест 2 (если тест 1 положительный)

Г) Только тест 1

Д) Тест 3, а затем тест 1 (если тест 3 положительный)

Тест анонимный, ответ через 24 часа.

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

Напоминаю, сбор заявок продлиться до 31 января (включительно)!

Подача заявки

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

Когда досрочная «победа» в исследовании - это не всегда хорошо? 🕵️‍♂️

Вы читаете заголовок: «Клиническое исследование нового препарата досрочно прекращено из-за очевидной эффективности!». 
Звучит как успешный успех!

Но после этого поста вы будете аккуратнее относится к таким статьям, почему?

Причина в предвзятости, связанной с досрочным прекращением исследования (EARLY STOPPING BIAS). 

Что это такое❓

Early Stopping Bias - это систематическое искажение оценки эффекта лечения, которое возникает, когда исследование останавливают раньше запланированного срока по результатам промежуточного анализа. 

Остановить могут по трем причинам:

1️⃣ По эффективности (benefit)
Лечение работает „слишком хорошо“.

2️⃣ По бесперспективности (futility) 
Стало ясно, что клинически значимого эффекта можно не ждать.

3️⃣ По безопасности (safety)
Обнаружены неприемлемые побочные эффекты или их слишком много (вред>пользы). 

Исследования, прекращенные досрочно (усеченные исследования/truncated trials) из-за положительного эффекта от лечения, чаще всего подверженны предвзятости.
Такие исследования рискуют преувеличить эффект от лечения, особенно когда общее число событий невелико.

Почему эффект может быть преувеличен? ❓

Давайте рассмотрим на легком примере: 

Представьте, вы планируете подбросить монетку 10 раз, чтобы проверить, честная ли она. После 5 бросков у вас выпало 4 орла и 1 решка.

Вы восклицаете: «Монетка смазана нечистотами с одной стороны и смещена в сторону орла! Нечестно!» и прекращаете эксперимент.

Проблема: вы поймали случайную положительную флуктуацию. 

Если бы вы завершили все 10 запланированных бросков, результат мог бы усредниться до 6 орлов и 4 решек, что уже гораздо ближе к правде, а вы остановились на точеных пиках случайности.

Похожее происходит и в исследованиях ✏️

🔹 Эффект оценивается по «ранним» данным
Лечение может показывать максимальный эффект на ранних этапах (например, у наиболее чувствительной подгруппы), который со временем ослабевает.

🔹 Недооценка долгосрочных рисков
Остановив исследование, мы можем не успеть увидеть отсроченные побочные эффекты или отдаленное снижение эффективности.

🔹 Нарушение планирования
Остановка меняет заранее рассчитанный размер выборки, что влияет на мощность исследования и точность оценки. 
Эффект выглядит более впечатляющим, а доверительные интервалы шире.

А вот вам интересная информация, которую я нашел:
2/3 протоколов РКИ не предусматривали промежуточный анализ, правила прекращения исследования или комитеты по мониторингу безопасности данных. 
Большинство РКИ, прекращенных из-за ранней пользы или неэффективности, были остановлены без заранее определенного механизма 🤔

Напрашивается лишь один верный вывод: досрочное прекращение исследования это - не гарантия прорыва и успешного успеха, а повод для более тщательной критической оценки.

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

Подача заявки

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

А вот и анонс!

Объявляется 8 набор в журнальный клуб! На данный момент - это единственная возможность в него попасть.

Чтобы подать заявку, надо всего лишь заполнить анкету. Внимательно читайте пункты, обязательно оставьте контакты для обратной связи.

Сбор заявок продлиться до 31 января (включительно). Затем будет тестирование и собеседование тех, кто пройдет дальше.

Если можете, то рекомендуйте коллегам, друзьям и знакомым)

Welcome!

В нашем ЖК объявлен новый набор! Подавайте заявки, у нас весело, интересно и лишь редко немного просто 😁

ЧТО ЗНАЧИТ - НЕДАВНО? 

Что ж, господа и дамы, вот и пришел момент для последнего поста в этом году🫡

В нашем ЖК есть традиция: разбирать рождественскую статью в конце года🎅
В давнем посте я уже рассказывал, что это за статьи и зачем они нужны. 

На этот раз мы обсуждали:  
«How recent is recent? Retrospective analysis of suspiciously timeless citations».

В первую очередь, хочу сказать, что я обожаю рождественский стиль, когда авторы пишут: 

▪️«Вооружившись любопытством, календарем и здоровым пренебрежением к академической торжественности, мы решили измерить реальный возраст этих так называемых свежих ссылок»
▪️«5 июня 2025 года мы — то есть младший автор, в то время как старший автор оставался в роли научного руководителя, — провели структурированный поиск в PubMed…»
▪️«Финансирование: данная статья была подготовлена ​​независимо и не получала финансовой поддержки из государственных, частных или филантропических источников»

🔍 Цель исследования 🔍
Авторы решили проверить, насколько «свежими» являются ссылки, описываемые авторами биомедицинских статей как «недавние». Их задача - измерить реальный временной разрыв (лаг) между публикацией статьи и работами, которые она называет «недавними».

Основные результаты:

1️⃣«Недавний» может обозначать очень разные вещи: лаг цитирования составил от 0 до 37 лет. Среднее значение - 5.53 года, медиана - 4 года. Каждая шестая ссылка (17.7%) была старше 10 лет.

2️⃣Разница по специальностям
• Короткий лаг (~2 года): реаниматология, инфекционные болезни, генетика, иммунология.
• Длинный лаг (8.5-14 лет): нефрология, ветеринария, стоматология.

3️⃣Влияние формулировок
Фразы «recent publication» и «recent article» чаще ссылались на действительно новые работы (лаг 1-2 года), а «recent study» и «recent discovery» - на значительно более старые.

В общем, для одних «недавние статьи» это  несколько лет, а для других - десятилетия .-.

Наверное, бороться с этим должны сами рецензенты, должны создаваться какие-то дополнительные правила и задаваться вопросы, а точно ли это «недавно» и просить объяснить, почему?

Конечно, можно было бы в скобках цитирования указывать ещё и год, но вы только представьте себе, если цитируют сразу десяток статей?


На этой прекрасной ноте, я поздравляю вас, мои дорогие читатели, с наступающим Новым годом 🎄🥂

Желаю счастья, крепких нервов и новых приятных моментов в жизни❤️

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

🕘LENGTH-TIME BIAS🕞
(Предвзятость по времени существования/по длительности)

Вы когда-нибудь задумывались, почему при массовом скрининге здоровых людей иногда получаются слишком хорошие результаты об эффективности этого самого скрининга? 🤔

Конечно, вы скажете lead-time bias, ведь вы читали предыдущий пост о предвзятостях, но ещё существует - length-time bias!

Обе предвзятости часто путают, поэтому давайте разбираться 📖


Length-time bias — это систематическая ошибка, из-за которой скрининг с большей вероятностью выявляет медленно прогрессирующие заболевания с длительным бессимптомным периодом и пропускает быстро прогрессирующие болезни.

Представьте, что есть два типа опухоли одной и той же локализации, но разной биологии (Фото)

🔹«Медленная» опухоль: 
Постепенный рост, долго не вызывает симптомов, человек живет с ней много лет
🔹«Агрессивная» опухоль: 
Возникает и тут же наводит суету, быстро прогрессирует, вызывая симптомы за короткое время между плановыми обследованиями


Что происходит при скрининге❓

1️⃣«Медленную» опухоль скрининг почти наверняка обнаружит в бессимптомной стадии. После лечения пациентка будет долго жить, и ее случай запишут как успех скрининга, вау супер, скрининг работает

2️⃣«Агрессивную» опухоль просто не поймают. Она может возникнуть вскоре после отрицательного результата на скрининге и проявиться симптомами до следующего планового обследования.
Такой случай уже не будет считаться успехом скрининга, а выживаемость будет низкой.

По итогу - перекос! ⚖️

В группе людей, прошедших скрининг искусственно увеличивается доля людей с менее агрессивными заболеваниями и, как следствие, выживаемость. 
Будет казаться, что скрининг работает, спасает жизни и вообще классный, но на самом деле он просто чаще выявляет те случаи, которые и так имели бы хороший прогноз.

Как и всегда вопрос:
Почему это важно❓

Потому что не переоценивайте скрининг! 
Благодаря length-time bias скрининг может выглядеть эффективнее, чем он есть на самом деле.

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

ИСТОРИЧЕСКИЕ ФАКТЫ
(Часть 2)

🔵 «Эффект Розенталя» или «Эффект Пигмалиона» 

Это психологический феномен, когда вера в прогноз заставляет его сбываться, описан задолго до Роберта Розенталя. 

В разных сказках, где герою говорят: «Ты — избранный, Гаря!», и он, поверив, совершает подвиги. 

Тем не менее, именно эксперимент Розенталя, когда учителям сказали, что от определенных учеников стоит ожидать большего, потому что они прошли тест на IQ лучше (на самом деле их случайно выбрали), они начали ожидать от этих учеников большего и их результаты стали лучше в конце года. 

Именно поэтому в современных RCT так важен двойной слепой метод. Чтобы вера врача в эффективность лекарства (которая может быть плацебо) не повлияла на результаты исследования. 

🔵Первое (наверное) в истории «Контролируемое исследование», а именно: библейский эксперимент с пищей

Книга пророка Даниила (Ветхий Завет, 1:12-15). Юные Даниил и его друзья оказались при дворе вавилонского царя. Их кормили царской пищей и вином.

Даниил предлагает провести эксперимент: «Сделай опыт над рабами твоими в течение десяти дней; пусть дают нам в пищу овощи и воду для питья. И потом пусть явятся перед тобою лица наши и лица тех отроков, которые питаются царскою пищею».

Результат: «По истечении десяти дней лица их оказались красивее, и телом они были полнее всех тех отроков, которые питались царскими яствами».

Здесь есть ключевые элементы: 
⚫️группа вмешательства (растительная диета)

⚫️контрольная группа (царская пища)

⚫️срок наблюдения (10 дней) 

⚫️исход (внешний вид).
Ну это прям полноценный PICO

Чем не проспективное когортное исследование?😁

🔵Классический пример XVIII века: лимоны и цинга🍋

Цинга косила моряков в долгих плаваниях. Были десятки теорий: плохой воздух, сырость, соленая пища.

Эксперимент: на корабле «Солсбери» Джеймс Линд отобрал 12 матросов с одинаковыми симптомами цинги и разделил их на 6 пар.
Каждая пара получала разную добавку к стандартному рациону: сидр, морскую воду, уксус, пряности и цитрусовые (лимоны и апельсины).

Результат: только пара, получавшая цитрусовые, поправилась и смогла вернуться к службе.

Остальные продолжили болеть, хотя после сидра тоже были незначительные улучшения☝🏻

Это был прорыв, Линд не просто предположил, он провел сравнительное контролируемое исследование.
Увы, более влиятельные врачи не восприняли его работу всерьез и в дальнейшем от цинги ещё долго погибали люди. 

Примеров и связь с доказательной медициной можно найти ещё много где и, надеюсь, вам понравились параллели с современным докмедом, которые я провел ❤️

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

В нашей группе ЖК мы много пишем об основах, дизайнах и прочих вещах, но сегодня я решил немного окунуться в интересные ИСТОРИЧЕСКИЕ ФАКТЫ
(Часть первая) 📖📚

Понятное дело, что термин «доказательная медицина» возник совсем недавно, тоже самое можно сказать и о предвзятостях, контролях, рандомизации, ослеплении и т.д и т.п. 
Но неужели ничего похожего раньше не было❓

Давайте оглянемся назад и поищем сходства с нашим современным миром!


🔵 «Эффект выжившего»: многие знают его по картинке/мемам бомбардировщика с большим количеством красных точек на крыльях, но мало кто знает, что это ооочень старая систематическая ошибка

В Древней Греции (V век до н.э.) была распространена практика: моряки, спасшиеся после кораблекрушения в страшную бурю, приносили благодарственные дары в храм Посейдона и вешали там таблички с надписями типа «Посейдон-красавчик👍».

Что видел любой посетитель храма: стены святилища были густо увешаны сотнями табличек от спасшихся моряков.
Это было зримое, неопровержимое доказательство того, что Посейдон слышит молитвы и активно спасает верующих в шторм.
«Смотрите, — говорили жрецы, — сколько людей молятся и остаются в живых! Их молитвы действуют!!!» 

Был такой философ - Диагор: он подошел к вопросу как настоящий современный исследователь и попытался учесть полную выборку. 
Его знаменитый вопрос был примерно такой: «А где же таблички от тех, кто молился, но всё равно утонул?»

Диагор интуитивно понял ключевой принцип: нельзя оценивать эффективность вмешательства (молитвы), рассматривая только тех, кто выжил.

В современном исследовании «таблички утонувших» — это те самые отрицательные результаты и данные о неэффективности, которые должны быть учтены в общем анализе, иначе возникнет предвзятость публикации (publication bias).

🔵 Эксперимент Роналда Фишера или «Леди, дегустирующая чай»

Да да, тот самый! 
Одно из первых рандомизированных исследований для проверки нулевой гипотезы было проведено именно им. 

Муртэль Бристоль (знакомая Фишера), утверждала, что может отличить способ приготовления чая с молоком (в зависимости от того, что наливалось первым в чашку) ☕️
То ли потому что не верил в это, то ли просто интерес, но Фишер решил провести рандомизированное ослепленное исследование. 

🔹Нулевая гипотеза: напитки не отличаются. 
🔹Ослепление: Муртэль не знала, где какой напиток (но могла их сравнивать). 
🔹Вмешательство: 4 чашки чая одним способом
🔹Контроль: 4 чашки чая вторым способом 

Она правильно определила способы во всех чашках, вероятность такого события 1.4% 🫡

Как я понял, это связано с тем, что, если наливать молоко в чай, а не наоборот, то большая часть белков в молоке успевает провзаимодействовать с высокой температурой и появляется более карамельный вкус. 

Фишер рассматривал и другие исходы (например, 3 правильных угадывания из 4). Полный анализ включал вычисление вероятностей для всех возможных результатов и их сравнение с уровнем значимости.
Но как бы он их прокомментировал?
Как говорится, пу пу пу 🤔

Что ещё интересно, он установил уровень значимости в 5%.
Может отсюда и пошла эта цифра, кто знает?

Вторая часть в конце недели 👋

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube

Ссылки: ЖКвТГ | ЖКвВК | EBMbase | YouTube