StatInHTA | "Статистик" в ОТЗ

Коллеги, кто просил меня выложить презентацию к диалогам клиницистов со статистиками на форуме Инновационная онкология, вы можете скачать ее здесь

Друзья, у меня новость, прошу вас максимальный репост!

Наш многолетний труд по разбору укоренившихся сомнительных статистических практик перешел в очередную фазу!

В журнале "Альманах клинической медицины" вышла наша первая программная публикация - "Мифологизация статистики в биомедицинских исследованиях". Нашей основной задачей было создание прецедента в русскоязычной научной среде, приглашение сообщества к широкому обсуждению проблемы, а также создание корпуса официально опубликованных материалов, на которые можно было бы ссылаться при дискуссиях с рецензентами и авторами статей.

Если вас заставляют тестировать на нормальность и проверять "достоверность" результатов - знайте, что теперь вы не одиноки и вам есть на что сослаться :) Большое спасибо моим соавторам, взявшим на себя этот большой труд - @slavenkofm @o_mironenko @bqmaks ❤️

Ссылка на статью:
https://almclinmed.ru/jour/article/view/17669/1789

P.S. В настоящее время готовяться к публикации следующие статьи из данной серии. Не переключайтесь! :)

По следам лектория "Разрушители статистических мифов" опубликовали с коллегами из Института биоинформатики первую статью. Очень в тему перед предстоящим докладом на форуме ИнноОнко :) Будем стараться, чтобы остальные статьи цикла были не за горами :)

🗓 1-4 сентября 2026
📍Встречаемся в центре Москвы: Цифровое деловое пространство, Покровка, 47
🤝Ждём Вас на Международном форуме «Инновационная онкология»!

Регистрация и программа на сайте: www.inno-onco.ru

На этой неделе заканчивается набор на онлайн-программу переподготовки «Биостатистика и анализ медицинских данных»!
bioinf.me/education/stat | Приём заявок до 16 июля, 23:59 МСК

Приглашаем на программу всех, кто работает или планирует работать в сфере биомедицинских исследований, владеет базовыми навыками анализа данных в R и хочет глубже разобраться в статистических методах, а также научиться уверенно применять их на практике!

🌕 Программа состоит из 5 частей:
• Статистика и анализ данных
• Программирование на R
• Методология и регуляторика
• Выпускной проект (проекты выпускников 2025/26 года)
• Ключевые внеучебные активности

Помимо лекций и практических занятий студентов программы ждут: работа над проектом под руководством опытных биостатистиков, карьерные встречи, хакатоны, круглый стол по использованию ИИ, гостевые лекции, встречи с преподавателями и выпускниками.

🌑 Процесс поступления:
• заполнить анкету до 16 июля, 23:59 МСК
• пройти тестирование 18 или 25 июля

☁️ Подробнее о программе, подготовке к тестированию и самом тестировании: bioinf.me/education/stat
☁️ По всем вопросам: biostat@bioinf.me

Эти полгода станут важной частью вашего профессионального пути – помогут углубить знания, получить практический опыт, расширить профессиональные связи и стать частью большого поддерживающего сообщества!

Ждём ваших заявок! ❤️

✨ Мы в VK | Мы в почте | Мы в Telegram

#bioinf_online #bioinf_education
@bioinformatics_institute

У желающих погрузиться в мир биостатистики ещё есть шанс запрыгнуть в последний вагон и до 16 июля включительно подать заявку на полугодовую программу Института биоинформатики по анализу медицинских данных. На мой взгляд, аналогов такой программы на русскоязычном пространстве нет: от основ теории вероятностей, программирования в R и регуляторики до совместного с однокурсниками выпускного проекта по анализу реальных данных под кураторством преподавателей Института. Программа подходит примерно всем, независимо от предыдущего бэкграунда: врачам, биологам, биоинформатикам, программистам, экономистам... Приходите, будет интересно и лампово :)

В мае начинается третий сезон открытого онлайн-лектория «Разрушители статистических мифов»!
Регистрация | 19 мая, 16 июня, 7 июля

В новом сезоне преподаватели трека по биостатистике Института биоинформатики продолжат разбирать привычные статистические практики, которые выглядят безобидно, но иногда ведут исследователя совсем не туда!

На этот раз поговорим о том, в какие дебри могут завести автоматические методы отбора признаков для регрессионных моделей, обсудим тонкости (не)правильного описания признаков в Таблице I, а также подробно разберём стандартное оправдание: «нам просто не хватило мощности».

19 мая, 19:00 МСК | Евгений Бакин

🦖 Миф №7: Автоматизированный выбор многофакторной модели: кто ищет, тот всегда найдёт

16 июня, 19:00 МСК | Алексей Глазков

🦖 Миф №8: Придай нормальности описательной статистике

7 июля, 19:00 МСК | Матвей Славенко

🦖 Миф №9: Расчёт мощности: лучше поздно, чем никогда

Будет (само)критично, местами болезненно, но, как всегда, с любовью к статистике и здравому смыслу ❤️

✨ Мы в VK | Мы в почте | Мы в Telegram

#bioinf_online #bioinf_education
@bioinformatics_institute

Пока я пытаюсь разгрести в своих завалах хоть какой-то кусочек времени на очередную заметку (идей-то вагон - времени нет), коллеги готовят очередной сезон Разрушителей статистических мифов 😍
Жду с нетерпением!
Все ситуации очень жизненные (по содержанию - это больше мои ожидания, исходя из того, с чем регулярно приходится сталкиваться, а не конкретный план лекций):

- Про отбор ковариат для многофакторных регрессий - о том, почему, в частности, пошаговые методы и отбор по стат.значимости в однофакторных моделях - это плохая практика (особенно для причинно-следственного вывода) и как на самом деле этот отбор должен быть, в идеале, устроен

- Представление описательных статистик в Таблице 1 - миф, связанный с необходимостью p-значений в этой таблице, развенчивали во втором сезоне (лекция Артемия Охотина), про выбор метода анализа, исходя из распределения данных в выборке (тест Стьюдента только для нормальных данных, иначе - Манн-Уитни), - в первом (лекция Матвея Савенко), но есть ещё третий миф на стыке этих двух историй - о том, что выбор описательных статистик для количественных признаков тоже должен зависеть от формы их распределения

- Про оценку мощности при проверке статистических гипотез - о том, на каком этапе исследования уже поздно пить Боржоми она (не)уместна, а главное - почему и зачем

Приходите, особенно будем рады вашему активному участию в дискуссии!

P.S. Как сказал Евгений Бакин на открытии первого сезона, все мы не без греха и в Интернете наверняка можно найти ряд тому свидетельств, - да, статистические мифы - такая штука, что из-за их широкой распространенности и статуса "ну все так делают / в Q1 же публикуют" все мы (статистики) так или иначе когда-то им тоже, по незнанию/ неопытности, следовали. Поэтому, если вдруг вы пропустили предыдущие два сезона лектория, не бойтесь приобщиться: задача лектория - не выгулять наше белое пальто, а подсветить наиболее часто встречающиеся заблуждения, которые мешают исследователям получить ответ на тот вопрос, который их на самом деле интересует ✨

29 апреля в 19:00 МСК пройдёт открытая онлайн-лекция Виктории Зайцевой «Жизнь лекарств после регистрации: почему одобрено не значит доступно?»!
bioinf.me/guests

Виктория Зайцева – консультант в ОptimaxAccess, выпускница программы переподготовки по биостатистике Института биоинформатики – расскажет о том, какая нелёгкая судьба может ждать препарат, когда, казалось бы, всё самое страшное уже позади!

На лекции мы обсудим:
🌑 почему даже эффективные и уже зарегистрированные лекарства не всегда быстро доходят до пациентов;
🌑 как патенты и ценообразование влияют на доступность лекарственных средств;
🌑 роль оценки технологий здравоохранения во внедрении новых препаратов.

Регистрация: bioinf.me/guests

Присоединяйтесь! ❤️

✨ Мы в VK | Мы в почте | Мы в Telegram

#bioinf_online #bioinf_education
@bioinformatics_institute

Институт биоинформатики идёт в ОТЗ 🔥
Хочется верить, что эта лекция станет началом нового образовательного трека 😉

Всем привет! Я перенесла свои записи на GitHub Pages. Мало ли что там дальше с ТГ (не мах же ставить...), да и пишу я обычно столько, что гораздо удобнее это делать в маркдауне и читать в виде одной странички. Пока здесь не заперто, буду писать сюда объявления о появлении новых постов. Здесь же всегда буду рада обсудить их с вами.

К 8 марта сделала пост про красивое - визуализацию оценок выживаемости в зависимости от количественных признаков. Вдруг кто-то, как и я до недавнего времени, не знал, что такое возможно :)

Всех дам с праздником! 🌼🌸🌼

Друзья, коллеги, привет!

Мы заготовили новинку на эту весну - интенсив «Продвинутые разделы биостатистики», который впервые пройдет в модульном режиме! Это значит, что вы сможете сами кастомизировать интенсив под свои цели, расписание и бюджет. Выбор - богатый:
1. Смешанные линейные модели
2. Продвинутые модели анализа выживаемости
3. Разработка интерактивных приложений в R/Shiny
4. Машинное обучение в R
5. Обработка пропущенных значений
6. Методы на основе ресемплинга
7. Введение в байесовскую статистику
8. Причинно-следственный вывод

Даты - с 24 февраля по 28 апреля, регистрация до 19 марта 23:59 МСК. Все подробности - тут:
bioinf.me/education/workshops/hardstat

Будем рады, если вы поможете распространить эту информацию среди своих коллег! Давайте вместе сделаем классный новый проект :)

Мои немногочисленные подписчики, welcome :) Это будет мой третий интенсив с анализом выживаемости, а значит, новый (третий) вариант лекций ))
На этот раз точно без базы - дам ее в качестве прерида! 😜

Где почитать подробнее про treatment switching❓

🔹 NICE TSD 16 (pdf)
🔹 NICE TSD 24 (pdf) -- апдейт NICE TSD 16, который его при этом не заменяет (= читать лучше оба)
🔹 Кусочек презентации с короткого курса ISPOR Europe 2024 от Шеннон Коуп (pdf), в которой есть наглядная классификация методов с указанием первоисточников и табличка со сравнительными характеристиками этих методов
🔹 Мультик от Николаса Латимера про treatment switching (youtube). Sheffield, который там фигурирует, -- это и есть NICE. Мультик старенький, но советую досмотреть до конца: там о до боли знакомом ;) Сьюзан хотя бы был доступен вариант с "академией": на мой взгляд, у нас в этой сфере еще дремучее, чем в фарме :( А так, на ее месте, я бы не показывала начальству результаты того метода, который изначально кажется сомнительным и оставила бы этот методологический выбор за собой %))

Для коррекции на переключение используется один из трех методов:

1️⃣ Взвешивание по обратной вероятности цензурирования (inverse probability of censoring weighting, IPCW)
🔹 подходит для коррекции на переключения любого типа в любом рукаве,
🔹 принцип реализации: переключившиеся пациенты цензурируются на момент переключения → с помощью модели для вероятности переключения в зависимости от исходных и варьирующихся во времени конфаундеров (показателей, одновременно влияющих на переключение и OS) рассчитываются индивидуальные веса → которые затем используются для оценки эффекта воздействия с коррекцией на неслучайное цензурирование,
🔹 требует сбора данных по исходным и варьирующимся во времени конфаундерам,
🔹 предполагает отсутствие ненаблюдаемых конфаундеров,
🔹 плохо работает на небольших выборках и/или большой доле переключившихся.

2️⃣ Моделирование эффекта воздействия после переключения с помощью двухстадийного оценивания (two-stage estimation, TSE)
🔹 подходит для коррекции на переключения любого типа в любом рукаве,
🔹 используется, если переключение привязано к какому-то событию, связанному с заболеванием (например, прогрессированию) -- это событие используется как "второй бейзлайн",
🔹 принцип реализации: с помощью модели ускоренного отклика (accelerated failure time, AFT) для зависимости OS после "второго бейзлайна" от факта переключения с коррекцией на конфаундеры, измеренные на момент "второго бейзлайна", рассчитывается коэффициент → который затем используется для коррекции OS переключившихся (расчета потенциального исхода при отсутствии переключения),
🔹 требует сбора данных по конфаундерам на момент события, после которого происходит переключение,
🔹 предполагает отсутствие ненаблюдаемых конфаундеров на момент "второго бейзлайна",
🔹 предполагает отсутствие конфаундинга для зависимости времени переключения и "вторым бейзлайном" (переключение может происходить не сразу после события),
🔹 плохо работает на небольших выборках и/или большой доле переключившихся.

3️⃣ Моделирование эффекта воздействия с помощью структурной модели (rank-preserving structural failure time model, RPSFTM)
🔹 подходит исключительно для коррекции на переключение между рукавами рандомизации,
🔹 принцип реализации: для каждого пациента время наблюдения в анализе OS разбивается на время на терапии интереса (Ton) и время на терапии контрольной группы (Toff) → потенциальный исход при отсутствии терапии интереса предполагается равным Toff + Ton / TR, где TR -- эффект воздействия в отношении времени до события (по аналогии с AFT) → благодаря рандомизации, предполагаем, что при отсутствии терапии интереса, в среднем потенциальные исходы будут равны для обоих рукавов → для оценки TR используется g-оценивание по данным переключившихся пациентов: путем перебора возможных значений TR находится такое, которое даст одинаковые средние значения потенциальных исходов для рукавов рандомизации,
🔹 предполагает, что эффект воздействия для рандомизированных в экспериментальную группу и эффект воздействия после переключения из контрольной в экспериментальную группу одинаков,
🔹 не требует наличия данных по конфаундерам и допущения об отсутствии ненаблюдаемых конфаундеров,
🔹 менее чувствителен к размеру выборке и доле переключившихся по сравнению с предыдущими двумя методами.

❗️Метод необходимо выбрать заранее, на этапе планирования КЭИ, а учитывая возможные отличия в первичной конечной точке и/или определении стратегии вмешательства в эстиманде по сравнению с РКИ и возможную необходимость коррекции на переключения не только между рукавами рандомизации, то и вовсе на этапе планирования РКИ (чтобы при его проведении собрать необходимые данные/ включить эстиманд для целей ОТЗ в план статистического анализа).

‼️ И все это актуально, если РКИ будет достаточно для принятия решений в области доступа на рынок. Если же необходимо будет проводить непрямые сравнения с компараторами, с которыми не было прямых сравнений в РКИ, при отсутствии доступа к оригинальным индивидуальным данным пациентов по ним, то методов коррекции на переключение нет -- по крайней мере, пока.