به گزارش روابط عمومی بیمارستان فارابی دانشگاه علوم پزشکی تهران، دکتر مهدی یاسری، استاد گروه آمار زیستی دانشگاه علوم پزشکی تهران، در کارگاه آموزشی با عنوان «از ارتباط تا علیت: مفاهیم ضروری برای چشم پزشکی بالینی» که به مناسبت هفته پژوهش برگزار شد، بر اهمیت ترسیم نقشه راه نوین برای پژوهشگران حوزه سلامت تاکید کرد.

«Deep Research»؛ جایگزینی برای مشاور در دسترس

دکتر یاسری با اشاره به چالش همیشگی پژوهشگران در جمع‌آوری داده‌ها بدون مشاوره آماری گفت: «بسیاری از محققان پس از ماه‌ها جمع‌آوری سخت نمونه‌ها، در مرحله آنالیز و انتشار با بن‌بست مواجه می‌شوند، چراکه برخی متغیرهای کلیدی از ابتدا دیده نشده‌اند.»
وی افزود: «اگر دسترسی به متخصص آمار ندارید، توصیه می‌کنم پیش از شروع مطالعه از هوش مصنوعی معتبر، به‌ویژه قابلیت Deep Research در مدل‌هایی مانند ChatGPT استفاده کنید. با شرح دقیق عنوان و هدف مطالعه، از هوش مصنوعی بخواهید مانند یک مرور سیستماتیک، متغیرهای ضروری و مخدوش‌کننده‌های احتمالی را به شما پیشنهاد دهد تا در چک‌لیست اندازه‌گیری خود بگنجانید.»

استانداردسازی با شبکه EQUATOR

استاد دانشگاه علوم پزشکی تهران بر اهمیت استفاده از چک‌لیست‌های استاندارد تاکید کرد و اظهار داشت: «پژوهشگران باید از روز اول، چک‌لیست مرتبط با نوع مطالعه خود (کوهورت، کیس-کنترل، کارآزمایی بالینی و...) را از پایگاه EQUATOR دریافت کنند. داوران مجلات معتبر بر اساس همین چک‌لیست‌ها مقاله شما را ارزیابی می‌کنند و رعایت آن‌ها شانس پذیرش مقاله را به‌شدت افزایش می‌دهد.»

دام بزرگ مطالعات مشاهده‌ای؛ مخدوش‌کننده‌ها

دکتر یاسری در بخش اصلی سخنان خود به مبحث «استنتاج علّی» (Causal Inference) پرداخت و تفاوت آن را با همبستگی ساده شرح داد. وی توضیح داد: «در مطالعات مشاهده‌ای که امکان کارآزمایی بالینی تصادفی (RCT) وجود ندارد، مقایسه ساده گروه درمان‌شده و درمان‌نشده می‌تواند گمراه‌کننده باشد. تفاوت نتایج ممکن است ناشی از شدت بیماری اولیه، سن یا طول مدت بیماری باشد، نه اثر واقعی دارو. این همان تله متغیرهای مخدوش‌کننده (Confounders) است.»

دو راهی استراتژیک؛ ATT یا ATE؟

وی به زبانی ساده تفاوت دو مفهوم کلیدی در تفسیر نتایج را تشریح کرد. اثر درمان بر گروه درمان‌شده (ATT)؛ این شاخص به پزشکان بالینی می‌گوید بیمارانی که عملاً دارو را دریافت کرده‌اند، چقدر سود برده‌اند. روش آماری مناسب برای این هدف، تطبیق نمره تمایل (Propensity Score Matching) است.
وی همچنین درباره اثر درمان بر کل جمعیت (ATE) تصریح کرد: «این شاخص برای سیاست‌گذاران و بیمه‌ها جذاب است و نشان می‌دهد اگر تمام جمعیت بیماران (حتی کسانی که دارو را نگرفته‌اند) درمان شوند، چه نتیجه‌ای حاصل می‌شود. روش آماری مناسب برای این هدف، وزن‌دهی (Weighting) است.»

جمع‌بندی؛ همبستگی همیشه علیت نیست

دکتر یاسری در پایان خاطرنشان کرد: «پژوهشگران باید در بخش بحث (Discussion) مقاله خود صادقانه به محدودیت‌ها و مخدوش‌کننده‌های پنهان اشاره کنند. هدف نهایی ما ساختن یک دنیای موازی فرضی است تا بفهمیم اگر بیمار درمان نمی‌شد چه اتفاقی می‌افتاد. انتخاب روش آماری صحیح (مچینگ برای ATT یا وزن‌دهی برای ATE) کلید تبدیل یک مشاهده ساده به یک استدلال علمی محکم است.»