ДОГИ, ДАГИ, РЕБРА И ГРАФИК
⠀
При проведение клин исследований необходимо учитывать много переменных, помимо лечения и исходов. И при стат анализе необходимо учитывать и контролировать некоторые из них, чтобы минимизировать различные bias и смещение результатов 🤔
⠀
❗С этим может помочь прямой ациклический граф (DAG, directed acyclic graph) ❗
⠀
Это визуальное отображение потенциальных взаимодействий 🙈
Так как в наших конкретных предположениях имеется упорядоченность во времени, то циклы не возникают (ацикличный) и есть определенное направление (прямой) 👨🏻🎓
⠀
На рис.1 (в карусели) видно, что DAG состоит из узлов (факторы) и ребер (связи/стрелочки). По своей сути это лишь абстракция, которая помогает принимать решение🤓
⠀
В него можно включать как известные факторы с изученным воздействием, так и неизвестным (в т.ч. по которым у нас нет данных) с предположениями о воздействии (жаль, что нам их не проверить 😭)
Выявив визуально потенциальные источники ошибок, мы проводим стат анализ с коррекцией или без (зависит от типа bias/смещения) 🤖
⠀
На важно знать, что есть 2 типа пути (рис.2):
🔸 прямой (все стрелки направлены от вмешательства к исходу)
🔸 непрямой (остальные)
⠀
В идеале у нас должен быть открыт основной прямой путь и закрыты все непрямые (на усмотрение исследователей и некоторые прямые), тогда получим оценку без смещений. Но вот тут и начинаются сложности... 😬
Чтобы закрыть путь когда-то надо проводить коррекцию, а когда-то не надо (большая, сложная и нудная тема, вы же тут не за этим 🙉)
⠀
С неизвестными/ненаблюдаемыми факторами мы ничего сделать не может, только думать и делать выводы👽
⠀
И моя любимая рубрика «Ограничения» 🎉 (даже у рисуночков они есть):
📍 DAG лишь показывают определенный набор предположений, которые могут быть неверными.
📍 Они не отображают величину отклонений или взаимодействие со случайными ошибками.
📍 Они могут стать очень сложными (повторяющиеся измерения и прочее), что делает интерпретацию трудоемкой (но мб она отражает опасения о потенциальных bias’ах?).
⠀
Как думаете должно это внедрятся в практику и стать нормой при публикации результатов?
#DAG #ebm_causal
⠀
При проведение клин исследований необходимо учитывать много переменных, помимо лечения и исходов. И при стат анализе необходимо учитывать и контролировать некоторые из них, чтобы минимизировать различные bias и смещение результатов 🤔
⠀
❗С этим может помочь прямой ациклический граф (DAG, directed acyclic graph) ❗
⠀
Это визуальное отображение потенциальных взаимодействий 🙈
Так как в наших конкретных предположениях имеется упорядоченность во времени, то циклы не возникают (ацикличный) и есть определенное направление (прямой) 👨🏻🎓
⠀
На рис.1 (в карусели) видно, что DAG состоит из узлов (факторы) и ребер (связи/стрелочки). По своей сути это лишь абстракция, которая помогает принимать решение🤓
⠀
В него можно включать как известные факторы с изученным воздействием, так и неизвестным (в т.ч. по которым у нас нет данных) с предположениями о воздействии (жаль, что нам их не проверить 😭)
Выявив визуально потенциальные источники ошибок, мы проводим стат анализ с коррекцией или без (зависит от типа bias/смещения) 🤖
⠀
На важно знать, что есть 2 типа пути (рис.2):
🔸 прямой (все стрелки направлены от вмешательства к исходу)
🔸 непрямой (остальные)
⠀
В идеале у нас должен быть открыт основной прямой путь и закрыты все непрямые (на усмотрение исследователей и некоторые прямые), тогда получим оценку без смещений. Но вот тут и начинаются сложности... 😬
Чтобы закрыть путь когда-то надо проводить коррекцию, а когда-то не надо (большая, сложная и нудная тема, вы же тут не за этим 🙉)
⠀
С неизвестными/ненаблюдаемыми факторами мы ничего сделать не может, только думать и делать выводы👽
⠀
И моя любимая рубрика «Ограничения» 🎉 (даже у рисуночков они есть):
📍 DAG лишь показывают определенный набор предположений, которые могут быть неверными.
📍 Они не отображают величину отклонений или взаимодействие со случайными ошибками.
📍 Они могут стать очень сложными (повторяющиеся измерения и прочее), что делает интерпретацию трудоемкой (но мб она отражает опасения о потенциальных bias’ах?).
⠀
Как думаете должно это внедрятся в практику и стать нормой при публикации результатов?
#DAG #ebm_causal