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