other topics

Bài giảng 'occasional'

Suy luận Bayes và tình trạng bất tái lập trong nghiên cứu

Đây là bài giảng mời trong hội nghị khoa học thường niên của Bệnh viện St Vincent's và ĐH New South Wales về tình trạng 'bất tái lập' hay irreproducibility trong khoa học. Tôi bàn về các yếu tố liên quan, và để xướng việc ứng dụng Bayes thường xuyên hơn để nâng cao tính tái lập trong nghiên cứu khoa học. Tôi cũng giải thích tại sao chúng ta cần phải hạ thấp ngưỡng trị số P xuống 0.005 hay 0.001 để tuyên bố một phát hiện. Sau cùng, có khuyến cáo rằng chúng ta nên ngưng nói "statistically significant" hay "có ý nghĩa thống kê"!

Link: https://www.youtube.com/watch?v=6Vhjsl_1Eh8

Y học thực chứng và đại dịch Covid-19

(Bài giảng trong Hội nghị Hội Y học TPHCM, 8/11/2020)

Tóm tắt: Đại dịch Covid-19 cùng những vấn đề liên quan đã là đề tài của hàng vạn nghiên cứu trên thế giới. Nhưng bên cạnh một số rất ít nghiên cứu có phẩm chất tốt và tầm ảnh hưởng cao, đa số nghiên cứu không có đóng góp gì quan trọng, thậm chí gây nhiễu y văn. Rất nhiều nghiên cứu có vấn đề về phương pháp và phương pháp luận, kể cả thiết kế, phân tích và diễn giải. Trong bối cảnh như thế, các nguyên lí của Y học Thực chứng (Evidence Based Medicine) có thể giúp cho việc đánh giá nghiên cứu và diễn giải kết quả nghiên cứu đầy đủ hơn. Trong bài này, tôi sẽ bàn qua việc áp dụng các nguyên lí này trong việc thẩm định nghiên cứu Covid-19. Các nghiên cứu Covid-19 sẽ được dùng để minh hoạ cho các khái niệm sai lệch (bias), độ nhạy của nghiên cứu, ý nghĩa trị số P, kiểm định nhiều giả thuyết và phát hiện dương tính giả, và ứng dụng phương pháp Bayes trong diễn giải kết quả nghiên cứu trái ngược nhau. Những tiêu chí đề ra trong bài này sẽ giúp cho việc đánh giá một công trình nghiên cứu có hệ thống hơn, và giúp rút ngắn hơn khoảng cách giữa nghiên cứu khoa học và ứng dụng lâm sàng.

Abstract: The coronavirus pandemic (Covid-19) and its impacts have become the subject of intense research. Thousands of research groups around the world have redeployed their laboratories to study coronavirus, and they have produced thousands of research publications over a relatively short period. Apart from very few game-changing papers, most of these publications were of low quality and did not contribute significantly to the literature. Many papers suffered from important shortcomings pertaining to experimental design, data analysis and interpretation. In such a scenario, the method of evidence-based medicine (EBM) can help determine the most relevant and quality publications. In this paper, I discuss key EBM principles and how to apply them in the evaluation of Covid-19 research publications. I specifically focus on issues related to collider and selection biases, quality of research design, interpretation of P-values and the problem of multiplicity of hypothesis testings, false positive discovery rate, and Bayesian inference. Each issue is illustrated with a specific study. I hope that the issues discussed here will help health care professionals to systematically evaluate treatment claims and translation of Covid-19 research findings into clinical care.