Phỏng vấn thầy Nguyễn Văn Tuấn

Lời nói đầu: Nhiều nghiên cứu sinh và giới nghiên cứu y khoa đều biết đến thầy Nguyễn Văn Tuấn. Hiện nay, thầy là giáo sư chuyên về di truyền loãng xương thuộc khoa Y, Đại học New South Wales; giáo sư dịch tễ học và thống kê học của Khoa Y, Đại học Notre Dame, và giáo sư y khoa tiên lượng thuộc Đại học Công nghệ Sydney (UTS). Ở Việt Nam, ngoài những đóng góp quan trọng cho chuyên ngành loãng xương, thầy Nguyễn Văn Tuấn còn có những đóng góp to lớn về phân tích dữ liệu và phương pháp nghiên cứu khoa học, đã giảng cho nhiều ngàn bác sĩ và nhà khoa học ở trong nước hơn 20 năm qua. Hôm nay, Nhi có một buổi trò chuyện thân mật với thầy Tuấn về lãnh vực nghiên cứu khoa học, đặc biệt là phân tích dữ liệu.

Khả Nhi (KN): Xin chúc mừng thầy vừa được trao một giải thưởng danh giá của nước Úc. Xin thầy cho biết chút thông tin về giải thưởng.

Thầy Nguyễn Văn Tuấn (NVT): Cám ơn em. Mấy tuần trước, tôi và một số đồng nghiệp khác được Hội đồng quốc gia về y khoa và y tế Úc (NHMRC) trao cho một phần thưởng (award) gọi là "Leadership Fellow", trước đây gọi là "Australia Fellow". Trong thực tế thì award đó giống như là một 'ghế' khoa học. Tôi được giữ ghế này trong 5 năm, và trong thời gian đó NHMRC trả lương và ngân sách nghiên cứu. Vì cái ghế này rất cạnh tranh, mỗi năm có chừng 40 người được trao, nên các đại học rất thích người của họ được trao ghế và quảng bá. Đối với cá nhân tôi thì đó là một tin mừng vì mình 'sống' tiếp được 5 năm.

KN: Xin thầy cho biết hiện nay thầy đang theo đuổi nghiên cứu gì?

NVT: Tôi đang theo đuổi một số dự án nghiên cứu chánh ở bên Úc và một bên Việt Nam. Nói chuyện Việt Nam trước. Cách đây chừng 5 năm, tôi và đồng nghiệp trong nước khởi động một dự án nghiên cứu qui mô mà tôi gọi là "Vietnam Osteoporosis Study" (VOS) với hơn 4000 người tham gia. Mục tiêu là tìm những yếu tố môi trường và gen có liên quan đến bệnh loãng xương và các bệnh liên quan, và qua đó đào tạo nghiên cứu sinh theo đuổi sự nghiệp nghiên cứu khoa học. VOS đang gây tiếng vang trong chuyên ngành loãng xương trên trường quốc tế. Dự án đó đến nay đã bước vào giai đoạn 3, và chúng tôi đang tìm tài trợ để thực hiện ý tưởng ban đầu là tạo ra một thư viện tham chiếu về gen cho người Việt Nam.

Ở bên Úc, tôi đang theo đổi dự án liên quan đến việc định nghĩa tình trạng mất xương ở người cao tuổi, và qua đó xây dựng một ngưỡng tham chiếu để dự báo mất xương ở người sau mãn kinh. Trong dự án này tôi muốn xây dựng một chữ kí gen để tiên lượng gãy xương. Thật ra, labo tôi đã làm dự án này mấy năm nay, nhưng nhờ vào tiến bộ của phân tích hệ gen, nên tôi muốn nâng tầm dự án một bước cao hơn. Kế đến là giải trình tự gen cho khoảng 4000 người để xây dựng một hệ bệnh lí gọi là "Diseasome". Một trong những thành quả sau cùng tôi muốn đạt được trong 5 năm tới là xây dựng software để phục vụ cho việc tiên lượng loãng xương và gãy xương tốt hơn.

Nói chung, hướng nghiên cứu mới của tôi là ứng dụng genomics vào việc quản lí và điều trị bệnh loãng xương tốt hơn. Tôi hi vọng trong tương lai mình sẽ tạo thêm một dấu ấn về hướng này trên trường quốc tế.

KN: Như vậy hướng nghiên cứu của thầy liên quan đến dịch tễ học và genomics. Thống kê học đóng vai trò quan trọng trong các nghiên cứu loại này?

NVT: Đúng vậy, suy nghĩ thống kê đóng vai trò vô cùng quan trọng trong nghiên cứu lâm sàng, dịch tễ học, và đặc biệt là genomics. Tôi mở ngoặc rằng tôi dùng chữ'suy nghĩ thống kê' – statistical thinking – thay vì phương pháp thống kê. Ai cũng biết mô hình nghiên cứu lâm sàng đối chứng ngẫu nhiên (randomized controlled trial) là một cuộc cách mạng trong y khoa, nhưng ít ai biết rằng triết lí và mô hình nghiên cứu này xuất phát từ suy nghĩ thống kê, với mục tiêu loại trừ bias trong suy luận nhân quả.

Ý tưởng về GWAS (genomewide association study) là xuất phát từ suy nghĩ thống kê. Trước đây, chúng tôi làm nghiên cứu từng gen một, nhưng thường là thất bại vì tính tái lập không cao. Sau này, một nhà thống kê học và di truyền học (Eric Lander) phát kiến giả thuyết "Common Variant – Common Disease" (tức những bệnh phổ biến thường do nhiều gen gây ra), và thế là phương pháp GWAS ra đời. Mới đây, giải trình tự hệ gen (whole genome sequencing hay WGS) cũng là một phát kiến xuất phát từ suy nghĩ thống kê.

Chính nghiên cứu di truyền và hệ gen đặt ra những vấn đề mới và từ đó phương pháp mới ra đời. Nghiên cứu gen và hệ gen sản xuất ra một lượng dữ liệu rất lớn, có thể 5-10 TB dữ liệu cho mỗi bệnh nhân, và nếu không có phân tích thống kê thì đó chỉ là những số liệu vô hồn và vô dụng. Vai trò của thống kê học vô cùng – tôi nhấn mạnh "vô cùng" – quan trọng trong các nghiên cứu với dữ liệu lớn.

KN: Thầy có thể chia sẻ những khó khăn và thách thức liên quan đến thống kê học trong nghiên cứu dịch tễ học và genomics?

NVT: Rất nhiều vấn đề thực tế đặt ra những thách thức cho thống kê học. Tôi nói về dịch tễ học và nghiên cứu lâm sàng trước. Theo tôi, ứng dụng thống kê học trong trào lưu "Precision Medicine" là một thách thức mang tính phương pháp luận và phương pháp:

• Làm sao triển khai kết quả nghiên cứu từ một quần thể (như RCT chẳng hạn) đến một cá nhân bệnh nhân để chăm sóc bệnh nhân tốt hơn.

• Làm sao thiết kế nghiên cứu RCT với những yếu tố mới như polygenic risk score để cá nhân hoá? Mô hình RCT kinh điển có lẽ sẽ không còn thích hợp nữa, chúng ta cần một mô hình mới.

• Làm sao ứng dụng suy nghĩa Bayes vào nghiên cứu lâm sàng tốt hơn. Trong thực tế, chúng ta đã có các nghiên cứu RCT theo mô hình Bayes cho các bệnh cấp tính, nhưng đối với các bệnh lí mãn tính thì đây vẫn là câu hỏi khó.

• Làm sao giảm thiểu bias trong nghiên cứu lâm sàng dịch tễ học vẫn là một thách thức lớn cho thống kê học. Lí thuyết về bias thì đơn giản, nhưng sử dụng lí thuyết trong thực tế nhằm đảm bảo kết luận đáng tin cậy đòi hỏi sự sáng tạo và 'duyên dáng'.

• Vấn đề lớn nhứt hiện nay của khoa học là mức độ tái lập (reproducibility) quá thấp, nhiều kết quả nghiên cứu hoặc là sai hoặc là không lặp lại được, và một lí do chánh là do ứng dụng sai phương pháp thống kê. Thách thức đặt ra cho giới thống kê học là phải giúp cho nhà nghiên cứu phân tích tốt hơn, còn hiện nay thì nhiều người trong khoa học xem giới thống kê học như là những kẻ "khủng bố khoa học" hơn là người giúp đỡ.

Về genomics, tôi nghĩ đến những thách thức liên quan đến thống kê như sau:

• Tích hợp dữ liệu từ nhiều nguồn, như RNA sequencing, DNA sequencing, transcriptomic, proteomics, v.v. để phát hiện những 'pathway' của bệnh lí;

• Mô hình các hiện tượng cấp quần thể và diễn giải cho cá nhân. Chẳng hạn như làm sao tìm phương pháp giúp chúng ta hiểu các quần thể tế bào và đột biến đóng góp vào sự phát triển các mô và 'sepcies' định hình bởi DNA.

• Mô hình tiên lượng. Trong tương lai, nhứt là sau thời GWAS và WGS, vấn đề triển khai dữ liệu thành mô hình tiên lượng nhiều biến số là một thách thức của khoa học thống kê.

• Vấn đề kiểm định nhiều giả thuyết. Nghiên cứu hiện đại kiểm định hàng triệu giả thuyết, và đa số phát hiện là dương tính giả. Phát triển phương pháp mới để giảm tỉ lệ dương tính giả là một thách thức toàn cầu.

Ngoài ra, còn có khó khăn mang tính logistic là quản lí dữ liệu. Như tôi nói trên, nghiên cứu WGS thì dung lượng dữ liệu của mỗi cá nhân có thể lên đến 5-10 TB, và nếu nghiên cứu có vài ngàn bệnh nhân thì nhu cầu lưu trữ và truy cập dữ liệu là một thách thức lớn. Đây là lãnh vực mà giới làm về khoa học dữ liệu có nhiều đóng góp quan trọng.

KN: Thầy đánh giá thế nào về chương trình đào tạo thống kê học và khoa học dữ liệu hiện nay?

NVT: Tôi thấy hiện nay, các chương trình đào tạo chuyên gia thống kê học của các đại học chưa đáp ứng nhu cầu trên. Không biết nơi khác thì sao, nhưng ở Úc này có nhiều nghiên cứu sinh tốt nghiệp tiến sĩ về thống kê học, nhưng họ hầu như không am hiểu hay biết gì về những phương pháp hiện đại và cũng không nhận thức hết vấn đề trong khoa học thực nghiệm. Có người thậm chí không biết mô hình Cox là gì! Họ phải rất vất vả học thêm và được huấn luyện lại để có thể tham gia nghiên cứu nghiêm chỉnh. Tuy nhiên, tình hình này đang thay đổi, vì cộng đồng thống kê học đang nhận ra vấn đề và hi vọng trong tương lai sẽ tốt hơn.

KN: Thầy có trực tiếp phân tích dữ liệu hay cần đến sự trợ lí của một nhà nghiên cứu khác?

NVT: Trước đây, tôi làm tất cả: từ thiết kế nghiên cứu, thu thập dữ liệu, phân tích dữ liệu, đến công bố khoa học. Nhưng sau này tôi chủ yếu làm quản lí khoa học và đề ra định hướng nghiên cứu, chớ không trực tiếp phân tích dữ liệu. Một việc khác là tôi rất bận viết bài báo và viết grant xin tài trợ. Tôi may mắn có các em nghiên cứu sinh và postdoc làm phân tích dưới sự hướng dẫn của tôi. Tuy nhiên, tôi đề ra kế hoạc phân tích dữ liệu cho mỗi dự án nghiên cứu.

KN: Thầy có thể chia sẻ cách lên kế hoạch phân tích dữ liệu?

NVT: Trong lab tôi, bất cứ sinh viên và nghiên cứu sinh nào trước khi bắt tay vào làm nghiên cứu phải có kế hoạc phân tích (plan of data analysis) và tôi phải phê chuẩn. Mỗi kế hoạch, có khoảng 2-3 trang, bao gồm những nội dung như sau:

• Phát biểu giả thuyết khoa học trong 2-5 câu văn;

• Đề ra mục tiêu cụ thể;

• Xác định dữ liệu nào cần phải có (chi tiết đến 1 trang);

• Kế hoạch phân tích cho mỗi mục tiêu; và

• Một số bảng số liệu và biểu đồ cần phải có.

Có kế hoạch phân tích giúp cho nhà nghiên cứu tập trung vào mục tiêu đạt được, không bị phân tán bởi những tiểu tiết. Có 4 bài học hay kinh nghiệm là:

(a) Trước hết phải am hiểu vấn đề nghiên cứu, am hiểu câu hỏi nghiên cứu, rồi mới vạch ra những phương pháp để giải quyết vấn đề;

(b) Bắt đầu bằng những phân tích khai thác dữ liệu như hiển thị dữ liệu, phân tích mô tả, và qua đó giúp chúng ta hiểu dữ liệu hơn. Không nên bắt đầu bằng những phân tích phức tạp (mà một số bạn trẻ hay làm);

(c) Sử dụng phương pháp đơn giản và dễ hiểu. Nếu nghiên cứu được thiết kế tốt, chúng ta không cần đến những phương pháp phức tạp, chỉ cần những phương pháp đơn giản là đủ. Nhiều bạn có xu hướng dùng những phương pháp thời thượng như 'Machine Learning', nhưng kết quả thì rất khó giải thích và đa phần là không sử dụng được trong thực tế.

(d) Lưu trữ tất cả những ghi chú (và R codes) trong một RMarkdown để đảm bảo kết quả nghiên cứu mang tính tái lập.

Tôi tóm tắt những bài học này bằng tiếng Anh là DQSMR: (a) know your DATA; (b) know our research QUESTION; (c) start with SIMPLE descriptive analyses; (d) determine an appropriate statistical MODEL; and RECORD all steps of analysis.

KN: Thầy có giảng dạy về dịch tễ học và thống kê học cho sinh viên?

NVT: Một trong những chức danh của tôi là giáo sư về dịch tễ học và thống kê học của Đại học Notre Dame, nhưng tôi không đứng lớp giảng dạy cho sinh viên. Tôi chỉ nói chuyện trong các buổi seminar chuyên đề, và hướng dẫn nghiên cứu sinh. Tuy nhiên, khi về Việt Nam thì tôi có đứng lớp giảng dạy về chủ đề phương pháp nghiên cứu.

KN: Thầy là người đầu tiên giới thiệu ngôn ngữ R ở Việt Nam. Xin thầy cho biết cơ duyên nào dẫn thầy đến R?

NVT: Tôi nghĩ lần đầu tiên tôi giới thiệu R là năm 1998, tính đến nay đã hơn 20 năm. Đó là một chương trình workshop ở ĐH Bách Khoa cho các em nghiên cứu sinh và giảng viên ngành hoá học. Từ đó, tôi viết cuốn sách đầu tiên về R và xuất bản năm 2005. Sau này, tôi viết thêm 2 cuốn khác về R: "Phân tích dữ liệu với R" và "Hỏi và Đáp Phân tích Dữ liệu với R". Hai cuốn sách này được bạn đọc khắp nơi chào đón nồng nhiệt, và đã tái bản khá nhiều lần.

Tôi đến với R qua học trò tôi. Dạo đó, tôi có một dự án làm về 'genetic linkage' đòi phải những phân tích rất phức tạp. Dữ liệu tôi đã có (tốn tôi hơn 200,000 USD), nhưng tôi không biết làm gì với dữ liệu! Tôi hỏi công ti SAS (sản xuất chương trình SAS nổi tiếng), họ ra giá 50,000 USD cho chương trình SAS/Genetics. Tôi không có ngân sách cho chương trình đó. Nhân một buổi than thở với một em nghiên cứu sinh trong lab, em ấy giới thiệu tôi đến với R, hoàn toàn miễn phí. Tôi ghi danh theo học một lớp về R, chỉ 5 ngày nhưng với cái giá 3000 USD! Tôi bỏ ra hơn 3 tháng trời để tự học R, và thấy rất thích. Sau cùng tôi hoàn tất dự án, và tiết kiệm rất nhiều tiền! Tôi sử dụng R từ đó (1997).

KN: Như vậy, thầy tự học về R? Thầy có thể chia sẻ kinh nghiệm tự học R?

NVT: Cũng có thể nói như vậy: tôi tự học về R là chánh. Trước đây, tôi làm nghiên cứu qua software SAS là chủ yếu, nên chuyển sang R cũng hơi khó khăn lúc ban đầu, nhưng dần dần thì quen, và từ quen rồi đến thích. Kinh nghiệm học R của tôi là như sau:

• Trước hết phải có một dữ liệu thực tế, và mình phải biết qua câu chuyện của dữ liệu;

• Kế đến là một cuốn sách, và cuốn đầu tiên tôi bắt đầu học R là cuốn "Introductory Statistics with R" của Peter Dalgaard, rất dễ đọc và dễ hiểu. (Nếu các bạn không am hiểu tiếng Anh thì cuốn sách của tôi, "Phân tích dữ liệu với R", có thể giúp);

• Học là phải thực hành, và mỗi ngày tôi dành ra chừng 2 tiếng đồng hồ để thực hiện các thao tác phân tích dùng R;

• Lưu giữ các mã R trong RMarkdown để sau này có thể truy cập và sử dụng. Tôi không cố gắng nhớ hết các lệnh; chỉ cần nhớ chừng 50 lệnh căn bản là đủ;

• Về chủ đề, tôi bắt đầu học cách đọc dữ liệu vào R, sau đó là biên tập dữ liệu, kế đến là biểu đồ (data visualization), phân tích mô tả, rồi mới đến phân tích theo mô hình.

Chỉ chừng 2 tuần sau là tôi đã có thể nắm lấy những nguyên lí căn bản của R, và 3 tuần sau là có thể soạn những biểu đồ có chất lượng cao.

KN: Thầy đã giảng cho bao nhiêu workshops về phương pháp nghiên cứu ở Việt Nam?

NVT: Rất nhiều. Nếu chỉ tính những workshop 4 ngày trở lên thì tôi đã giảng cho hơn 20 workshop trên khắp cả nước. Số người tham dự các workshop đó phải hơn 2000. Tuy nhiên, không phải workshop nào cũng tập trung vào R, gần phân nửa workshop là tập trung vào chủ đề phương pháp nghiên cứu, công bố khoa học, và y học thực chứng.

KN: Thầy đánh giá thế nào về khả năng của các đồng nghiệp Việt Nam tiếp nhận phương pháp mới?

NVT: Nói ra thì có vẻ 'mèo khen mèo dài đuôi', nhưng tôi thấy người Việt chúng ta rất ham học và tiếp thu phương pháp mới khá nhanh. Đa số các em tham gia các chương trình tập huấn do tôi và đồng nghiệp giảng có thể ứng dụng ngay trong thực tế và công bố bài báo khoa học.

Nhưng có một nghịch lí ở Việt Nam là trong khi giới trẻ thì hăng hái tiếp thu cái mới, nhiều thầy cô của họ lại rất bảo thủ. Có người cho rằng phương pháp nào mà nước ngoài chưa ứng dụng nhiều thì không nên làm ở Việt Nam! Lại có người xem những bạn trẻ ứng dụng phương pháp mới (mà thật ra thì chẳng có gì là mới ở nước ngoài) là một cách khoe khoang!

Một vấn đề nhỏ khác tôi thấy là có một số bạn khi học về phương pháp phân tích dữ liệu, họ muốn và đòi hỏi phải có ví dụ trong chuyên ngành và về một vấn đề cụ thể mà họ đang làm. Nói cách khác, có những bạn có lẽ quen với 'cầm tay chỉ việc', nên họ không chịu khó đào sâu suy nghĩ, và sáng tạo trong việc ứng dụng phương pháp.

KN: Thầy có một kênh Youtube giảng về phân tích dữ liệu, và được nhiều người theo dõi. Thầy có thể chia sẻ kinh nghiệm về cách giảng trực tuyến?

NVT: Đó là một chương trình rất tình cờ. Dạo đó (chừng 6 năm trước) tôi bị bệnh và phải ở nhà dưỡng bệnh một thời gian. Đến tuần thứ 2 tôi bắt đầu … chán, và phải tìm việc để làm. Tôi viết 2 cuốn sách và hàng chục bài báo khoa học trong thời gian 3 tháng dưỡng bệnh. Ngoài viết sách, tôi nghĩ đến thử nghiệm giảng trực tuyến để giết thì giờ. Vậy là tôi bắt đầu bằng những bài giảng về R, vì rất dễ thực hiện. Tôi không ngờ rằng loạt bài giảng đó được hàng vạn người xem và học. Tôi nhận rất rất nhiều email khích lệ từ khắp nơi trên thế giới, và tôi chợt nhận ra mình có thể giúp nhiều người qua cái việc 'giết thì giờ' này. Vậy là kênh youtube đó ra đời. Mấy năm qua tôi bận quá, nên không cập nhựt hoá. Nhưng vài tháng trước khi tình trạng dịch Vũ Hán và 'lockdown' xảy ra, tôi lại kích hoạt kênh này, và hi vọng sẽ duy trì trong tương lai.

Kinh nghiệm của tôi về giảng trực tuyến rất đơn giản: tôi giảng cứ như là đang đứng trước các học viên rong lớp học ở Việt Nam. Điều này có nghĩa là tôi rất nghiêm chỉnh, và ngay trang phục tôi cũng phải chỉnh tề cứ như là đi làm! Các bài giảng phải rất tập trung vào một chủ đề, bài giảng phải kèm theo ví dụ thực tế, slide phải gọn gàng và có chất lượng cao, bài giảng phải có chút thông tin mang tính lịch sử (có khi vui vui), và phải có phiên thực hành trên máy tính. Mỗi bài giảng tôi xem là một câu chuyện khoa học, chớ không đơn thuần là giảng.

Mỗi bài giảng, tôi đầu tư khá nhiều thì giờ và công sức. Việc chọn ví dụ minh hoạ không hề đơn giản, mà phải có đầu tư suy nghĩ nhiều. Rồi phải quyết định mình giới thiệu cái gì là cần thiết và cái gì là không cần thiết. Phải kết hợp với kinh nghiệm nghiên cứu thực tế của tôi. Có bài giảng tôi mất cả tuần chỉ để suy nghĩ, dù soạn slide thì chỉ chừng 30 phút là xong. Tôi rất quan tâm đến người xem, và không muốn họ xem xong và nói "thật là uổng thì giờ". Do đó, tôi xem sự đầu tư về tâm trí và thời gian của mình cho mỗi bài giảng là một sự tôn trọng người xem.

KN: Thầy nổi tiếng là người có thể giải thích những vấn đề phức tạp bằng một ngôn ngữ đơn giản. Xin thầy chia sẻ bí quyết nào để giải thích những khái niệm và phương pháp thống kê để các bác sĩ có thể hiểu dễ dàng?

NVT: Có lẽ chẳng có bí quyết nào cả, mà chỉ là cá tánh thôi. Tánh tôi thích cái gì đơn giản, cái gì mình có thể cảm nhận được hơn là những gì trừu tượng. Tôi dùng nghệ thuật ví von và câu chuyện y khoa để chuyển tải các khái niệm thống kê đến các bác sĩ.

Do đó, tôi có thói quen ví von các khái niệm trừu tượng bằng những hình ảnh dễ hiểu. Chẳng hạn như nói về phương pháp bootstrap, tôi dùng hình tượng của Tôn Ngộ Không có thể biến hoá thành một hay nhiều Tôn Ngộ Không khác. Cái hình tượng ví von đó dĩ nhiên là không hoàn toàn chính xác (và sẽ không bao giờ có ví von chính xác) nhưng nó nói lên được bản chất và ý tưởng của câu chuyện, và vừa đem lại câu chuyện vui trong khi học hành. Nhưng tôi không bao giờ ví von quá mức.

Hay như giải thích về trị số P hay phương pháp Bayes, tôi phải dùng ngôn ngữ chẩn đoán bệnh thì các bác sĩ mới dễ cảm nhận. Nếu tôi dùng ngôn ngữ xác suất và những công thức rối rắm thì chắc chắn các bác sĩ sẽ bỏ cuộc, không thèm theo dõi, vì họ nghĩ chẳng liên quan gì đến họ! Tôi cũng không bao giờ dùng cách ví dụ trong sách giáo khoa như quăng đồng xu hay đánh bài để giải thích về xác suất cho bác sĩ (vì tôi thấy nó không thực tế); tôi lấy ví dụ thực tế là bác sĩ đang khám bệnh nhân cụ thể, họ cần thu thập thông tin gì, làm xét nghiệm gì, và diễn giải kết quả xét nghiệm ra sao. Đó là cách giải thích xác suất đi vào đời sống mà rất thực tế nhưng nghiêm chỉnh (vì dính dáng đến 1 bệnh nhân).

Do đó, đừng xem xác suất là một trò chơi, cũng đừng xem nó là một giáo điều. Tôi nói rõ rằng rất nhiều khái niệm xác suất và toán học rất đẹp, nhưng nếu theo 'giáo điều' thì 99% các phương pháp đó và khái niệm đó không thể ứng dụng trong y khoa. Khi giảng về một phương pháp, tôi hay lấy một bài báo khoa học đã công bố trên một tập san lừng danh, rồi đặt ra những câu hỏi cho bác sĩ thảo luận. Cuối cùng thì câu trả lời vẫn quay về xác suất và bất định (nhưng tôi không dùng chữ "xác suất") mà đặt trong bối cảnh ứng dụng kết quả đó cho một bệnh nhân. Tôi muốn bác sĩ dùng xác suất và phương pháp suy luận thống kê một cách có trách nhiệm, chớ không chỉ đơn thuần là một trò chơi đồng xu.

Khả Nhi: Em và các bạn đồng nghiệp xin cảm ơn Thầy vì thời gian dành cho nhóm và những thông điệp có ý nghĩa để làm hành trang cho các bạn trong sự nghiệp của mình.

Các bạn có thể theo dõi kênh Youtube về Thống kê sử dụng R của giáo sư Tuấn tại: https://www.youtube.com/channel/UC21dOPe-YHO3Gw6BRbyeotQ