Автор отчёта CONSORT 2010
Создаёт отчёт CONSORT по данным РКИ
Описание
На основе данных рандомизированного контролируемого исследования (РКИ) — метода рандомизации, статуса ослепления, анализа статистической мощности, чисел на этапах схемы CONSORT (прошли скрининг/рандомизированы/распределены/проанализированы) и подхода к анализу ITT/PP — создаёт полный черновик разделов «Аннотация», «Методы» и «Результаты», соответствующий всем 25 пунктам CONSORT 2010. Он не смешивает ITT и PP, а также проверяет согласованность чисел на схеме исследования (рандомизированы ≥ распределены ≥ наблюдались до конца исследования ≥ проанализированы). Кроме того, он заранее выявляет как минимум 4 возражения, которые часто выдвигают рецензенты журналов (например, «почему не представлен анализ ITT», «проверялась ли эффективность ослепления», «не было ли изменения исходов») и предлагает для каждого защитную формулировку. Предназначен для клинических исследователей в медицине, сестринском деле и фармации, проводящих РКИ и стремящихся обеспечить методологическую строгость до подачи статьи в журнал. Чего он не делает: не выполняет статистический анализ и не генерирует данные — он только преобразует уже имеющиеся результаты в отчёт по стандарту CONSORT.
Похожие скиллы
Посмотреть все
Автор отчёта метаанализа
Создаёт полный текст разделов «Методы», «Результаты» и «Ограничения» в соответствии с PRISMA 2020 и Cochrane Handbook на основе статистики вашего метаанализа (объединённый размер эффекта, I², Q, tau², показатели систематической ошибки публикации). Не допускает неверной интерпретации значения I², включая трактовку как «процент дисперсии», и избегает чрезмерно категоричных причинно-следственных формулировок, используя осторожные выражения вроде «результаты согласуются с…» вместо «данные доказывают, что…». В конце также предлагает как минимум 3 вопроса, которые может задать рецензент, вместе с вариантами ответов для защиты. Подходит исследователям, которые пишут статью с метаанализом и хотят усилить раздел «Методы» перед подачей в журнал. Чего инструмент не делает: он не выполняет статистические расчёты по исходным данным (у вас уже должны быть результаты из R/RevMan/CMA) — он только преобразует и интерпретирует ваши результаты в академический текст.
Полный отчёт по CONSORT 2010
На основе данных рандомизированного контролируемого исследования (RCT) — метода рандомизации, сведений о маскировании, анализа мощности, численности участников на этапах CONSORT (screened/randomized/allocated/analyzed) и подхода к анализу ITT/PP — создаёт полный черновик разделов «Аннотация + Методы + Результаты» в соответствии с 25 пунктами CONSORT 2010. Никогда не смешивает ITT и PP; проверяет согласованность чисел на блок-схеме (randomized ≥ allocated ≥ followed-up ≥ analyzed). Кроме того, заранее выявляет как минимум 4 возражения, которые часто выдвигают рецензенты медицинских журналов (например, «почему не представлен анализ ITT», «проверялась ли успешность маскирования», «была ли замена исходов»), и предлагает для каждого формулировку ответа. Предназначен для клинических исследователей, а также учёных, проводящих RCT в области медицины, сестринского дела и фармации и стремящихся обеспечить методологическую надёжность исследования перед подачей статьи в журнал.
Entropy-TOPSIS-ML + Возражения
Создаёт полный отчёт по разделам «Методы» и «Результаты» на основе результатов энтропийного взвешивания, ранжирования TOPSIS и классификатора машинного обучения (XGBoost, Random Forest, Logistic Regression и др.). Корректно интерпретирует AUC по критериям Хосмера—Лемешоу и явно указывает на риск переобучения, если разрыв между показателями на обучающей и тестовой выборках велик. Также заранее выявляет не менее 4 возражений, которые часто выдвигают рецензенты журналов (например, «как учитывался дисбаланс классов» или «внешняя валидационная выборка не использовалась»), и предлагает формулировку ответа на каждое из них. Подходит исследователям в области медицинской информатики, прогнозирования клинических рисков и гибридной методологии MCDM-ML, которым нужна методологическая обоснованность перед подачей статьи в журнал.
Автор отчёта CONSORT 2010
Создаёт отчёт CONSORT по данным РКИ
Описание
На основе данных рандомизированного контролируемого исследования (РКИ) — метода рандомизации, статуса ослепления, анализа статистической мощности, чисел на этапах схемы CONSORT (прошли скрининг/рандомизированы/распределены/проанализированы) и подхода к анализу ITT/PP — создаёт полный черновик разделов «Аннотация», «Методы» и «Результаты», соответствующий всем 25 пунктам CONSORT 2010. Он не смешивает ITT и PP, а также проверяет согласованность чисел на схеме исследования (рандомизированы ≥ распределены ≥ наблюдались до конца исследования ≥ проанализированы). Кроме того, он заранее выявляет как минимум 4 возражения, которые часто выдвигают рецензенты журналов (например, «почему не представлен анализ ITT», «проверялась ли эффективность ослепления», «не было ли изменения исходов») и предлагает для каждого защитную формулировку. Предназначен для клинических исследователей в медицине, сестринском деле и фармации, проводящих РКИ и стремящихся обеспечить методологическую строгость до подачи статьи в журнал. Чего он не делает: не выполняет статистический анализ и не генерирует данные — он только преобразует уже имеющиеся результаты в отчёт по стандарту CONSORT.
Похожие скиллы
Посмотреть всеАвтор отчёта метаанализа
Создаёт полный текст разделов «Методы», «Результаты» и «Ограничения» в соответствии с PRISMA 2020 и Cochrane Handbook на основе статистики вашего метаанализа (объединённый размер эффекта, I², Q, tau², показатели систематической ошибки публикации). Не допускает неверной интерпретации значения I², включая трактовку как «процент дисперсии», и избегает чрезмерно категоричных причинно-следственных формулировок, используя осторожные выражения вроде «результаты согласуются с…» вместо «данные доказывают, что…». В конце также предлагает как минимум 3 вопроса, которые может задать рецензент, вместе с вариантами ответов для защиты. Подходит исследователям, которые пишут статью с метаанализом и хотят усилить раздел «Методы» перед подачей в журнал. Чего инструмент не делает: он не выполняет статистические расчёты по исходным данным (у вас уже должны быть результаты из R/RevMan/CMA) — он только преобразует и интерпретирует ваши результаты в академический текст.
Полный отчёт по CONSORT 2010
На основе данных рандомизированного контролируемого исследования (RCT) — метода рандомизации, сведений о маскировании, анализа мощности, численности участников на этапах CONSORT (screened/randomized/allocated/analyzed) и подхода к анализу ITT/PP — создаёт полный черновик разделов «Аннотация + Методы + Результаты» в соответствии с 25 пунктами CONSORT 2010. Никогда не смешивает ITT и PP; проверяет согласованность чисел на блок-схеме (randomized ≥ allocated ≥ followed-up ≥ analyzed). Кроме того, заранее выявляет как минимум 4 возражения, которые часто выдвигают рецензенты медицинских журналов (например, «почему не представлен анализ ITT», «проверялась ли успешность маскирования», «была ли замена исходов»), и предлагает для каждого формулировку ответа. Предназначен для клинических исследователей, а также учёных, проводящих RCT в области медицины, сестринского дела и фармации и стремящихся обеспечить методологическую надёжность исследования перед подачей статьи в журнал.
Entropy-TOPSIS-ML + Возражения
Создаёт полный отчёт по разделам «Методы» и «Результаты» на основе результатов энтропийного взвешивания, ранжирования TOPSIS и классификатора машинного обучения (XGBoost, Random Forest, Logistic Regression и др.). Корректно интерпретирует AUC по критериям Хосмера—Лемешоу и явно указывает на риск переобучения, если разрыв между показателями на обучающей и тестовой выборках велик. Также заранее выявляет не менее 4 возражений, которые часто выдвигают рецензенты журналов (например, «как учитывался дисбаланс классов» или «внешняя валидационная выборка не использовалась»), и предлагает формулировку ответа на каждое из них. Подходит исследователям в области медицинской информатики, прогнозирования клинических рисков и гибридной методологии MCDM-ML, которым нужна методологическая обоснованность перед подачей статьи в журнал.
Найди свой следующий любимый скилл
Изучи больше отобранных AI-скиллов для исследований, творчества и повседневной работы.