Mayo Clinic研究型医院人才培训计划精彩继续--让研究问题与研究设计和统计学方法保持一致

2021
04/30

+
分享
评论
惠每医疗 / 君佑医疗科创研究院
A-
A+

Mayo Clinic研究型医院人才培训计划精彩继续--让研究问题与研究设计和统计学方法保持一致

4月17日,Mayo Clinic研究型人才培训计划在上海、北京、广州、武汉和成都进行了第二次集中授课,来自全国三甲医院的数百名临床研究者,和本地活动成都、广州的学术支持单位,四川大学华西医院和南方医科大学附属各医院的临床研究者与Mayo Clinic流行病专家、统计学专家和临床试验专家就临床研究核心能力的第二部分—让研究问题与研究设计和统计学方法保持一致展开了学习和讨论。课程从课堂授课,进阶到案例讨论,最后在精彩的课堂提问与解答中圆满结束。

Mayo Clinic 流行病学专家Dr. Bielinski的授课从这个大家都关心的问题开始,她说,一个临床研究,从组织研究、收集数据,到最后写出经过同行评审的稿件,需要大量的工作。在此之前,充分地理解文献,做到尽职调查是必须的,只有这样,才能找到能推动某一领域发展的研究问题。

那么,什么是尽职地文献检索呢?

第一,了解你正在使用的数据库的优势和局限性,特别是在你真正需要理解数据库的那个领域;

第二,不要盲目地做文献综述,很有可能你会因为原始文献的错误而犯错,更多地利用其引用的参考文献可以避免这个错误;

第三,如果文献过多,可以从标题、摘要找到相关文章,然后用表格的方式将他们的主要内容罗列出来。

Dr. Bielinski在课堂上还展示了一个她自己的工作文档,表明无论在什么情况下,都必须尽职地理解文献,这样才能找到新颖的、未知的知识缺口。


来自广州暨南大学的老师提问:临床有很多强有力的证据可以改变结局,但有的文献中提到的相关关系就特别弱,比如尿酸与心脑血管病的发生率,后续又有新的文章来推翻这个结果,我想问一下这类相关关系弱的问题值不值得去做?

Dr. Bielinski:我认为值得的。举个例子,我们已经有30年的心血管相关生物标志物研究了,我自己都做了很多生物标志方面的工作,包括基因和分子生物标志。但在临床中,无论是基因方面,还是在血液中循环的分子生物标志物上,除了血脂类,这些都不在我们的风险评分中。CRP能预测心血管疾病,还有很多生物标志物可以预测,但是很难把它应用到临床中,但是我觉得这真的能很好地推动生物学的进步。生物学是很复杂的,随着我们对心脏病认知的不断深入,我们就会发现我们现在所知甚少,我们必须明白这真的很复杂,丰富知识是一个有价值的目标。另外一个例子是人类基因组计划。当我们第一次做基因排序时我年龄就很大了,虽然我知道它将给医学带来一场革命,意义重大,但是依旧很少有基因方面的发现转化为常规的临床实践。但我们学到了很多,我们已经开发出了药物,因为我们已经发现了生物学之间的联系,所以我认为这一切都是值得的。有些发现非常适用于临床,有些则不然,加深我们对病理生理学的理解,也是值得的。


来自北京的提问:我们在现实中会产生一些Idea,比如一个暴露和一个结果之前的关系,我们为此会去查文献,但发现众多文献中讨论的结果常常是相反的,这时我们该怎么办,这个问题还值得研究吗?

Dr. Bielinski:的确,世界上有很多我们认为质量很差的研究。我们上次课谈到过如何阅读一个文献。阅读文献时要分析研究设计的各个方面:是从假设出发,如何定义变量等,我认为论文的好坏取决于研究人员,你需要了解论文中提到的研究的优势和局限性,最后确定真实的部分以及导致结果出现问题的地方。说到底,这仍然是一个主观判断。

Dr. Winham:我来从统计学的角度继续补充一下。有很多论文甚至没有描述他们在统计分析中做了什么,比如只说做了t检验和创新研究,试图评估这一标准会变得非常困难,甚至变得非常具有挑战性。即使这样,在批判性评价中你可能也会从中受益,因为你能够强调你将思想纳入所进行的分析和研究设计中,让读者可以看到你的研究确实如此严格。就评估结果而言,对于在论文中你认为应该披露但未披露的内容,我将保持谨慎的态度。不仅要查看这些统计结果中的p值,如果结果基于p值存在冲突,还应该继续研究他们所报告的效应大小差异。两篇论文的结果是矛盾的,如其中一篇获得了显著的结果,而另一篇却没有。但如果仔细查看它们的效应量估计值及其置信区间,它们可能会相互重叠,并且结果可能并不像从结果中看到的那样矛盾。

接下来,Dr. Bielinski 介绍了使用有向无环图(DAG)来表达想法,但需要花时间来规划整个研究设计而非仅仅是研究方法来保证研究的顺利进行。不能草率地开始收集数据,一旦收集数据的方法有错误,在后面是修复不了的。在研究开始前,需要先做可行性试验,也就是数据是否可以采集得到。如果可以采集得到,我们还要做一个探索性的分析,看看暴露和结局的关系。最后还需要找到同行讨论观点。在研究设计时,一定要关注一个主要的问题及一个是或否的结论,如果有次要问题,一定要保证其是次要的,不要影响主要问题。


武汉来自安徽医科大学第一医院的心血管医生:您讲课中的有向无环图中有一个双箭头,这样是不是就变成了循环图,不知道怎么理解?

Dr. Bielinski:当我教流行病学的时候,我的学生会采用两种工具,一种是DAG,另一个是2*2交叉表,它们确实可以帮您整理思路,我们可以把DAG作为一个概念模型。至于双向箭头的问题,我想随着课程的深入,你们会了解到更复杂的统计学和生物学的相互作用,DAG是可以帮助识别混杂因素,以及需要衡量的因素。这些因素可能会混淆或调节结果和暴露之间的联系,这就是一种先规划想法然后再开始研究设计过程的方法,从高层次上阐述生物学的方式,这对我们是有帮助的。


来自广州的问题:请教一下罕见病例的临床研究招募方法,这种病历比较少,差异也比较大,想问一下罕见病例的临床设计方法在Mayo Clinic有什么经验?

Dr. Winham:我们三位都不从事罕见病的研究,我做卵巢癌,相比其他瘤种发病率是低的,但也不是那种确切定义的罕见病,所以我们对罕见病也不是特别的了解。如果真的是罕见病的话病例数确实是非常非常少,因此样本量被限制了,这个确实是一个问题,是一个很大的挑战,这个是需要写到你的论文里的,也是很难克服的一个困难。

Dr.Pruthi:非常不幸的是这些罕见病我们往往最后都是病例报告的形式,而不是临床试验的研究设计,在我们审稿的过程中看见都是罕见病的病例报告而不是相关的临床研究。

Dr. Bielinski 在她的进阶课程中开始与大家讨论研究人群,它以群体特征而不是以个体表现为研究对象,需要每日与患病个体打交道的临床医生在研究中慢慢接受。

固定人群和动态人群:有某特征的人保持不变,比如某时间段出生的人群,在某个时间段居住在某地的人群,相比固定人群,动态人群就是某特征的人不断变化,如某一时间段患高血压的病人,研究主要针对固定人群

危险人群和无危险人群:研究风险因素的时候需要考虑危险人群和无危险人群,危险人群指某些特征与风险因素关联了,比如女性与女性特有的疾病;无危险人群主要指已经患病、获得性免疫和无此生物学功能的人。可以通过2*2表格来建立简明的自变量和因变量的关系。

研究样本,目标人群和外部人群:样本代表目标人群,产生内部效度;目标人群能够代表外部人群,形成外部的普遍性。

人群的抽样方法

方便抽样:好进行速度快,易产生偏移。多用于可行性研究。

简单随机抽样:可以有平均的机会去抽到目标人群的每一个人,可以代表总体人群,但在一些亚组部分层中你可能抽到的人数不足。用于提供一个具有代表性的人群的一个样本。

分层抽样:随机进行分层抽样的时候可以是按比例的随机抽样,这个方法可以很好的代表你的总人群,但是没有办法进行亚组的分析,如果目标是进行亚组的对比,就要进行非比例分层随机抽样。

来自上海的提问:我在自己的临床研究中发现,有些问题在CRF表格中出现,但是患者只有25%的人能提供这些信息,那么我是应该把CRF表格中这些问题去掉,还是我继续记录这25%的人的信息,最后再做一个小样本的亚组分析?因为这些信息对我来说,对这个临床试验来说是比较重要的。

Dr. Winham: 您关心的是数据缺少的问题,现在看只有25%的数据,也就是说缺失了75%,那么在这种情况下,我认为必须要考虑的关键问题在于为什么那部分数据缺失了。对于缺少的数据来说,如果来自于与观察数据有系统差异的患者的话,那么要呈现的结果可能不会代表目标人群,所以当你在呈现结果的时候要非常小心。但如果这部分数据确实是随机缺失的,那么结果并不会出现明显的结论偏移。但我还是要说,如果只观察到其中的25%的数据,这个量很小了,如果是我的话,我会非常谨慎。反之而言 如果缺的是25%,那可能就不那么令人担忧了。我会采用的方法是尝试评估这两个群体有哪些不同,试图了解出现这种偏移的原因,但听起来这在你的特定示例中很难实现。

Dr. Bielinski:研究人群需要反映出研究假说对其起作用的对象,二者如果不匹配,这就出现了偏移。


来自上海的提问:我们平时接触比较多的是从一个整体来抽样、分类,较少接触到外部人群的概念,按照你的表格,是否是说只要同时具有暴露和结果,你这个目标人群结果就可以外推到外部人群,目标人群就可以一部分地代表到外部人群?

Dr. Bielinski:是的,可以这样认为。我们基本会将外部人群认定为是通用人群,而目标人群是研究人员我们可以真正接触到且可以真正获取该数据的人。比如,我在明尼苏达州,这是美国中部靠北部的一个州,所以当我对该地区的人口进行研究时,我假设成立的结果也可以应用到南部城市,这是一个很好的例子。或者从不同人种考虑,我们这里研究的主要是白人,所以这个数据可以更广阔地应用到整个美国不同种族的数据研究中去,因为其具有普遍的可推广因素。这就是外部人群变得重要的原因,它可以帮助你思考这是可行的,还是答案仅可应用在我的特定目标人群中。

Dr. Winham:我来补充一下。我们统计学的角度来说那就是我们所取样这个问题,我不知道大家对取样框架这个词熟悉不熟悉,这意味着你会考虑到在什么范围内去取样,你在给谁取样,你取样的那个群体就是目标人群,外部人群是你想去获得参考的这个人群,通过你的研究来指导的人群就是外部人群。实际上我和Dr. Bielinski是从不同的角度来表达相同的概念。


来自北京的提问:我们希望抽样的人群很具代表性,实际上在应用的过程中会受到很多影响,我的试验设计是了解北京60岁以上女性尿失禁进展的影响因素。但实际上我没法找到所有这些人,最后通过招募的方式来调研有症状的人群,我想了解一下这个方式会不会造成试验结果上的偏差。

Dr. Bielinski:是的,在研究的过程中,我们纳入的人群都是愿意加入研究的人,我们也知道他们和不愿意加入研究的人有一些什么不同,即使这样,作为专业的研究者,我们也要尽职地作好调查,对比纳入的人群和没有纳入的人群有什么差异。然后在论文中呈现这些差异并讨论是否对结果带来偏差,然后让读者决定他们是否同意你的观点,这是我们能做到的最好程度。


来自广州的问题:请教Dr. Bielinski,刚才提到的这个分层的随机抽样。分层是可以人为操作的,会影响到我们的统计结果,这样的分层有没有意义?

Dr. Bielinski:是否要进行分层抽样这个取决于研究问题是什么,想要代表总体人群还是要进行亚组间的对比或者是比较。如果是要比较亚组之间的话没有办法通过简单随机抽样来进行,这个时候就要进行分层抽样。

Dr. Winham:从统计学来讲他是有意义的,通过分层随机抽样能够取得一些好处,这样做的时候我们可以增加一些罕见组的样本量,这个其实和前一个问题是一样的,你关注的这个病可能非常的罕见,在人群当中非常的少,所以你也不想失访这些人不想错漏这些人所以要进行分层,对他们进行分层以后随机的抽样,所以我觉得在很多程度上来讲在病例对照研究当中我们是可以进行这种抽样的,但是这个结果就不能泛化到外部人群,所以不能预测绝对的风险,但还是可以预测相对的风险,仍然可以进行对比,所以说这个比较本身仍然是有意义的,但是,如果想要分析概率要做一个预测的模型,这种方法就不行了,因为分层的抽样并不能够代表总体的样本的一个情况。

在Dr. Bielinski将学员引入研究设计的讨论后,统计学专家Dr. Winham开始了统计学应用的讨论。

统计学是一种回答问题的方法,通过总结样本数据,对抽样的总体作出正确的猜测(推断)。样本量(n)大的研究结果更可信,因为它们的样本统计数据可以更好地估计总体参数。


统计显著性用来确定样本差异是否适用于总体,差异更大者更具临床相关性。

根据研究设计、结局变量的类型、是否匹配/配对和样本量来选择统计方法,置信区间、假设检验都可以用来评估统计显著性,使研究设计和分析保持一致。

来自北京的提问: Dr. Winham,您在PPT中提到样本量大的数据比样本量小的数据更可信,这个我们也认可,但是在实际的试验,我们还要考虑花费、时间成本等多方面的因素,怎么样才能以最小的样本量,最小的代价来增加数据可信度?在现实中如何处理,才能达到一个有效的平衡?

Dr. Winham:这是一个精彩的问题,几乎每个人都会遇到,这就是我们要讨论的统计的能量问题,以及不同因素如何相互影响。增大样本量是一种减少估计值变异性的方法,它会让结果看起来更有说服力,但是你说得很对,在实际工作中是有限制的,这不仅仅是经费的问题,通常是会除经费之外的其他资源的可行性,即使你有很多的预算,但如果你根本没有患者,也是不可行的。所以必须考虑一些其他因素,这就是我们如何采用一些方法来减少数据的变异性的问题,我们可以考虑不同的结果衡量方法,更精确地衡量事物,在样本量有限的情况下不会有那么多的差异。我们可以思考一下样本量的大小对检测的差异可能有多大,如果你要找的是与临床相关且规模很大的东西,可能不需要非常大的样本量。


来自广州的问题:一般的实验组人群的血压并不在我们的95%的可信区间内,临床上没有任何症状和不适,这部分病人是否需要治疗,在统计学上如何进行解释?

Dr. Winham:我想这是澄清95%置信区间含义的好机会,因为这是总体均值。我们认为总体均值会落在这个范围内,但是针对病人个体而言,他们可以在更广泛的范围内。均值在其周围的变异性往往小于单个数据点本身,与总体的95%置信区间相比,均值的95%置信区间要窄得多。不仅仅是在这个例子中,更常见的是当回顾文献时,置信区间通常指的是人口汇总测量值,或者是平均值,不一定是所有病人的合理范围。


来自广州的问题:授课中的临床的显著差异性和统计的显著差异性在同一个研究中是否存在不一致的情况,如何进行解释呢?

Dr. Winham:临床相关性与统计学意义,他们之间肯定会发生冲突,我们接下来要讲幻灯片中有一个例子,我马上就会展示,有些情况下可以找到高度统计学意义上的差异,但它可能没有临床意义。在那个例子中,我们能看到阿司匹林和心肌梗死的相对风险估计值是0.94,这个结果非常接近1,如果样本量足够大,这在统计上是显著的。但是这种程度的差异可能不足以给病人开阿司匹林,特别是如果给特定的病人开阿司匹林会有很大的风险,这取决于副作用可能是什么,或者他们可能有的其他并发症,你可能会权衡一下,想一想这对特定的病人来说并不是一个足够获益的选择,所以这两件事很有可能发生冲突。如果有冲突的话,临床相关性总是大于统计学意义。


来自武汉的问题:请问Dr. Winham,我们认为在临床研究中P值大于0.05是一个非常失败的研究,不知道Dr. Winham,如何看待这个P>0.05的研究?

Dr. Winham:关于P值大于0.05的问题是一个很好的问题,我很高兴你提出来了。因为我们确实经常有一种感觉,我们需要看到P值小于0.05,那意味着我们找到了一些东西,那是令人兴奋的事情——你拒绝零假设并得到一些很棒的新东西。但是如果进行的科研不仅功能强大,而且设计得很好,还经过深思熟虑,最后得出的结论是没有统计学意义,或基本上不会拒绝零假设,这仍然非常有价值。如果发现无效,我们仍会获得重要信息,也就是说有时我们有一个假设,发现其是不对的,但是如果我们设计得很好,并且样本量足够大,排除我们不会犯统计学上的错误,那么这仍然是一个重要发现,仍然是我们应该报告的事情,特别是如果这是以前没有被报道过的研究问题。

置信区间或P值可以让你使用样本数据对总体得出结论,但这个结论可能是错误的

检验功效是指当H0为伪(而HA实际上为真)时,拒绝H0的概率。只有结局也具有临床相关性时,统计显著性才有用。

由于存在与暴露和结局都相关的外来因素(混杂变量,C),导致暴露(X)对结局(Y)的估计影响失真,最好的应对混杂的方法就是预防!包括随机化、匹配、分层和限制样本量。

来自上海的提问:刚刚提到有混杂因素的时候,包括有吸烟的人群还有喝咖啡的人群到底怎么来判断喝咖啡到底和肺癌有没有关系,这样的话有两个混杂因素的话,这个R2是怎么计算的?提到怎么能避免这个错误时,说到要限制样本量,我有一点不太理解,因为一般情况下我们是扩大样本量才可以避免你的误差,但是我们如果是限制样本量该怎么样来限制?

Dr. Winham:这个问题与两个混杂变量有关,实际上可能会有两个或者更多的混杂变量,因此,同时考虑混杂变量非常重要。我们可以通过回归分析针对一个以上混杂变量进行调整。最佳的预防办法是通过随机分组来解决混杂变量,这个方法也可以用于同时对多个变量进行处理,因为随机选择已经打破了暴露与其他任何因素之间的关系。

涉及匹配,分层或限制样本是因为研究中不止一个混杂因素,如果不限制,可能会使研究组中的事情变得更复杂一些。至少对于我参与的许多观察性研究而言,匹配案例以控制年龄和性别的工作非常普遍,平均分配种族和民族群体也很常见,总结来说,你经常会看到匹配的人口统计因素。但如果我们的样本量太小了,我们就会遇到潜在的样本量和可推广性问题。

计算相对风险,对于课中讲到的案例,我们会分别在吸烟者和不吸烟者中用2*2表格中计算出相对风险,但是如果模型中有多个协方差,并且不一定使用这些简单的2*2表格技术,而是可能使用更多基于回归的技术来估计相对风险。


来自武汉的问题:我们的临床研究中间因为混杂因素非常多,由于我们对临床可能还存在一些认识的不足,所以我们如何去避免这些错误,想问一下Mayo Clinic专家有没有更好的软件,也想了解一下现在有没有一些更简单的更科学的人工智能模型的介绍?

Dr. Winham:我也希望我拥有一个可以解决所有混杂问题的软件,但我认为在某些方面我们不得不考虑更多的问题,这可以回溯到之前讲的 “废物输入,废物输出”的问题,也就是我们必须保证收集到正确的数据。因此没有任何一种AI算法能够解决研究设计和数据采样上的问题。但我们已经开发出许多统计方法来评估混杂,基本的如回归模型中的协变量调整,现在还开发出一个新的方法专注于所谓的因果推理,并试图评估是否可以捕获混杂因素。如果这些因素可以被衡量,我们可以从根本上解释一下我们正在建立的模型,尝试评估暴露与结果之间的联系是否正确。

Dr. Bielinski:我认为就混杂而言该术语中真正重要的另一件事是,真正了解基础生物学,病理生理学至关重要。我们今天所讲的混杂因素,将随着研究的进行变得越来越多,这又回到了研究可以帮助你更好地了解生物学的研究,而不是可以直接用于临床实践的研究。但是了解生物学可以使所有研究变得更好,因为它可以帮助我们真正识别出我们所拥有的混杂因素。现实中临床试验是有限的,因为伦理道德问题,只有特定的东西可以在临床试验中进行研究,剩下的就是所有观察性研究,如果我们知道混杂因素是什么,我们可以处理混杂因素和观察性研究内容,这就是关键。


来自成都的提问:我是肿瘤专业的,我们做回顾性研究的时候会经常遇到一个比较具体的问题,就是失访,我想和Dr. Winham教授确认一下,失访在回顾性研究所占的重要性,文献并不会报道他们的失访率,比如,回顾性研究失访率达到多少这个结果就不可信了,或者说随访到多少则报道多少,或者说分析失访的原因,因为失访的原因会导致观察对象之间有互相关联的因素,所以失访率很重要,但是如果我们分析失访的原因和观察对象没有什么关系是不是就可以不用在意失访率了。

Dr. Winham:问题的要点是什么情况下是退出研究。患者参加试验,但他们没有完成,因此我们可能无法获取所有数据,我们希望对它们进行分析,但我们可能无法将它们包括在分析中,然后我们该怎么做?你提到的最后一部分真的很关键。失访的患者与完成研究的患者是否有所不同,这将为你提供是否存在偏差的依据。这类似于提出的另一个讨论问题。如果这两组人看起来没什么不一样,那么我们可能不必担心。我们担心的是两组人是不同的。这时我们要进行不同类型的敏感性分析,以了解这是否会影响我们的结果。也就是说我们只能对那些遗漏的数据做出一些假设,或尝试估算其缺失的数据,看看会不会影响到研究结果。

大家在学习之余,也对妙佑医疗国际(Mayo Clinic)成熟的科研环境产生了巨大的好奇,作为中国研究型医院的探路者,中国专家们除在知识方面与妙佑医疗国际(Mayo Clinic)的专家进行了交流,还在医院管理和团队建设上交换了意见。


来自北京的提问:我们知道Mayo Clinic是全美第一的研究型医院,每年做的临床试验也特别多,我想问的问题是,是不是,在Mayo Clinic的所有临床医生,都特别热心参与临床试验,怎么看待一个临床医生去做临床试验,是不是做一个好医生必须要做很多临床试验,这也是我们中国医生面临的问题,在中国有各种级别的医生。

Dr. Bielinski:两种都有。要知道有很多医生之所以来Mayo,是因为这里的科研环境

但这并不是说他们都要进行科研。我要说的是我们做了很多临床试验,但是我作为一名流行病学家,十分明白临床试验是有限的,我们也知道自己能做什么。在我们整个机构中,我认为我们做得好的是观察性试验和临床试验的很好结合。我们在肿瘤临床试验方面绝对有专家,即使我们做了很多临床试验,其中很多都专注于某些领域,但是和我一起工作的大多数临床医生都不是临床试验专家,他们就做观察性研究,我们在Mayo有着非常独特的资源,可以针对世界上其他地方都没有的人群开展研究,所以我们的很多临床医生利用这一特性进行人群研究。

Dr. Pruthi: Mayo有三大盾牌,分别是临床、教育和科研,当我们决定让某位医生来我们学术中心工作时,他可能需要选择参与这三盾中的两三个。并非每个人都会选择成为研究人员,有些医生可能更愿意教书育人或主要是在临床实践中。我们约有三分之一的医生是以科研人员的身份积极地参与临床研究中,他们会写论文并发表论文,其余三分之二将主要从事临床和教育工作。


来自北京的提问:如何建立一个专业的团队,这个团队应该包括哪些专家?

Dr. Pruthi:如何建立研究团队是个很好的问题。你需要的专家取决于研究问题、预期以及研究人群,也就是说根据研究中涉及的资源来确定研究团队。需要的资源取决于研究问题是什么,通过研究问题确定从统计学家那里获得什么支持,是不是需要一个基础科学家,是不是需要在同一领域工作的临床团队同事帮助招募患者,同时研究还需要研究协调员和研究分析师。或者大家认为要把整个团队团结在一起是很困难的,实际上这些积极参与研究的人在工作中已经在这些领域与这些人建立了联系,这样就能很快地把团队建立起来。正因为Mayo是一个学术中心,我们可以利用我们现有的研究资源,为各个研究团队找到合适的人。当然,一个研究是由主要研究者来确定这个团队的主要成员。


来自成都的问题:这个问题是问Bielinski,您给我们介绍了科研设计上的思路、流程和标准,在Mayo Clinic研究者提出研究假设后会发生什么,会有什么标准流程来实现他的研究吗,医院会有什么帮助、会有什么机构,会有什么规范的流程和机制吗?

Dr. Bielinski:我是一名全职研究员,我不是临床医生,所以我有一个很大的团队,其中包括临床医生。通常我们是由政府资助进行研究的,所以我们必须写申请才能获得这笔资金,然后我的团队中的临床医生就可以用其中一小部分资金进行一部分科研,然后我们有整个团队来支持他们。

Dr. Pruthi: 我认为这是围绕临床研究非常重要的问题。我们在各自的部门中设有内部审核委员会,我们将其称之为研究委员会,我们确实将它们用作提案评审的资源,它会帮助你判断你有提出正确的问题吗,有学习团队吗,有统计分析师吗,有病人的资源吗,等等,研究委员会经过内部审核,会帮助产出一个更有意义的提案。我们会认真考虑研究委员会的评审,向同行们学习和征求意见,分享他们的科研方案来寻找思路,然后再进行资金筹措。如果研究者真的能够提出有建设性的意见是可以获得经费的。

Dr. Bielinski:Mayo Clinic是个协作的环境,其内部有很多科研合作和指导的组织,帮助建立研究团队和完成研究的任务。比如我们有很多核心业务服务(core service)中心来帮助解决科研中的问题,我们有调研中心帮助设计调查问卷和进行调研,基因核心业务服务及

生物统计学核心业务服务来帮助您与这方面的专家建立联系。

Dr. Winham:我补充分享一下我的经验。我在生物统计学课程中也扮演类似的角色,对许多方案进行统计支持,包括学者,学生,初级研究员或者高级研究员。有不同的视角真的很重要,不仅是自己部门的内部支持,还包括在研究委员会中获得其他部门的支持。在研究中您可能要向部门外不同专业知识水平的人员寻求意见或者建议,比如流行病学或统计数据,以帮助解决您的某些研究设计问题。


研究型医院人才培养计划,由世界排名第一的妙佑医疗国际(Mayo Clinic)继续教育部进行课程设计并安排授课老师,旨在与世界顶尖的医学专家和科研专家建立充分交流的基础上,在中国,建立系统化的研究型医院人才培养体系,培养临床+科研的复合型人才,为中国医院顺利完成从临床型医院向临床研究型医院的转型储备人才。从而,使临床研究与临床实践能更紧密地结合,提高临床研究的总体质量,建立创新疗法的孵化机制,并促进高质量的临床研究成果向临床实践转化。

研究型医院人才培训计划,是妙佑医疗国际(Mayo Clinic)在中国进行时间最长、受众人数最多、形式最丰富的渐进式人才培养课程,课程基于中国临床研究实践及被培训者的医疗教育背景制定培训内容,并根据每一期的师生反馈信息,进行培训计划的动态优化。

研究型医院人才培训计划,采用国内外专家远程与本地授课相结合的方式进行,每月均授课1次,4-12小时课时不等,学员选择就近的授课地学习并与国内外专家交流讨论,在保证系统性课程的基础上最大限度地提高临床医生的学习效益。

研究型医院人才培训计划拟招收中层以上具有临床研究和实践双向潜力的中级职称以上的医务人员,优秀者将获得去妙佑医疗国际(Mayo Clinic)学习和进修的机会。

研究型医院人才培训计划由妙佑医疗国际(Mayo Clinic)进行课程设计和安排授课老师,由君佑医疗科创研究院在中国落地实施。君佑医疗科创研究院由国内领先的研究型医院管理机构苏州君佑医院管理公司与妙佑医疗国际(Mayo Clinic)在华合资公司惠每医疗联合发起成立的一家致力将临床医学与科研创新紧密结合的学术组织,致力于联合中国各大医学院校、学术组织、各研究型医院,建立将临床医学与科研创新紧密结合的合作平台。

本文转载自其他网站,不代表健康界观点和立场。如有内容和图片的著作权异议,请及时联系我们(邮箱:nanxingjun@hmkx.cn
关键词:
妙佑医疗国际,MayoClinic,君佑医疗科创研究院

人点赞

收藏

人收藏

打赏

打赏

我有话说

0条评论

0/500

评论字数超出限制

表情
评论

为你推荐

相关文章

推荐课程


社群

精彩视频

您的申请提交成功

确定 取消
剩余5
×

打赏作者

认可我就打赏我~

1元 5元 10元 20元 50元 其它

打赏

打赏作者

认可我就打赏我~

×
打赏

扫描二维码

立即打赏给Ta吧!

温馨提示:仅支持微信支付!