دوره **Synthetic Survival Control: یادگیری و پیاده‌سازی روش نوین برای تحلیل بقا و پاسخ به سوالات "چه زمانی-اگر"** همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره **Synthetic Survival Control: یادگیری و پیاده‌سازی روش نوین برای تحلیل بقا و پاسخ به سوالات "چه زمانی-اگر"**

موضوع کلی: **آمار و داده‌کاوی در علوم پزشکی و اجتماعی**

موضوع میانی: **تحلیل بقا و استنتاج علّی در داده‌های مشاهده‌ای**

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار و داده‌کاوی در علوم پزشکی و اجتماعی
• 2. چالش‌های استنتاج علّی از داده‌های مشاهده‌ای
• 3. چارچوب پیامدهای بالقوه (Potential Outcomes Framework)
• 4. مفهوم علیت و همبستگی در تحقیقات
• 5. سوگیری‌ها و مخدوش‌کننده‌ها در مطالعات مشاهده‌ای
• 6. مقدمه‌ای بر تحلیل بقا (Survival Analysis)
• 7. مفاهیم اساسی: زمان تا رویداد و سانسورشدگی
• 8. انواع سانسورشدگی: راست، چپ و بازه‌ای
• 9. تابع بقا، تابع خطر و تابع خطر تجمعی
• 10. برآوردگر کاپلان-مایر برای تابع بقا
• 11. تفسیر نمودارهای کاپلان-مایر
• 12. آزمون‌های مقایسه منحنی‌های بقا (مانند Log-Rank Test)
• 13. رگرسیون کاکس برای خطرات متناسب (Cox Proportional Hazards Model)
• 14. فرضیات مدل رگرسیون کاکس
• 15. تفسیر نسبت خطر (Hazard Ratio) در مدل کاکس
• 16. مدل‌های بقای پارامتری (مروری مختصر)
• 17. متغیرهای کمکی وابسته به زمان در تحلیل بقا
• 18. پردازش اولیه داده‌ها برای تحلیل بقا
• 19. داده‌های گمشده در مطالعات بقا
• 20. مدیریت رویدادهای رقیب (Competing Risks)
• 21. مقدمه‌ای بر روش‌های شبه-آزمایشی
• 22. چرا رگرسیون سنتی برای استنتاج علّی کافی نیست؟
• 23. آشنایی با روش‌های تطبیق (Matching)
• 24. تطبیق بر اساس نمره تمایل (Propensity Score Matching)
• 25. نیاز به روش‌های نوین برای سوالات پیچیده‌تر
• 26. مقدمه‌ای بر روش کنترل ترکیبی (SCM)
• 27. مسئله اصلی: تخمین اثر مداخله بر یک واحد منفرد
• 28. انتخاب استخر اهداکننده (Donor Pool) در SCM
• 29. مفهوم وزن‌دهی در SCM
• 30. ساخت واحد کنترل ترکیبی: فرمول‌بندی ریاضی
• 31. توازن هم‌متغیرها در دوره پیش از مداخله
• 32. متغیر پیامد در SCM سنتی
• 33. تخمین اثر علّی با SCM
• 34. استنتاج آماری در SCM: آزمون‌های تغییر مکان (Placebo Tests)
• 35. آزمون‌های جایگشتی (Permutation Tests) برای اعتبار SCM
• 36. فرضیات کلیدی روش کنترل ترکیبی
• 37. محدودیت‌ها و چالش‌های SCM سنتی
• 38. الزامات داده‌ای برای پیاده‌سازی SCM
• 39. گام‌های عملی در اجرای SCM
• 40. انتخاب بهینه طول دوره پیش از مداخله
• 41. تحلیل حساسیت در SCM
• 42. SCM برای چندین واحد تحت درمان (مروری)
• 43. نرم‌افزارهای پیاده‌سازی SCM (R: `synth`, `SCtools`; Python: `PySynth`)
• 44. مطالعه موردی: ارزیابی سیاست اقتصادی با SCM
• 45. مرور کلی SCM و آمادگی برای بقا
• 46. انگیزه: چرا SCM را برای پیامدهای بقا توسعه دهیم؟
• 47. سوالات "چه زمانی-اگر" در استنتاج علّی
• 48. فرمول‌بندی ریاضی مسئله "چه زمانی-اگر"
• 49. چالش‌های اعمال مستقیم SCM بر داده‌های بقا
• 50. تعریف "کنترل ترکیبی بقا" (Synthetic Survival Control)
• 51. ایده اصلی: سنتز یک مسیر بقا
• 52. انتخاب معیار پیامد برای سنتز (مثلاً احتمال بقا در زمان‌های مشخص)
• 53. تعریف "درمان" در بافت بقا و زمان‌بندی آن
• 54. نقش هم‌متغیرهای پایه در SSC
• 55. دوره پیش از مداخله در کنترل ترکیبی بقا
• 56. دوره پس از مداخله و پیگیری
• 57. گام‌های ساخت کنترل ترکیبی بقا
• 58. گام اول: آماده‌سازی داده‌ها برای سنتز بقا
• 59. گام دوم: انتخاب استخر اهداکننده متناسب با پیامد بقا
• 60. گام سوم: تعریف پیامدهای بقا در دوره پیش از مداخله (منحنی‌های KM)
• 61. وزن‌دهی و بهینه‌سازی برای تطبیق منحنی‌های بقا
• 62. تابع هدف برای کنترل ترکیبی بقا
• 63. تطبیق بر روی احتمال بقا و هم‌متغیرها به طور همزمان
• 64. تضمین توازن در طول نقاط زمانی مختلف
• 65. تفسیر منحنی بقای ترکیبی
• 66. تخمین اثر درمان بر بقا
• 67. رویکرد تفاوت در منحنی‌ها (Difference-in-Curves)
• 68. تفاوت در میانگین زمان بقای محدود (Restricted Mean Survival Time - RMST)
• 69. استنتاج آماری برای کنترل ترکیبی بقا: آزمون‌های جایگشتی
• 70. نمایش بصری نتایج: منحنی‌های بقای واقعی در برابر ترکیبی
• 71. بررسی اثرات درمانی وابسته به زمان
• 72. مقابله با زمان‌بندی‌های مختلف مداخله
• 73. مفهوم "کنترل بقای شرطی"
• 74. تعمیم به چندین واحد تحت درمان (تعدیل‌ها)
• 75. فرضیات خاص روش کنترل ترکیبی بقا
• 76. بررسی پایداری (Robustness Checks) برای SSC
• 77. کاربرد SSC در سناریوهای "چه زمانی-اگر"
• 78. مثال: بررسی اثر شروع دیرهنگام درمان
• 79. مثال: مقایسه اثربخشی زمان‌های مختلف مداخله
• 80. مدل‌سازی اثرات دینامیک درمان بر بقا
• 81. گردش کار پیاده‌سازی عملی کنترل ترکیبی بقا
• 82. ساختارهای داده‌ای مناسب برای SSC
• 83. انتخاب نرم‌افزار و کتابخانه‌های مناسب (R, Python)
• 84. پیاده‌سازی گام به گام در R/Python: بارگذاری داده‌ها
• 85. پیاده‌سازی گام به گام در R/Python: پیش‌پردازش داده‌های بقا
• 86. پیاده‌سازی گام به گام در R/Python: ایجاد استخر اهداکننده
• 87. پیاده‌سازی گام به گام در R/Python: تعریف هم‌متغیرها و منحنی‌های بقا
• 88. پیاده‌سازی گام به گام در R/Python: الگوریتم بهینه‌سازی
• 89. پیاده‌سازی گام به گام در R/Python: ساخت کنترل ترکیبی بقا
• 90. پیاده‌سازی گام به گام در R/Python: تخمین اثر درمان
• 91. پیاده‌سازی گام به گام در R/Python: استنتاج (آزمون جایگشتی)
• 92. تجسم و گزارش نتایج SSC
• 93. مطالعه موردی 1: زمان‌بندی مداخله پزشکی (مثال واقعی)
• 94. مطالعه موردی 2: ارزیابی سیاست اجتماعی با پیامدهای بقا
• 95. تفسیر نتایج "چه زمانی-اگر" در چارچوب سیاست
• 96. محدودیت‌ها و جهت‌گیری‌های آینده کنترل ترکیبی بقا
• 97. مقایسه با سایر روش‌های علّی برای داده‌های بقا
• 98. حساسیت به ترکیب استخر اهداکننده
• 99. ملاحظات اخلاقی در استنتاج علّی برای علوم پزشکی و اجتماعی
• 100. جمع‌بندی دوره و گام‌های بعدی