Novian | نوویان

وای الان یه چیزی دیدم که روزمو ساخت چرا زودتر ندیده بودمششش🥹🥹 دوهفته بعد از مقاله فیبرومیالژی پلتفرم پزشکی امریکایی Medscape که یه رسانه شناخته شده در حیطه پزشکی هستش یک خبر مستقل از مقالمون منتشر کرده بوده🥹 https://www.medscape.com/viewarticle/depression-or-anxiety-affect-half-patients-fibromyalgia-2025a1000qcn?utm_source=chatgpt.com

🟡☀️مدرسه جامع تابستانه مقاله نویسی مروری 🔍 👨‍🏫➕پـژوهــشگـــــر شــ۲ــو2️⃣✔️ ✅چهارمین کارگاه 4️⃣ 🟠🏆نگارش حرفه ای ابعاد مقاله تا ارسال مقاله به مجله 📆 زمان برگزاری :۲۲ مردادماه -ساعت:🔢🔢 🔵💻بستر برگزاری : اسکای روم ⭐️👤مدرس : مریم جعفری دانشجو پزشکی علوم پزشکی…

🟡☀️مدرسه جامع تابستانه مقاله نویسی مروری 🔍 👨‍🏫➕پـژوهــشگـــــر شــ۲ــو2️⃣✔️ ✅چهارمین کارگاه 4️⃣ 🟠🏆نگارش حرفه ای ابعاد مقاله تا ارسال مقاله به مجله 📆 زمان برگزاری :۲۲ مردادماه -ساعت:🔢🔢 🔵💻بستر برگزاری : اسکای روم ⭐️👤مدرس : مریم جعفری دانشجو پزشکی علوم پزشکی گیلان عضو شورای مرکزی و کارگروه پژوهش کمیته دانشجویی توسعه آموزش علوم پزشکی کشور پژوهشگر برتر دانشجویی در علوم پزشکی گیلان   ------------------------------------------------------------- ❤️جهت ثبت نام و کسب اطلاعات عدد 3⃣ را به آیدی اکانت پشتیبانی ارسال کنید . ☑️👤@Ad_Pazhoheshgar 🔸🔺🔸🔺🔸🔺🔸🔺🔸🔺🔸🔺 🔄کمیته های دانشجویی توسعه آموزش علوم پزشکی تربت حیدریه ، شیراز ، شهید بهشتی ، گیلان ، دزفول ، البرز ، قم ، یزد ، لرستان ، زنجان برگزار میکنند.

ساخت استایل جدید رفرنس در اندنوت @Novianteam

https://forms.gle/HHEb18J9uXDF8eM86 سلام به همگی، بچه ها این پروژه کشوری هوش اخلاقی هستش و قطعا اطلاعات شما میتونه خیلی به نتایج این مطالعه در سطح علوم پزشکی های کشوری کمک کنه، پرسشامه کوتاهی هستش اگر وقتش رو دارید ممنون میشم به عنوان یکی از اعضای علوم پزشکی تکمیلش کنید❤️❤️

نتورک متا-آنالیز فرض کنید برای درمان یک بیماری، چهار مداخله داریم: 💊 داروی A 💊 داروی B 💊 داروی C 💊 پلاسبو اما همه این درمان‌ها مستقیماً با یکدیگر مقایسه نشده‌اند. مثلاً: 🔹 داروی A با پلاسبو مقایسه شده است. 🔹 داروی B با پلاسبو مقایسه شده است. 🔹 داروی C فقط با داروی A مقایسه شده است. در متاآنالیز معمولی، معمولاً یک مقایسه مشخص مانند «A در برابر پلاسبو» بررسی می‌شود. اما متاآنالیز شبکه‌ای یا Network Meta-Analysis می‌تواند چندین درمان را در یک شبکه آماری، به‌طور هم‌زمان مقایسه کند. NMA از دو نوع شواهد استفاده می‌کند: 🔵 شواهد مستقیم زمانی که دو درمان در یک کارآزمایی مستقیماً با یکدیگر مقایسه شده‌اند. مثال: A در برابر B 🟠 شواهد غیرمستقیم زمانی که دو درمان مستقیماً مقایسه نشده‌اند، اما یک مقایسه‌کننده مشترک دارند. مثال: اگر A با پلاسبو و B نیز با پلاسبو مقایسه شده باشد، می‌توان A و B را به‌صورت غیرمستقیم مقایسه کرد. یک مثال ساده فرض کنید: A نسبت به پلاسبو مؤثر است. B نیز نسبت به پلاسبو مؤثر است. NMA بررسی می‌کند: ❓ آیا A از B مؤثرتر است؟ ❓ کدام درمان ایمن‌تر است؟ ❓ کدام درمان احتمالاً بهترین جایگاه را در شبکه دارد؟ 📌 بنابراین، متاآنالیز شبکه‌ای روشی برای ترکیب منطقی و آماری مقایسه‌های مستقیم و غیرمستقیم است. پیام کلیدی متاآنالیز معمولی می‌پرسد: «آیا A بهتر از B است؟» متاآنالیز شبکه‌ای می‌پرسد: «در میان تمام گزینه‌های موجود، هر درمان نسبت به سایر درمان‌ها چه عملکردی دارد؟» ⚠️ البته این مقایسه‌ها فقط زمانی معتبر هستند که مطالعات شبکه از نظر جمعیت، مداخلات و شرایط بالینی به‌اندازه کافی قابل‌مقایسه باشند. #متاآنالیز #NetworkMetaAnalysis #پژوهش #روش_تحقیق #پزشکی_مبتنی_بر_شواهد @Novianteam

https://www.instagram.com/reel/Da3S09HN9uk/?igsh=MWo0dGF4Yjcydnhpag== بهترین محتوا: تو کامنتا نوشته بود بدبانی حتی بدون cpr هم ادمو نجات میده😂🤌

▫️دوازده نکته برای آموزش مهارت‌های پژوهشی در عصر هوش مصنوعیِ عامل‌محور: راهنمایی برای مدرسان حرفه‌های سلامت مقاله زیر در 7 جولای 2026 در مجله Medical Teacher منتشر شده است: Twelve tips for teaching research skills in the age of agentic AI: A guide for health professions educators متن کامل را در پیوست این پست بخوانید و اما خلاصه‌ای از 12 نکته:    1. فرض را بر این بگذارید که دانشجویان از AI استفاده می‌کنند؛ به‌جای ممنوعیت، استفاده از آن را در قالب چارچوب‌های مشخص سامان‌دهی کنید. شواهد نشان می‌دهد بسیاری از دانشجویان از AI استفاده می‌کنند. بنابراین، به جای منع کامل، باید مشخص شود کدام فعالیت‌های پژوهشی با کمک AI مجاز است، کدام مهارت‌ها ابتدا باید بدون AI آموخته شوند و دانشجو چگونه استفاده از AI را مستند و راستی‌آزمایی کند.    2. چشم‌انداز هوش مصنوعی در پژوهش را برای دانشجویان ترسیم کنید. دانشجویان باید بدانند AI از ابزارهای کمکی ساده تا عامل‌های خودمختار را دربرمی‌گیرد. همچنین لازم است تفاوت بین کارهایی که AI به‌خوبی انجام می‌دهد و وظایفی که همچنان به قضاوت، تجربه و تعامل انسانی نیاز دارند را بشناسند.    3. چارچوبی برای سطوح مختلف نظارت انسان بر AI آموزش دهید. به دانشجویان بیاموزید که برخی وظایف هرگز نباید به AI واگذار شوند، برخی نیازمند بررسی مداوم انسان هستند (human-in-the-loop) و در برخی موارد تنها نظارت کلی کافی است (human-on-the- loop). بدون درک یک فرایند، نظارت مؤثر بر عملکرد AI نیز امکان‌پذیر نیست.    4. درباره خطر "دید تونلی پژوهشی" ناشی از AI هشدار دهید. هوش مصنوعی ممکن است منابع جعلی، تحلیل‌های نادرست یا متن‌های روان اما فاقد استدلال علمی تولید کند. همچنین معمولاً پژوهش را به سمت موضوعات داده‌محور سوق می‌دهد و مسائل انسانی، اخلاقی و عدالت سلامت را کمتر مورد توجه قرار می‌دهد.    5. تدوین سؤال پژوهش و اخلاق پژوهش را به‌عنوان مهارت‌های غیرقابل واگذاری حفظ کنید. انتخاب اینکه چه سؤالی ارزش تحقیق دارد و تصمیم‌گیری درباره ملاحظات اخلاقی، حریم خصوصی، رضایت آگاهانه و پیامدهای پژوهش باید همواره بر عهده پژوهشگر باشد؛ AI فقط می‌تواند در نگارش یا سازمان‌دهی این موارد کمک کند.  6. تفسیر آماری را مهم‌تر از انجام محاسبات بدانید. با توجه به اینکه AI می‌تواند بسیاری از محاسبات و کدنویسی‌های آماری را انجام دهد، آموزش باید بر درک نتایج، تشخیص سوگیری‌ها، ارزیابی طراحی مطالعه و تفسیر صحیح یافته‌های آماری متمرکز شود.    7. آموزش پژوهش‌های کیفی و مبتنی بر زمینه را حفظ کنید. اگرچه AI در کدگذاری داده‌های کیفی کمک‌کننده است، اما هنوز نمی‌تواند تفسیر عمیق، درک زمینه، تأمل‌ورزی انتقادی و قضاوت پژوهشگر را جایگزین کند. بنابراین آموزش روش‌های کیفی باید همچنان بخش مهمی از برنامه درسی باشد.    8. ارزیابی نقادانه را به مهم‌ترین مهارت پژوهشی تبدیل کنید.   دانشجویان باید بتوانند نه ‌تنها مقالات علمی، بلکه خلاصه‌ها، تحلیل‌ها، پروتکل‌ها و متن‌های تولیدشده توسط AI را از نظر صحت منابع، استدلال، شواهد و اهمیت عملی به‌صورت نقادانه بررسی کنند.    9. راستی‌آزمایی خروجی‌های AI را به یک عادت آموزشی تبدیل کنید.   دانشجویان باید به‌طور منظم استنادها، خلاصه‌ها، کدها، تحلیل‌های آماری و نتایج تولیدشده توسط AI را با منابع اصلی تطبیق دهند و این فرایند را مستند کنند تا راستی‌آزمایی بخشی از رفتار حرفه‌ای پژوهش باشد.    10. نگارش پرامپت و دستوردهی به عامل‌های AI را مانند طراحی پژوهش آموزش دهید.   پژوهشگران آینده باید بیاموزند چگونه دستورهای دقیق، هدفمند و دارای زمینه کافی برای AI طراحی کنند و در صورت استفاده از عامل‌های هوشمند، جریان کار و نقاط مداخله انسانی را نیز مشخص نمایند.    11. افشای استفاده از AI، نویسندگی و مسئولیت‌پذیری را جزئی از حرفه‌گرایی پژوهشی بدانید.   دانشجویان باید بدانند استفاده از AI باید شفاف گزارش شود، AI نویسنده مقاله محسوب نمی‌شود و مسئولیت علمی و اخلاقی تمام محتوای منتشرشده همواره بر عهده پژوهشگران انسانی است.    12. ارزشیابی پژوهش را بازطراحی کنید تا عملکرد واقعی دانشجو مشخص باشد.   روش‌های ارزیابی باید به گونه‌ای طراحی شوند که هم توانایی مستقل دانشجو و هم نحوه استفاده مسئولانه او از AI قابل سنجش باشد؛ به‌ویژه در مهارت‌هایی مانند تدوین سؤال پژوهش، استدلال علمی، تفسیر نتایج و ارزیابی نقادانه. خلاصه اینکه: ‏AI آموزشِ پژوهش را منسوخ نمی‌کند، بلکه مهارت‌های موردنیاز آن را تغییر می‌دهد. بنابراین، برنامه‌های آموزشی باید به‌جای ممنوعیت AI، برای استفاده مسئولانه از آن بازطراحی شوند. مهم‌ترین شایستگی پژوهشگر در عصر AI، ارزیابی نقادانه، راستی‌آزمایی و پذیرش مسئولیت نتایجی است که با AI تولید می‌شوند. #AI #Research #tips 🆔 @irevidence

#بیشتربدانید از لحن همه نوشته ها، محتواها، ویدیو هایی که همشون بوی ai دارن متنفرم 😣

▫️آیا هوش مصنوعی انتشار مقالات علمی را کندتر، بدتر و گران‌تر کرده است؟ جواب پروفسور Herbert Holden Thorp- سردبیر ارشد کل مجلات گروه Science- به سوال فوق، مثبت است. وی در قالب یک سرمقاله در شماره جدید مجله ساینس (Vol 393, Issue 6808) سعی کرده به این موضوع بپردازد که خلاصه‌ای از آن را در ادامه می‌خوانید: دنیل گولدین (Daniel Goldin) مدیر ناسا در دهه 1990 گفته بود: هدف پیشرفت فناوری این است که محصولات را "سریع‌تر، بهتر و ارزان‌تر" (Faster, Better, Cheaper) کند. طرفداران AI نیز همین وعده را می‌دهند؛ اینکه AI، کار پژوهش و انتشار علم را سریع‌تر، بهتر و ارزان‌تر خواهد کرد و انسان‌ها را از بخش زیادی از کارهای تکراری و زمان‌بر رها می‌کند. اما در حوزه انتشار مقالات علمی، واقعیت فعلی تقریباً عکس این وعده است. ‏AI می‌تواند مقاله بنویسد، داده‌ها را تحلیل کند و حتی در طراحی پژوهش کمک کند، ولی اشتباهات زیادی هم تولید می‌کند؛ مثل: ساختن رفرنس‌های جعلی، نتیجه‌گیری‌های نادرست، استدلال ضعیف و حتی رفتارهایی شبیه تخلف پژوهشی، مثل انتخاب گزینشی داده‌ها یا دستکاری تحلیل‌ها برای رسیدن به نتیجه دلخواه. چون این خطاها زیاد شده‌اند، ناشران و داوران باید زمان بیشتری صرف بررسی مقاله‌ها کنند. یعنی: مقاله‌های بیشتری ارسال می‌شود، اما بررسی هر مقاله سخت‌تر و طولانی‌تر شده است و بنابراین هزینه انتشار علمی بالا می‌رود و فرآیند کندتر می‌شود. حتی ابزارهای AI برای تشخیص خطا هم کافی نیستند. ممکن است رفرنس‌های جعلی را پیدا کنند یا سرقت علمی و دستکاری تصویر را تشخیص دهند، اما خودشان هم اشتباه می‌کنند و گاهی مقاله سالم را به اشتباه مشکوک اعلام می‌کنند. بنابراین در نهایت باز هم یک انسان مجبور است همه‌چیز را بررسی کند. اگر جامعه علمی این وضعیت را مدیریت نکند: پژوهش‌های معتبر دیرتر منتشر می‌شوند، اطلاعات جعلی و بی‌کیفیت بیشتر وارد متون علمی می‌شود و در نتیجه اعتماد به علم کاهش پیدا می‌کند. در این فرایند، شرکت‌های سازنده AI سود می‌برند، اما هزینه اضافی بر دوش پژوهشگران، داوران و ناشران می‌افتد. البته که AI دستاوردهای بزرگی داشته است؛ مثلاً در پیش‌بینی ساختار پروتئین‌ها و کشف مواد جدید تحول ایجاد کرده است و حرف این نیست که AI بی‌فایده است، بلکه این است که در فرآیند انتشار مقالات علمی، استفاده گسترده از AI در وضعیت فعلی، بار کاری انسان‌ها را نه تنها کاهش نداده، بلکه حتی آن را افزایش هم داده است. خلاصه اینکه هوش مصنوعی در پژوهش می‌تواند بسیار مفید باشد، اما در نگارش و انتشار مقالات علمی هنوز هزینه نظارت انسانی آن‌قدر بالاست که وعده سریع‌تر، بهتر و ارزان‌تر را محقق نکرده است. #AI #publishing #Science 🆔 @irevidence

Chinese authors far less likely to be published in top journals https://share.google/yTf4PR5HxJkisAeK4 ایرانیا چی بگن پس😂😂😂

✨ لیست نهایی نویسندگان کتاب ✨ اول از همه، به تمام عزیزانی که اسمشون در این لیست قرار گرفته صمیمانه تبریک میگم 🤍🌱 همکاری در چنین پروژه‌ای واقعاً افتخار بزرگیه و مطمئنم برای خیلی‌هاتون یکی از متفاوت‌ترین و هیجان‌انگیزترین تجربه‌های پژوهشی خواهد بود. امیدوارم در کنار هم کتابی بنویسیم که سال‌ها با افتخار بهش نگاه کنیم🔥 راستش انتخاب نهایی اصلاً کار راحتی نبود. تعداد فرم‌های ثبت‌نام خیلی بیشتر از چیزی بود که تصور می‌کردیم و برای اینکه حق کسی ضایع نشه، تمام فرم‌ها حداقل دو بار توسط تیم علمی بررسی و امتیازدهی شدند و در نهایت تلاش کردیم افرادی انتخاب بشن که بیشترین تناسب رو با هر فصل داشته باشند. 📩 برای تمام افراد منتخب ایمیل ارسال شده است. اگر اسمتون در لیست هست اما هنوز ایمیلی دریافت نکردید، لطفاً پوشه Spam/Junk رو هم بررسی کنید. اگر باز هم ایمیلی نبود، حتماً به من پیام بدید تا لینک گروه تلگرام نگارش کتاب براتون ارسال بشه. لطفاً توجه داشته باشید اگر تا ۲۴ ساعت آینده عضو گروه تلگرام کتاب نشید، این موضوع به منزله انصراف از همکاری در نظر گرفته میشه و ظرفیت به افراد رزرو اختصاص داده خواهد شد ⏳ @MetWord

چقدر اسامی آشنا میبینم😔🤌

Wtf is love damage? Getting your idea published is actually worse🥲🗿 خیلی مقاله خوبی هستش ولی اگر فرصت کردین بخونینش😔😭😂

😌فراخوان بجه ها دوتا کار تقریبا سبک هست تایمش در حد یک هفته، اسکرینینگ و دیتا اکسترکشن/ فیلد کاردیولوژی حال ندارم بیشتر توضیح بدم اگر اشنا هستید با تسک های متا آنالیز، وقت، دقت و مسئولیت پذیری کافی در خودتون میبینید بفرمایید پیوی👀😂 @Mrymjfri1 Done✅

انتشار مقاله جدیدمون در یکی از ژورنال‌های معتبر و high-impact انجمن قلب اروپا (ٍESC)😍🔥 مقاله جدید ما در ژورنال EP Europace منتشر شد(IF: 10.2) 🔗 لینک مقاله موضوع مقاله یکی از مهم‌ترین و چالش‌برانگیزترین سؤالات بعد از ابلیشن فیبریلاسیون دهلیزی هستش: بعد از یک AF ablation موفق، آیا باید داروی ضدانعقاد ادامه پیدا کنه یا میشه قطعش کرد؟ 📌 ۳۱ مطالعه 📌 ۵۰,۳۲۷ بیمار 📌 شامل مطالعات مشاهده‌ای و کارآزمایی‌های بالینی مطالعه ما نشون داد: 🔹 در کل جمعیت بیماران، ادامه ضدانعقاد بعد از دوره blanking باعث کاهش معنادار سکته/TIA نشد. 🔹 اما در بیماران پرخطرتر، یعنی CHA₂DS₂-VASc ≥2، ادامه ضدانعقاد با کاهش معنادار خطر سکته/TIA همراه بود. 🔹 در مقابل، ادامه ضدانعقاد خطر خونریزی ماژور را افزایش داد. بنابراین باید توجه کرد در همه موارد نمیشه گفت که: ❌ همه بیماران باید دارو را ادامه دهند یا ❌ همه بیماران می‌توانند دارو را قطع کنند پاسخ دقیق‌تر اینه که: ✅ تصمیم‌گیری بعد از ابلیشن AF باید شخصی‌سازی‌شده، مبتنی بر ریسک، و بر اساس توازن خطر سکته و خونریزی باشه. این مقاله نتیجه یک تلاش علمی جدی، همکاری چندمرکزی، و تمرکز بر یک سؤال واقعی در تصمیم‌گیری بالینیه❤️. از تمام همکاران ارزشمندم در این پروژه صمیمانه سپاسگزارم. امیدواریم این کار بتونه به تصمیم‌گیری دقیق‌تر، علمی‌تر و بیمارمحورتر در مدیریت ضدانعقاد بعد از ابلیشن فیبریلاسیون دهلیزی کمک کننده باشه🥰.

Graphical abstract

پابلیش مقاله جدیدمون در حوزه اینترونشنال کاردیولوژی (Q1 ) مقاله‌ای با عنوان: A Stepwise Approach to Coronary Bifurcation Stenting: Enhancing Safety and Efficacy With Modified Jailed Balloon Techniques در این مطالعه، یک تکنیک اصلاح‌شده از Jailed Balloon Technique…