Рабочая медицина

Мне кажется если подумать над высказыванием под другим углом, это не смешно, а логично. Он намекает на шеринговую экономику, которая эффективна за счет того, что агенты, которые в ней участвуют отказались от культа обладания и частной собственности и дают друг другу в пользование и аренду то, что у них простаивало бы просто так без дела не принося никому пользу, и при этом полную стоимость не надо платить то время, когда стоит. Пока оно массово только ввиде каршеринга прижилось, потому что используется в основном частными компаниями для максимизации прибыли, поэтому большинство не видит в этом смысла. Но как инструмент для обеспечения потребностей всего общества шеринг имеет большой потенциал в том числе и в сфере IT. Проекты вроде io.net, NexusCompute или Ocean Network позволяют владельцам GPU (от игровых ПК до Mac) сдавать их в аренду для задач ИИ. Вы получаете доход за простой ресурс, а разработчики — доступ к мощностям без покупки дорогого железа. Сети вроде ZHC или MeshTrain идут дальше: они позволяют сообща обучать большие модели, объединяя силы тысяч участников. Каждый вносит свой вклад в вычисления и получает пропорциональное вознаграждение, а не зависит от одного дата-центра. Модель можно обучать локально в больницах, а на сервер передаются только зашифрованные обновления модели (градиенты). Медицинские учреждения могут совместно обучить точный диагностический ИИ, не передавая истории болезней пациентов. Это и есть шеринг знаний без потери контроля над самими данными. Концепция ИИ-кооперативов предполагает, что модели принадлежат не акционерам, а самим пользователям. Члены кооператива демократически решают, как собирать данные, обучать модель и использовать результаты. Уже существуют READ-COOP (платформа для распознавания текстов, принадлежащая сообществу) и сельскохозяйственные кооперативы, использующие общие ИИ-инструменты для управления урожаем. С одной стороны потребитель не платит полную стоимость, которая не приносит пользы, а с другой стороны стоимость самого средства производства или товара не снижается изнашиваясь просто так, сплошные плюсы. Еще и рабочий механизм как ресурсы дать тем, кому это реально нужно и кто может из этого сделать что-то полезное, а не тем, кто может это купить, потому что богат. Высказывание Альтмана об ОЗУ смешно именно потому, что оно маскирует стремление к монополии под видом глобальной эффективности. Настоящая эффективность (как в медицине, так и в ИИ) достигается не изъятием ресурсов у людей, а их добровольным объединением для решения общих задач. #ИИ #кооперативы #шеринговаяэкономика

Фразой Сэма Альтмана, вызвавшей волну критики и мемов, стало его высказывание о неэффективности использования оперативной памяти (DRAM) в личных компьютерах. Он сказал это в подкасте Cheeky Pint, и позже Илон Маск ответил на это тем самым мемом с Гансом Ландой. Вот его точная цитата: «From a global allocation perspective, actually, it's quite terrible to have everybody have a bunch of the world's limited supply of DRAM sitting in their own computer». Он также добавил, что эта память «being used 5% of the time» (используется всего 5% времени), и что для решения проблемы дефицита нужно стремиться к «maximum utilization in the cloud» (максимальной утилизации в облаке). Если перевести суть на русский: с точки зрения глобального распределения ресурсов «совершенно ужасно, что у всех есть куча ограниченной мировой поставки DRAM, простаивающей в их собственных компьютерах». Именно это заявление, воспринятое как попытка переложить ресурсы с потребителей на дата-центры, и стало поводом для насмешек.

Без текста

Все таки есть разница, когда фармкомпания не хочет проверять эффективность заведомо нерабочего ноотропа(типа пшыкалки в нос, у которой нет даже правдоподобного механизма действия) в РКИ, потому что государство уже и так разрешило им лечить и внесло в клинические рекомендации несколько лет назад и между ситуацией, когда мы не можем провести исследование, где одной группе мы говорим курите, а другой не курите, где у вреда курения есть четкий биологический механизм, подтвержденнный в реальной жизни #хайлайты

Таймлан, который мы заслужили. Самое могущественное государство в истории человечества, с первоклассными университетами, десятками нобелевских лауреатов и триллионными расходами на исследования, публикует на ОФИЦИАЛЬНОМ сайте Белого дома экономический анализ уровня «если построить бесплатную больницу, через десять лет американцы будут есть друг друга». Римская империя хотя бы дождалась варваров. Американская решила справиться своими силами. https://www.whitehouse.gov/socialism/

Без текста

TTE признают NICE (Британия) и EMA (Европа) как способ получать доказательства из реальной практики (RWE). Внутри TTE есть 3 рабочих инструмента: 🔹 Double Machine Learning (DML) — для случаев, когда в электронных медкартах тысячи показателей и обычная модель тонет в шуме. DML с помощью машинного обучения помогает отделить эффект лечения от влияния всех этих характеристик пациентов. Вывод корректен только при выполнении допущений, но DML помогает уменьшить смещение там, где классика плохо справляется. 🔹 Causal Forest — проверяет, одинаков ли эффект лечения у всех. Если нет — ищет подгруппы, кому лечение помогает больше, а кому меньше. Это шаг к персонализированной медицине, где можно сказать для кого лечение полезнее. 🔹 IPTW / G-формула — классические способы сделать сравниваемые группы сопоставимыми по измеренным характеристикам. Особенно важны когда лекарство чаще дают более тяжёлым пациентам, и потом трудно понять, что повлияло на исход — само лекарство или изначальная тяжесть. Эти методы корректируют то, что мы измерили. DML — как шумоподавление, Causal Forest — как лупа для подгрупп, IPTW/G-формула — как весы, чтобы группы стали честно сопоставимыми. Но всё это работает только с теми факторами, которые есть в данных. В РКИ назначение лечения не зависит от пациента — поэтому конфаундеры, измеренные и неизмеренные, распределяются случайно. В когорте врач часто назначает лечение по тяжести состояния, доступу к помощи, поведению в отношении здоровья. Причиностная статистика контролирует только те переменные, которые вы измерили и включили в модель. Если ключевой фактор не записан в данных — например, «препарат X дают только самым тяжёлым, но тяжесть не отражена в EHR» — оценка будет смещена. И никакой ML это не исправит: ML не создаёт новые данные. На практике мета-анализ в BMJ (2026) сравнивал TTE с рандомизированными контролируемыми исследованиями и никакой значимой разницы не нашел: в 107 парах суммарное отношение отношений шансов ROR — 0,96, 95% ДИ 0,92–1,01; I² = 36%, то есть статистически незначимо. В 63 парах с более близкой имитацией дизайна согласие было выше: корреляция Пирсона 0,83, 95% ДИ 0,73–0,89; согласие 87%, 55/63. Когда TTE — лучший выбор? — долгосрочные эффекты; — редкие исходы; — очень разнородные популяции; — реальные пациенты с кучей болячек, которых исключают из РКИ; — когда РКИ невозможно или неэтично. #наука #статистика #машинноеобучение #доказательнаямедицина #РКИ #когортныеисследования #эпидемиология

Нет РКИ, нет доказательств, а всего лишь корреляция? Как работает причинно-следственная статистика в когортных исследованиях? Я наверное, даже когда школьником был, до перехода в медицинский лицей так поверхностно не рассуждал, как Алипов, хотя канал позиционируется как пространство, где медицина и нейробиология разбирается глубоко и нацелена на узкий круг подготовленных зрителей. На деле просто распространяются мифы второго порядка, которые гораздо опаснее более простых, поскольку маскируются под науку, но при зтом противоречат самому духу научного метода, а 4-5 часов стрима нужно не для всестороннего разбора сложной темы(для многих сложных тем достаточно получаса(3Blue1Brown объясняет всю суть матанализа за 34 минуты), проблема не в том, чтобы долго объяснять, а в том, что объяснение не все поймут), а лишь для сбора денег ввиде донатов с подписчиков и рекламы репетиторства и создания ощущения прикосновения к элитарной науке. Факт в том, что Фишер сам любил курить и в этот момент ему было пофиг на науку, потому что наука впринципе не может исключить никакие факторы. Наука не может доказать отсутствие, ни фактора х, ни чайника Рассела. РКИ как часть научного метода, которая используется вместе со статистическими методами может доказать только то, что этого фактора нет в рамках тех условий в которых оно проводилось. Поэтому мы не можем сказать точно у какого курящего человека будет рак легких. Полностью все спутывающие факторы можно исключить только проводя вмешательства на конкретном человеке посмотреть результат, а потом на машине времени вернуться к нему в прошлое и не проводить вмешательство и сравнить результат в 2 ветках этой мультивселенной, но это парадоксально нарушает принцип причинности, а значит мешает пользоваться причинностным методом на 100% и даже через квантовые частицы, которые могут двигаться назад во времени осмысленный сигнал передать нельзя по теории относительности, поэтому мы пользуемся статистикой. Статистика показывает, что результаты РКИ и неРКИ не отличаются, когда это касается жестких конечных точек(маркеры, смертность). Разница лишь в сложности интерпретации. РКИ хороши не тем, что все факторы уравнены между 2 группами, а тем, что суммарное влияние сопутствующих факторов уравнено. Не надо специально делать так чтобы в каждой группе было одинаковое количество женщин у которых риск ниже и одинаковое количество людей с ожирением у которых риск выше. Сумма влияния уравнивается автоматически, поскольку "случай беспристрастен" как говорил двуликий в фильме про Бетмена. Понимая проблему неРКИ эпидемиологи давно вывели критерии Хилла для установления среди корреляций причинно-следственных связей, и судя по Кокрейновскому систематическому обзору–золотому стандарту доказательной медицины это работало, но научпоперы не успокаивались, неуместно сравнивая хорошие эпидемиологические исследования в области факторов риска и ЗОЖа с шуточными корреляциями типа фильмов с Николасом Кейджем и утоплениями в бассейне. Дальше современные ученые поняли, что причинностную статистику можно применять и на когортных данных. Это работает как эмуляция целевого испытания, TTE. Сначала описывают идеальное рандомизированное исследование, а затем воспроизводят его протокол на наблюдательных данных. Рандомизированные клинические испытания (РКИ) — эталон причинно-следственного вывода. Но иногда РКИ невозможно, неэтично или оно не отвечает на вопрос про реальных пациентов. Тогда на помощь приходят причинно-следственные методы на когортных данных. Самый системный подход называется Target Trial Emulation (TTE) — «эмуляция целевого испытания». 1️⃣ Сначала строго описываем идеальное РКИ: кого включаем, какие стратегии лечения сравниваем, когда стартуем, какой исход считаем. 2️⃣ Потом воспроизводим этот протокол на наблюдательных данных — электронных медкартах, регистрах, когортах. 3️⃣ Получаем Real-World Evidence (RWE) — доказательства из реальной практики.

Без текста

Хэллоуин 1957 года в Лос-Анджелесе (США). Женщина, одетая в костюм в виде первого искусственного спутника Земли. Сразу видно, какое событие стало тогда одним из важнейших для человечества. СССР был в авангарде научно-технического прогресса. Думай сам/Думай сейчас