רפואה נתמכת ראיות

The American Heart Association PREVENT™ Online Calculator Development and Validation of the American Heart Association’s PREVENT Equations המחקר הישראלי: Cardiovascular risk assessment in the 2021 European Guidelines on Cardiovascular Disease Prevention – A Population-Based Validation of SCORE2 and SCORE-OP SCORE2 cardiovascular risk prediction models in an ethnic and socioeconomic diverse population in the Netherlands: an external validation study Validation of Systematic Coronary Risk Evaluation 2 (SCORE2) and SCORE2-Older Persons in the EPIC-Norfolk prospective population cohort Single High-Sensitivity Point-of-Care Whole-Blood Cardiac Troponin I Measurement to Rule Out Acute Myocardial Infarction at Low Risk   הסי-סטטיסטיק מודד יכולת הפרדה של כלי לחיזוי. מתוך כל הזוגות ברי ההשוואה, שבהם משתתף אחד חלה ומשתתף שני לא חלה (או חלה מאוחר יותר), באיזה אחוז הכלי אכן נתן ציון גבוה יותר (גרוע יותר) למשתתף הראשון. הוא דומה מאוד לשטח תחת העקומה המשמש למדידת יכולת ההפרדה של בדיקה אבחנתית, וגם לאחוז המקרים בהם פרשן ספורט נתן מראש ציון גבוה יותר למשתתפת שתנצח במשחק הטניס לעומת הציון לזו שתפסיד. במודלים לחיזוי, משתמשים בסי-סטטיסטיק ולא בשטח תחת העקומה. הסיבה היא משך המעקב השונה עבור כל אחד מהמשתתפים, ונתונים הכוללים גם זמן עד אירוע המחלה. ערך של הסי מעל 0.9 נחשב יכולת הפרדה מצוינת, ועריך שבין 0.7 ל 0.8 נחשב כיכולת הפרדה סבירה. Discrimination Harrell’s c index= “c-statistic” AUROC-area under the ROC curve PREVENT score for predicting cardiovascular disease

Common Diseases in Clinical Cohorts — Not Always What They Seem במבוגרים עם מחלת מעי דלקתית, טרשת נפוצה או דרמטיטיס אטופי, האם אולי מדובר באבחנה אחרת, נדירה? כאשר בוצע ריצוף גנים רלוונטים, התגלו אצל שיעור לא זניח מחולים אלו מחלות גנטיות נדירות שמסבירות את התסמינים. מדובר באחוז עד חמישה אחוז, תלוי במדגם שנבדק ובמחלה. ייתכן שבחלק מהמקרים המחלה הגנטית נוספת לאבחנה הנכונה, אך בחלק אחר מדובר בטעות אבחנתית. טעות אבחנתית כזו יכולה להוביל לטיפול מיותר ולהחמצת הזדמנויות טיפול טובות יותר, ויש לטעות כזו גם השלכות על מחקר רפואי. ניתן לגלות את האבחנה הנכונה בעזרת ריצוף של גנים הקשורים לתפקוד המערכת הרלוונטית, חיפוש שינויים נקודתיים באותם גנים, והערכה האם מדובר בשינויים פתוגניים. SNV- single nucleotide variation Rare genetic diseases likely pathogenic variant OMIM UK biobank Multiple sclerosis Inflammatory bowel disease Atopic dermatitis CVID- Common Variable Immunodeficiency Ichthyosis vulgaris CADASIL  

  Use of Brier score to assess binary predictions Expert-Level Detection of Epilepsy Markers in EEG on Short and Long Timescales המאמר המקורי של בראייר: VERIFICATION OF FORECASTS EXPRESSED IN TERMS OF PROBABILITY  הן במודל בינה מלאכותית והן כאשר מדובר על בדיקה אבחנתית שמבצעת תחזית ונותנת את התוצאה באחוזים, ניתן לבדוק את הקליברציה גם בעזרת ציון בראייר, שנקבע לפי ההפרש בין התחזית עבור תצפית מסוימת לבין התוצאה בפועל. גם התחזית וגם התוצאה נמדדות באחוזים, או בשבר עשרוני, אך לעומת התחזית שיכולה להיות כל מספר בין 0 ל 1, התוצאה בפועל כאשר מדובר על תוצא דיכוטומי יכולה להיות רק אחד משני הערכים- או 0 או 1. ציון בראייר משתמש בהפרשים האלו, עבור כל התצפיות, וממצע אותם. ככל שהבדיקה היא עם קליברציה טובה יותר, הציון יהיה קטן יותר. לרוב גרף קליברציה טוב יגיע יחד עם ציון בראייר נמוך (טוב), אך לא תמיד. Brier score Calibration Machine learning Training set Validation set EEG Spikes

 Aspirin in Patients with Chronic Coronary Syndrome Receiving Oral Anticoagulation Antithrombotic Therapy for Atrial Fibrillation with Stable Coronary Disease קווים מנחים בנושא שהתפרסמו השנה, אך לפני מחקר זה: Antiplatelet and Anticoagulant Therapy in the 2025 ACC/AHA Guideline for Acute Coronary Syndromes: Key Recommendations מחקר השנה שלי עוסק בבעיה קלינית משמעותית ונפוצה, בהחלטה בעלת משמעות רבה לחיי המטופלים, ותוצאותיו סותרות תפיסות פיזיולוגיות ופרמקולוגיות קודמות. Medical reversal Dual therapy Anticoagulant therapy Antiplatelet therapy Aspirin Loss to follow up  

Evaluating Prediction Model Performance Evaluation metrics and statistical tests for machine learning Towards proactive palliative care in oncology: developing an explainable EHR-based machine learning model for mortality risk prediction  /// כאשר מעריכים ביצועים של מודל בינה מלאכותית המבצע קלסיפיקציה לשני מצבים (למשל, גבר או אשה בתמונה, דלקת ריאות או העדר דלקת ריאות בצילום), משתמשים באותה טבלת שכיחויות המוכרת לנו מהערכת ביצועי בדיקה אבחנתית. גם בחקר ביצועי הבינה וגם ברפואה הנתונים הגולמיים (כמו למשל שיעור בדיקה חיובית כוזבת) נקראים באותו שם. אך כאשר מדובר במדדי ביצוע מורכבים, השמות משתנים. במקום רגישות, משתמשים במונח ריקול, ובמקום ערך מנבא חיובי, במונח פרסיז'ן. בניגוד לרפואה ולמחקר על בדיקות רפואיות, במדידת ביצועי מודל בינה מלאכותית משתמשים הרבה גם במדד המתייחס בבת אחת גם לרגישות וגם לערך המנבא החיובי, מדד 1F, שהוא ממוצע הרמוני של שני אלו. ממוצע הרמוני "מעניש" עבור ערך נמוך, זאת אומרת יהיה קרוב יותר לערך הנמוך יותר מבין שני הערכים. Accuracy True/false  positive/negative Positive predictive value=Precision Sensitivity=Recall F1 AUROC AUPRC

  לאחר העיבוד ברמת הנוירון המלאכותי הבודד, המסר עובר הלאה ברשת ה"נוירונים" ובסופו של דבר מתקבלת תחזית. בין התחזית לבין האמת ייתכן פער. המערכת מזהה את הפער בעזרת פונקציית ההפסד, ומעבירה היזון חוזר ("הפצה לאחור") כדי לתקן את המשקלים שכל אחד מהנוירונים המלאכותיים נותן לקלטים שלו. התהליך חוזר שוב ושוב עד הגעה למצב מיטבי שבו הפער בין התחזית לאמת הוא הקטן ביותר. התהליך של משוב מוכר לנו מהמערכת האנדוקרינית, למשל השליחה "קדימה" של הורמון בלוטת התריס והמידע "החוזר לאחור" הנשלח מההיפופיזה חזרה לבלוטת התריס לגבי צורך בתיקון. בלימוד הרפואה יש תהליך דומה מאוד לתהליך בבינה המלאכותית: הלומד נותן משקלים שונים לאנמנזה, לבדיקה הגופנית ולבדיקות המעבדה. המשקלים האלו מובילים אותו להחלטה על האבחנה המשוערת. המנטורית מזהה פערים בין ההחלטות של הלומד לבין ההחלטות הנכונות, ונותנת לו משוב שיאפשר לו לתת משקל קצה שונה לכל אחד מהקלטים שהוא מקבל, למשל מתן משקל גדול יותר לאנמנזה. חזרה שוב ושוב על התהליך הזה מול מטופלים שונים תהפוך את הלומד למומחה.   Loss function Back propagation Mentoring Machine learning Multiplication and accumulation unit Activation unit Artificial neuron Perceptron Decision  

ביחידות כמו רופא שמבצע שיקול קליני, מחקר המשתמש ברגרסיה לחיזוי, נוירון או פרספטרון- יש רכיב אחד שמבצע מכפלה ואז סיכום, ורכיב נוסף שמבצע החלטה מתמטית מה לעשות עם הסכום שהתקבל, למשל האם להפנות למיון, האם להעביר את המסר באקסון או האם להעביר את המסר החשמלי הלאה. Perceptron MAC unit Activation unit Decision Neural network Threshold Clinical reasoning Weighting Neuron Neuron’s soma Membrane potential Dendrites Axon Artificial Intelligence Linear regression Logistic regression Learning Weights/coefficients Sum Constant

Early influenza virus characterisation and vaccine effectiveness in England in autumn 2025, a period dominated by influenza A(H3N2) subclade K Immunogenicity as a Predictor of Influenza Vaccine Efficacy: A Systematic Review COVID-19 vaccination and changes in preventive behaviours: findings from the 2021 vaccine roll-out in Switzerland Impact of Influenza Vaccination on All-Cause Mortality and Hospitalization for Pneumonia in Adults and the Elderly with Diabetes: A Meta-Analysis of Observational Studies   עד כה יש מעט מאוד מחקר מדעי על תת הזן החדש של שפעת, קיי (שהוא שבט מתוך המטה H3N2). מחקר מאנגליה בדקת אימונוגניות של תתי זנים קודמים כנגד זן זה במעבדה (בעזרת "הדבקת דם"), ואת מועילות חיסון 2025-2026 כנגד זן זה בעזרת מחקר מקרה בקרה בקרב אנשים שבצעו בדיקה לשפעת. Vaccine effectiveness Immunogenicity Type, subtype, subclade, strain Hemagglutination inhibition Hemagglutinin Vaccine effectiveness Unmeasured bias Social distancing Negative test case control Influenza A(H3N2) subclade K  

Beta-Blockers after Myocardial Infarction with Normal Ejection Fraction כהמשך לשני המחקרים שהוצגו לאחרונה בפודקאסט על חסמי בטא.  מטא אנליזה על חמישה מחקרים ובהם כ 18 אלף איש, בדקה תועלת חסם בטא במטופלים לאחר התקף לב עם תפקוד חדר שמאל תקין. התוצא היה מורכב (התקף לב, מוות או אי ספיקת לב) ולאחר מעקב חציוני של שלוש וחצי שנים לא נראתה תועלת מובהקת לטיפול. למרות זאת, הרווח בר סמך כלל גם אפשרות של תועלת משמעותית קלינית, וכיוון שהיה מעבר מטופלים מזרוע טיפול אחת לשניה יש ספק מסוים בממצאי המחקרים. בינתיים עדיין אין שינוי בהנחיות הקליניות ורוב המטופלים לאחר התקף לב אמורים לקבל חסם בטא אם אין התוויות נגד. Beta blockers Myocardial infarction with preserved ejection fraction Meta analysis

Use of new CORE risk score to predict 10 year risk of liver cirrhosis in general population: population based cohort study CORE Calculator המחקר שמתוכו נוצר סולם החיזוי לצירוזיס הוא בעל תקפות נמוכה אם מסתכלים עליו כמחקר על בדיקה אבחנתית. הדבר נובע בעקר משיטת מחקר המתבססת רטרוספקטיבית על נתונים הקיימים בתיק הממוחשב. במקום להשתמש בגולד סטנדרט לצירוזיס, השתמשו באבחנות שנרשמו בתיקים הרפואיים. במקום לוודא קלינית שבתחילת המחקר אין לאנשים מחלת כבד, השתמשו בהעדר אבחנה בתיק הרפואי כסימן לכך. בנוסף, הייתה תלות בין בדיקת האבחנה לבין ביצוע בדיקה ההשוואה, ולא הייתה הסמיה של מבצעי בדיקת ההשוואה (רופאים שרשמו או שלא רשמו אבחנות הקשורות לצירוזיס) לבדיקה שמעניינת אותנו (למשל, ערכי אנזימי הכבד). מחקר שמייצר מודל לחיזוי צריך להשתמש גם בקבוצות לאימות, ולידציה.  שני מחקרי ולידציה, באנגליה ובפינלנד, הראו תוצאות דומות למחקר המקורי מבחינת קליברציה ורווח נקי מהבדיקה אך תוצאות שונות בדיסקרימינציה של הבדיקה. במחקרים בהם חסרים נתונים, משתמשים בשיטות סטטיסטיות להשלמת נתונים חסרים. למשל, אפשר לנסות לחזות מתוך מאפיינים אחרים של המטופל מהו ערך של אחד מאנזימי הכבד אצלו, ולהשתמש בערך החזוי בניתוח הסטטיסטי כאילו היה זה ערך אמיתי. במחקר שלנו השתמשו בשיטה דומה להשלמת נתונים חסרים.   Validity of diagnostic study Gold standard Representative sample Dependency of reference test Blinding of testing Prediction models Validation Imputation MICE- Multivariate Imputation by Chained Equations

Net benefit approaches to the evaluation of prediction models, molecular markers, and diagnostic tests Use of new CORE risk score to predict 10 year risk of liver cirrhosis in general population: population based cohort study CORE Calculator הרווח הנקי מבדיקה תלוי בערך הסף ממנו ומעלה אנו קובעים שהבדיקה חיובית. במודלים לחיזוי, ערך הסף הזה קובע הן את הסבירות לבדיקות חיוביות כוזבות או אמיתיות, והן את "שער החליפין הערכי", ולכן אפשר לחשב לפיו את הרווח הנקי מבדיקה. אך ערך הסף הוא סובייקטיבי מאוד. יהיה מצב שבו רופאה ומטופל יבחרו ערך סף אחד לפעולה ורופא ומטופלת אחרים ערך סף אחר. עקומת ניתוח ההחלטות עוקפת את הבעיה הזו, בכך שהיא מציגה לנו את הרווח הנקי מהבדיקה עבור טווח רחב של ערכי סף. בציר האופקי נמצא ערך הסף, ובציר האנכי של הגרף, הרווח הנקי מהבדיקה. ככל שהגרף גבוה יותר, כך הרווח הנקי גבוה יותר. עליה בערכי הסף (התקדמות בציר האופקי) מייצגת שער חליפין שבו יש משקל גדול לנזק מהבדיקה (בדיקות חיוביות כוזבות מקבלות יותר משקל), וכמעט תמיד תהיה קשורה לירידה ברווח הנקי מהבדיקה. על אותה מערכת צירים ניתן לבדוק מודל חיזוי אחד לעומת מודל אחר וגם לעומת ברירות מחדל (למשל, לטפל בכולם, או לא לטפל באף אחד). Decision curve analysis Net benefit approach to testing Threshold for a positive test Exchange rate True positives/false positives   רווח נקי של בדיקה=  שיעור בדיקות חיוביות אמיתיות (מבין כלל המשתתפים) פחות [שיעור בדיקות חיוביות כוזבות (מבין כלל המשתתפים) X שער החליפין*]   *היחס אותו אנחנו מוכנים לסבול בין מספר בדיקות חיוביות אמיתיות למספר בדיקות אמיתיות כוזבות  

Net benefit approaches to the evaluation of prediction models, molecular markers, and diagnostic tests Use of new CORE risk score to predict 10 year risk of liver cirrhosis in general population: population based cohort study CORE Calculator   הרווח הנקי מבדיקה הוא מידת התועלת של הבדיקה, המתבטאת בבדיקות חיוביות אמיתיות, פחות הנזק מהבדיקה, המתבטא בבדיקות חיוביות כוזבות. כדי לבצע חישוב של ההפרש בין שני אלו, צריך לבצע המרה לאותן יחידות. הדרך לבצע את זה היא קביעה (בעזרת מומחיות קלינית, הכרת הנושא, ערכים ומטרות של המטופל) של "שער חליפין ערכי": כמה בדיקות חיוביות כוזבות אנחנו מוכנים לסבול עבור כל בדיקה חיובית אמיתית. שיעור הבדיקות החיוביות הכוזבות מוכפל בשער החליפין כדי שיחידת המדידה תהיה גם שם "יחידות של בדיקות חיוביות אמיתיות", ואז מחסירים ערך זה משיעור הבדיקות החיוביות האמיתיות. רווח נקי חיובי, משמעותו שהמטופל ירוויח מביצוע הבדיקה. במודלים של חיזוי, ערך הסף שמעליו נבצע התערבות או המשך בירור קובע לנו גם את שער החליפין (למשל, אם ערך הסף במודל הוא 2.5%, שער החליפין הוא 1/39) וגם, בעזרת מחקר, מאפשר לנו לדעת מה יהיה שיעור הבדיקות החיוביות האמיתיות ושיעור הבדיקות החיוביות הכוזבות. רווח נקי של בדיקה=  שיעור בדיקות חיוביות אמיתיות (מבין כלל המשתתפים)  פחות [שיעור בדיקות חיוביות כוזבות (מבין כלל המשתתפים) X שער החליפין*]   *היחס אותו אנחנו מוכנים לסבול בין מספר בדיקות חיוביות אמיתיות למספר בדיקות אמיתיות כוזבות   Net benefit (of testing) True positives/ false positives Exchange rate

Use of new CORE risk score to predict 10 year risk of liver cirrhosis in general population: population based cohort study CORE Calculator מלבד הדיסקרימינציה , יש לנו שאלה נוספת כדי להחליט האם מדד חיזוי הוא מדד מוצלח: האם הסיכוי המחושב דומה לסבירות האמיתית כפי שנצפתה בהמשך המעקב. התאמה כזו נקראת קליברציה. אי אפשר לדעת מה הסבירות האמיתית עבור מטופל בודד- מטופל בודד יחלה או שלא יחלה, זאת אומרת הסבירות האמיתית שיחלה היא או אפס או מאה אחוז. לכן קליברציה משתמשת בקבוצות. בכל קבוצה הסיכוי המחושב (התחזית) נמצאת בטווח מסויים, והממוצע של הסיכוי המחושב באותה קבוצה מושווה לשיעור האנשים באותה קבוצה שחלו בסופו של דבר. מדד ה CORE  הוא בעל קליברציה מצויינת בערכים עד 17-18%, אך בערכים גבוהים יותר נתן הערכת יתר. Calibration Probability Calculated risk

Use of new CORE risk score to predict 10 year risk of liver cirrhosis in general population: population based cohort study CORE Calculator SCORE2 risk prediction algorithms: new models to estimate 10-year risk of cardiovascular disease in Europe השטח תחת העקומה מתייחס לעקומת הרוק, והוא נמדד כיחס בין שני שטחים ולא ביחידות שטח. היחס הזה מקבל ערכים שבין 0.5 לבין 1, כאשר ככל שהערך גבוה יותר, כך יכולת ההפרדה של הבדיקה (דיסקרימינציה) טובה יותר. ערך של 0.88 אומר לנו שהסבירות שמטופל שיפתח שחמת בעתיד יקבל ציון חיזוי גבוה יותר ממטופל שלא יפתח שחמת היא 88%. חיזוי זה הוא עבור עשר שנים קדימה, אך מה לגבי חיזוי לזמנים קצרים יותר?  שטח תחת העקומה תלוי זמן מציג לנו מהו השטח תחת העקומה עבור זמני תחזית שונים. למשל, בקוהורט המקורי עבור סולם הקור- 0.94 עבור תחזית של שנה אחת קדימה, ו 0.88 עשר שנים קדימה. Time-dependent AUC ROC curve AUROC Discrimination CORE prediction model SCORE2 prediction model FIB4  

Use of new CORE risk score to predict 10 year risk of liver cirrhosis in general population: population based cohort study CORE Calculator שיקולים שונים בסקירה ברמת האוכלוסיה לשחמת- מאמר סקירה קווים מנחים אירופאיים- המלצה לבצע סקירה באנשים בסיכון קווים מנחים- עדיין אין התוויה לסקירה למחלת כבד על רקע סטאטוזיס מטבולי (מכרס"מ © )   במחקר קוהורט ענקי בשוודיה, התגלה ששימוש בחמישה מדדים בלבד- שלושה אנזימי כבד, גיל ומין, מאפשר חיזוי של שחמת כבד בעשר השנים הקרובות. המודל לחיזוי אומת בשני קוהורטים בארצות אחרות, ולפי מחקר זה, יכולת הניבוי של מדד זה טובה יותר מאשר יכולת הניבוי של מדד ה FIB4.   CORE Prediction model Liver cirrhosis

Latin trial Scandinavian trial במטופלים לאחר אוטם שריר הלב וללא הפרעה בתפקוד חדר שמאל, האם טיפול בחסם בטא מונע בעיות עתידיות? ננצל את השאלה כדי להבין כיצד לנתח תוצאות של מחקרים סותרים, ולהחמיא הן למדע, הן לספרות הרפואית והן לעזרה של מודל בינה מלאכותית לניתוח מחקרים.   Differences in: Population Method Intervention Outcome measurement Confidence interval Evidence based medicine

ביטוי מעוות יכול לשמש כחכה בדיג של מחקרים מפוברקים. שימוש בביטוי כזה העלה בחכה מחקר חשוד. בעזרת הצלבת נתונים וחיפוש סימני אזהרה הקשורים לחוקר, לטקסט, לתוצאות המחקרים, לעיתון ולמו"ל, הגעתי לעיתונים חשודים נוספים של אותו מו"ל ולהתכתבויות ברשת המתארות ניסיון לסחיטת חוקר וניסיון השתלטות על עיתון מדעי.   לקריאה מומלצת: בעיה ושמה זיוף- יהונתן ברקהיים, מכון דוידסון.   "מאמר מדעי" על פרקינסון דף האורכיד של "מחבר" המאמר  העיתון המדעי לכאורה Int. J. of School and Cognitive Psychology   חוקרת לגיטימית שהוזכרה בדף הבית של העיתון כאחת העורכות   עיתון נוסף של אותו מוציא לאור ובתוכו "מטא אנליזה" על דכאון אצל סטודנטים באתיופיה מאמר על המו"ל מ retraction watch התכתבות בין חוקרים על ניסיון רכישת עיתון לגיטימי על ידי אותה הוצאה לאור   מאגר המידע לזיהוי מחקרים בעייתיים לפי ביטויים מעוותים  (Guillaum Cabanac- problematic paper screener)      

A survey of experts to identify methods to detect problematic studies: stage 1 of the INveStigating ProblEmatic Clinical Trials in Systematic Reviews project   בפרוייקט שנועד לסנן מתוך סקירות שיטתיות מחקרים בעייתיים (מחקרים רעים מאוד ומחקרים מכוערים לפי שיטת הסיווג שלנו), בוצע סקר בין מומחים לזיהוי מחקרים כאלו, ונאספו 116 בדיקות שונות לאיתור או זיהוי.  מתוך בדיקות אלו, 76 ניתנות ליישום ממידע גלוי (ללא נתונים גולמיים של המשתתפים במחקר). אלו בדיקות בקטגוריות הבאות: בדיקת תוצאות המחקר, בדיקת הכותבים, בדיקת ניהול המחקר, ובדיקת הטקסט והעיתון. כאשר סדרת הבדיקות בוצעה על 50 סקירות שיטתיות של קוקרן, כ 31% מהמחקרים המבוקרים הנכללים היו חשודים במידת מה, ו 6% היו חשודים ביותר כמחקרים בעייתיים. INSPECT-SR Problematic studies Individual participant data Results in the paper Conduct Research team Text and publication

Is something rotten in the state of Denmark? Cross-national evidence for widespread involvement but not systematic use of questionable research practices across all fields of research מיקום דנמרק וישראל במדד השחיתות העולמי המחקר המצוטט ביותר בתחום זה, שבוצע על חוקרים בפסיכולוגיה.   בסקר שנערך בין חוקרים בכירים מכל התחומים בדנמרק ובארצות אחרות התגלה שיעור גבוה מאוד של פרקטיקות מחקר מפוקפקות. הבעיות היו בטווח רחב של חומרה: החל מציטוטים עצמיים דרך מניפולציות סטטיסטיות כדי להשיג מובהקות ועד העתקת רעיונות. 90% מהחוקרים הודו שלפחות פעם אחת במחקריהם האחרונים השתמשו בפרקטיקה אחת מאלו. לחץ לפרסם היה מנבא לפרקטיקות בעייתיות. לעומת זאת נחמדות, נוירוטיות, מצפוניות, וותק אקדמי, ותרבות מקומית של יושרה- הם גורמים מעט מגנים מהפרקטיקות המפוקפקות. Questionable research practices- QRP פרקטיקות מפוקפקות במחקר- פמפ"ם HARKing P hacking authorship  

פרק סיכום זמני על מחקרים שלא צריכים להתפרסם. בפרק זה אני מציע שיטת סיווג משלי עבור מחקרים אלו: מחקר רע הוא מחקר בעזרת שיטות לא נכונות או לא מתאימות. המחקר הרע מאוד מתחיל כמחקר לגיטימי, אך מתבצעת בו מניפולציה מודעת בנתונים או בשיטה הסטטיסטית כדי להגיע לתוצאה שהחוקר מעוניין בה, והמחקר המכוער הוא מחקר שמומצאים בו נתונים או מחקר מפוברק לחלוטין. שלושת סוגי המחקרים האלו יכולים להביא לנזק רב, הן ישירות למטופלים והן לאמון במדע וברפואה. החלוקה לשלושה סוגים אלו נקבעה לפי האתיולוגיה (הרע נובע מבורות, הרע מאוד מרצון להגיע לתוצאה מסוימת ולפרסם אותה, והמכוער נובע מנוכלות והונאה)