托马斯·F·赫斯顿(Thomas F. Heston),医学博士

学术医师(家庭医学、核医学),任职于美国华盛顿大学和华盛顿州立大学。研究方向:临床试验中的统计脆弱性与稳健性(p–fr–nb 框架)、大型语言模型在临床医学和医学教育中的应用,以及区块链在医疗中的应用。《互联网医学杂志》(Internet Medical Journal,ISSN 1093-7935)主编。

ORCID:https://orcid.org/0000-0002-5655-2512 · English

核心概念

p–fr–nb 三元组
完整的统计证据由三部分组成:p 表示统计显著性;fr 表示脆弱性,即显著性分类的稳定程度;nb 表示稳健性,即效应估计值与治疗中性点之间的几何距离。脆弱性与稳健性是两个相互独立的维度,而不是同一尺度的两端。
脆弱性距离(Fragility Distance,FD)
在双侧 Fisher 精确检验下,使 2×2 表跨越 p = 0.05 所需的最少单例编辑次数;每次编辑是向任一单元格增加一名患者或从中移除一名患者,总样本量可变。定义页面:https://fragilitymetrics.org/fragility-distance.php
全局脆弱性指数(Global Fragility Index,GFI)
在总样本量固定的条件下,使临床试验列联表的统计显著性分类发生反转所需的、在单元格之间移动的最少患者数。定义页面:https://fragilitymetrics.org/global-fragility-index.php

统计脆弱性与稳健性

临床医学中的大型语言模型

医疗与社会中的区块链

临床医学

全文与更多资源