Galvenais Cits Konkurējoša riska analīze

Konkurējoša riska analīze

Pārskats

Programmatūra

Apraksts

Vietnes

Lasījumi

Kursi

Pārskats

Konkurējošā riska analīze attiecas uz īpašu izdzīvošanas analīzes veidu, kura mērķis ir pareizi novērtēt notikuma marginālo varbūtību konkurējošu notikumu klātbūtnē. Tradicionālās izdzīvošanas procesa aprakstīšanas metodes, piemēram, Kaplana Meiera produkta ierobežojuma metode, nav izstrādātas, lai pielāgotu viena un tā paša notikuma vairāku cēloņu konkurējošo raksturu, tāpēc tām ir tendence radīt neprecīzas aplēses, analizējot cēloņiem raksturīgo notikumu iespējamību. Kā risinājums tika ierosināts kumulatīvā sastopamības funkcija (CIF), lai atrisinātu šo konkrēto problēmu, novērtējot noteikta notikuma robeža varbūtību atkarībā no tā cēloņiem raksturīgās varbūtības un kopējās izdzīvošanas varbūtības. Šī metode apvieno produkta ierobežojuma pieejas ideju un konkurējošu cēloņsakarību ideju, kas sniedz skaidrojamāku novērtējumu vairāku konkurējošu notikumu izdzīvošanas pieredzei subjektu grupai. Tāpat kā daudzas analīzes, konkurējošā riska analīze ietver parametru metodi, kas ietver modificēta Chi-kvadrāta testa izmantošanu, lai salīdzinātu CIF līknes starp grupām, un parametru pieeju, kas modelē CIF, pamatojoties uz sadalījuma bīstamības funkciju.

Apraksts

1. Kas ir konkurējošs pasākums un risks?

Standarta izdzīvošanas datos cilvēkiem, domājams, novērošanas laikā ir tikai viena veida notikumi, piemēram, nāve no krūts vēža. Gluži pretēji, reālajā dzīvē subjekti potenciāli var piedzīvot vairāk nekā vienu konkrēta notikuma veidu. Piemēram, ja mirstība interesē pētniecību, tad mūsu novērojumi - vecākie pacienti onkoloģijas nodaļā, iespējams, varētu nomirt no sirdslēkmes vai krūts vēža vai pat ceļu satiksmes negadījuma. Kad var notikt tikai viens no šiem dažāda veida notikumiem, mēs šos notikumus saucam par konkurējošiem notikumiem tādā ziņā, ka tie konkurē savā starpā, lai nodrošinātu interesējošo notikumu, un viena veida notikumu novēršana novērsīs notikumu rašanos. citi. Rezultātā mēs šo notikumu varbūtību saucam par konkurējošiem riskiem tādā ziņā, ka katra konkurējošā notikuma varbūtību kaut kā regulē citi konkurējošie notikumi, kam ir interpretācija, kas piemērota izdzīvošanas procesa aprakstam, ko nosaka vairāku veidu notikumi. .

Lai labāk izprastu konkurējošā notikuma scenāriju, apsveriet šādus piemērus:

1) Pacients var nomirt no krūts vēža vai no insulta, bet viņš nevar mirt no abiem;
3) Karavīrs var iet bojā kaujas laikā vai ceļu satiksmes negadījumā.

Iepriekš minētajos piemēros ir vairāki veidi, kā subjekts var izgāzties, taču neveiksme, nāve vai infekcija, katram subjektam var notikt tikai vienu reizi (neņemot vērā atkārtotu notikumu). Tāpēc dažādu ceļu izraisītās neveiksmes ir savstarpēji izslēdzošas, un tāpēc tās sauc par konkurējošiem notikumiem. Šādu datu analīze prasa īpašus apsvērumus.

2. Kāpēc mums nevajadzētu izmantot Kaplan Meier novērtētāju?

Tāpat kā standarta izdzīvošanas analīzē, arī konkurējošo notikumu datu analītiskais mērķis ir novērtēt viena notikuma varbūtību starp daudziem iespējamiem notikumiem laika gaitā, ļaujot subjektiem izgāzties no konkurējošiem notikumiem. Iepriekš minētajos piemēros mēs varētu vēlēties novērtēt krūts vēža mirstības līmeni laika gaitā un vēlēties uzzināt, vai krūts vēža mirstība divās vai vairākās ārstēšanas grupās atšķiras ar vai bez kovariātu korekcijas. Standarta izdzīvošanas analīzē uz šiem jautājumiem var atbildēt, izmantojot Kaplana Meiera produkta ierobežojuma metodi, lai iegūtu notikuma varbūtību laika gaitā, un Koksa proporcionālā bīstamības modeli, lai prognozētu šādu varbūtību. Tāpat konkurējošo notikumu datos tipiskā pieeja ietver KM aprēķinātāja izmantošanu, lai atsevišķi novērtētu varbūtību katram notikuma veidam, vienlaikus pārējos konkurējošos notikumus uzskatot par cenzētiem papildus tiem, kuri tiek cenzēti no zaudējuma līdz kontrolei vai atsaukšanai. Šo notikumu varbūtības novērtēšanas metodi sauc par cēloņiem raksturīgu bīstamības funkciju, ko matemātiski izsaka šādi:

Nejaušais mainīgais Tc apzīmē laiku līdz atteicei no notikuma veida c, tāpēc cēloņspecifiskā bīstamības funkcija hc (t) dod momentāno atteices ātrumu laikā t no notikuma tipa c, ņemot vērā, ka laiks t neatkāpjas no notikuma c.

Attiecīgi ir arī cēloņu specifiskās bīstamības modelis, kas balstīts uz Koksas proporcionālā bīstamības modeli un kura forma ir:

Šis proporcionālais c veida notikuma bīstamības modelis laikā t ļauj kovariātu iedarbībai atšķirties atkarībā no notikuma veida, kā to norāda parakstītais beta koeficients.

Izmantojot šīs metodes, katram konkurējošajam notikumam var atsevišķi novērtēt neveiksmes līmeni. Piemēram, mūsu krūts vēža mirstības piemērā, kad nāve no krūts vēža ir interesants notikums, nāve no sirdslēkmes un visiem citiem cēloņiem papildus parastajiem cenzētajiem novērojumiem jāuzskata par cenzētu. Tas ļautu mums novērtēt cēloņu specifisko bīstamību krūts vēža mirstības rādītājiem un turpināt piemērot cēloņiem raksturīgu bīstamības modeli krūts vēža mirstībai. To pašu procedūru var piemērot arī nāvei no sirdslēkmes, kad tā kļūst par interesējošu notikumu.

Galvenā cēloņa specifiskās pieejas atruna ir tāda, ka tā joprojām uzņemas neatkarīgu cenzēšanu subjektiem, kuri faktiski netiek cenzēti, bet kuriem nav izdevies piedalīties konkurējošos pasākumos, piemēram, attiecībā uz standarta cenzūru, piemēram, zaudējumu sekošanu. Pieņemsim, ka šis pieņēmums ir patiess, koncentrējoties uz cēloņiem raksturīgu mirstības līmeni no krūts vēža, tad jebkuram cenzētam subjektam laikā t būtu tāds pats mirstības līmenis no krūts vēža, neatkarīgi no tā, vai cenzēšanas iemesls ir vai nu CVD, vai cits nāves cēlonis vai zaudējums pēcpārbaudei. Šis pieņēmums ir līdzvērtīgs apgalvojumam, ka konkurējoši notikumi ir neatkarīgi, kas ir pamats KM analīzes veida derīgumam. Tomēr nav iespēju skaidri pārbaudīt, vai šis pieņēmums ir izpildīts kādai konkrētai datu kopai. Piemēram, mēs nekad nevaram noteikt, vai subjekts, kurš nomira no sirdslēkmes, būtu miris no krūts vēža, ja nebūtu miris no sirdslēkmes, jo iespējamā vēža nāve nav novērojama personām, kuras nomira no sirdslēkmes. Tāpēc aprēķiniem, kas iegūti, ņemot vērā cēloņu specifiskās bīstamības funkciju, nav informatīvas interpretācijas, jo tas lielā mērā balstās uz neatkarības cenzēšanas pieņēmumu.

3. Kāds ir risinājums?

Līdz šim vispopulārākā alternatīvā pieeja konkurējošu notikumu datu analīzei tiek dēvēta par kumulatīvo sastopamības funkciju (CIF), kas novērtē katra konkurējošā notikuma robeža varbūtību. Marginālo varbūtību definē kā varbūtību tiem subjektiem, kuri faktiski attīstīja interesējošo notikumu, neatkarīgi no tā, vai viņi tika cenzēti vai neizdevās no citiem konkurējošiem notikumiem. Vienkāršākajā gadījumā, ja ir tikai viens interesējošs notikums, CIF vajadzētu būt vienādam ar (1-KM) novērtējumu. Tomēr, ja ir konkurējoši notikumi, katra konkurējošā notikuma iespējamo varbūtību var noteikt no CIF, kas izriet no specifiska cēloņa bīstamības, kā mēs iepriekš apspriedām. Pēc definīcijas marginālā varbūtība neuzņemas konkurējošu notikumu neatkarību, un tai ir interpretācija, kas klīnicistam ir atbilstošāka izmaksu efektivitātes analīzēs, kurā riska varbūtība tiek izmantota ārstēšanas lietderības novērtēšanai.

3.1. Kumulatīvās sastopamības funkcija (CIF)

CIF konstrukcija ir tikpat tieša kā KM aprēķins. Tas ir divu aprēķinu rezultāts:

1) Bīstamības novērtējums noteiktā atteices laikā tf interesējošajam notikuma tipam, izteikts kā:

kur mcf apzīmē riska c notikumu skaitu laikā tf un nf ir subjektu skaits tajā laikā.

2) Iepriekšējās laika izdzīvošanas kopējās varbūtības novērtējums (td-1):

kur S (t) apzīmē kopējo izdzīvošanas funkciju, nevis cēloņa specifisko izdzīvošanas funkciju. Iemesls, kāpēc mums jāņem vērā vispārējā izdzīvošana, ir vienkāršs, tomēr svarīgs: subjektam ir jābūt izdzīvojušam visos pārējos konkurējošos notikumos, lai grafikā neizietu no c veida notikumiem.

Izmantojot šos divus aprēķinus, mēs varam aprēķināt aprēķināto neveiksmes varbūtību no notikuma tipa c laikā tf kā:

Vienādojums ir pats par sevi saprotams: varbūtība, ka neveiksme no notikuma veida c laikā tf ir vienkārši izdzīvošana iepriekšējos laika periodos un cēloņa specifiskā bīstamība laikā tf.

CIF notikuma tipam c laikā tf ir šo incidences varbūtību visu notikumu tipa c atteices laiku kumulatīvā summa līdz laikam tf (t.i., no f ’= 1 līdz f’ = f), ko izsaka kā:

Kā jau minējām iepriekš, CIF ir ekvivalents 1-KM aprēķinātājam, ja nav konkurējoša notikuma. Ja notiek konkurējošs notikums, CIF atšķiras no 1-KM aprēķinātāja ar to, ka tas izmanto vispārējo izdzīvošanas funkciju S (t), kas papildus interesējošajam notikumam skaita neveiksmes no konkurējošiem notikumiem, savukārt 1-KM novērtētājs izmanto notikuma tipu specifiska izdzīvošanas funkcija Sc (t), kas konkurējošo notikumu neveiksmes uzskata par cenzētu.

Izmantojot vispārējo izdzīvošanas funkciju, CIF apiet vajadzību izdarīt nepārbaudāmus pieņēmumus par cenzēšanas neatkarību no konkurējošiem notikumiem. Tā kā S (t) vienmēr ir mazāks par Sc (t), konkurējošo notikumu datos CIF vienmēr ir mazāks par 1-KM aprēķiniem, kas nozīmē, ka 1-KM mēdz pārvērtēt neveiksmes varbūtību no interesējošā notikuma veida . Vēl viena priekšrocība ir tā, ka pēc definīcijas katra konkurējošā notikuma CIF ir daļa no S (t), tāpēc katra individuālā apdraudējuma summai visiem konkurējošajiem notikumiem jābūt vienādiem ar kopējo bīstamību. Šis CIF īpašums ļauj sadalīt vispārējo bīstamību, kuru ir praktiskāk interpretēt.

3.2. Neparametriska analīze

Grey (1988) ierosināja parametru pārbaudi, lai salīdzinātu divus vai vairākus CIF. Tests ir analogs log-rank testam, kurā tiek salīdzinātas KM līknes, izmantojot modificētu Chi-kvadrāta testa statistiku. Šis tests neprasa neatkarīgu cenzēšanas pieņēmumu. Lūdzu, izlasiet oriģinālo rakstu, lai iegūtu sīkāku informāciju par to, kā tiek veidota šī testa statistika.

3.3. Parametriskā analīze

Fine and Grey (1999) ierosināja proporcionālās bīstamības modeli, kura mērķis ir modelēt CIF ar kovariātiem, CIF līkni uzskatot par apakšiedalījuma funkciju. Sadalīšanas funkcija ir analoga Koksa proporcionālā bīstamības modelim, izņemot to, ka tā modelē bīstamības funkciju (tā saukto kā sadalīšanas bīstamību), kas iegūta no CIF. Smalkās un pelēkās apakšsadalījuma bīstamības funkciju notikuma tipam c var izteikt šādi:

Iepriekš minētā funkcija aplēš c veida notikumu bīstamības līmeni laikā t, pamatojoties uz riska kopu, kas saglabājas laikā t pēc visu iepriekš notikušo notikumu veidu uzskaites, ieskaitot konkurējošus notikumus.

Pēc tam CIF proporcionālā bīstamības modeli definē kā:

Šis modelis apmierināja proporcionālo bīstamības pieņēmumu modelējamajam apakšgrupas apdraudējumam, kas nozīmē, ka vispārējā riska koeficienta formula būtībā ir tāda pati kā Koksa modelim, izņemot nelielu kosmētisko atšķirību, ka Cox modeļa betas tiek aizstātas ar gammām Fine un Greja modelis. Līdz ar to mums gammas būtu jāinterpretē līdzīgi kā to darām attiecībā uz betām, kas aprēķinātas pēc Koksa modeļa, izņemot to, ka tā aplēš noteiktu kovariātu ietekmi konkurējošu notikumu klātbūtnē. Smalko un pelēko modeli var arī paplašināt, lai atļautu kovariātus no laika.

Šodien konkurējošo datu analīze, izmantojot vai nu parametru, vai parametru metodi, ir pieejama lielākajās statistikas paketēs, tostarp R, STATA un SAS.

Lasījumi

Mācību grāmatas un nodaļas

J. D. Kalbfleisch un Ross L. Prentice, “Konkurējoši riski un daudzpakāpju modeļi”, “Failure Time Data Statistiskā analīze” (Hoboken, N.J .: J. Wiley, 2002), 247. – 77. Lpp.
CIF ideja vispirms tika piedāvāta šajā grāmatā. Tas dod jums pārliecinošu pamatojumu tam, kāpēc jūs nevarat analizēt konkurējošos datus, izmantojot Kaplana Meiera metodi.

Deivids G. Kleinbaums un Mičels Kleins, “Konkurējošo risku izdzīvošanas analīze”, izdevumā Survival Analysis: A Self-Learning Text (New York: Springer, 2012), 425. – 95. Lpp.
Visa šī lapa ir lielā mērā aizgūta no šīs lieliskās Kleinbaum & Klein nodaļas, es to ļoti iesaku! P.S. Es ļoti iesaku visas Kleinbauma statistikas mācību grāmatas kopumā.

Bobs Grejs (2013). cmprsk: Konkurējošo risku sadalījuma analīze. R pakotnes versija 2.2-6. http://CRAN.R-project.org/package=cmprsk
Šī ir R pakotnes cmprsk lietotāja rokasgrāmata, tā sniedz cilvēkiem draudzīgus norādījumus par to, kā īstenot šīs funkcijas.

stcrreg - konkurējošo risku regresija, StataCorp. 2013. Stata 13 bāzes uzziņu rokasgrāmata. Koledžas stacija, TX: Stata Press.
Šī ir STATA lietotāja rokasgrāmata, es par to zinu ļoti maz, bet, šķiet, ka tā ir informatīva kvalificētiem STATA lietotājiem.

Proporcionāls sadalīšanas bīstamības modelis konkurējošo risku datiem, SAS Institute Inc. 2013. SAS / STAT® 13.1 Lietotāja rokasgrāmata: pp5991-5995. Karijs, NC: SAS Institute Inc.
Šis ir viens no tiem SAS foruma dokumentiem, kurā aprakstīts, kā analizēt konkurējošo risku, izmantojot PROC PHREG SAS. Ļoti detalizēts un noderīgs.

Metodiskie raksti

Prentice, Ross L., et al. Neveiksmes laika analīze konkurējošu risku klātbūtnē. Biometrija (1978): 541-554.
Šis raksts ir ļoti līdzīgs Kalbfleisch un Prentice grāmatas nodaļai, iespējams, ka tie ir viens un tas pats dokuments.

Grey, Robert J. K parauga testu klase konkurējošā riska kumulatīvās sastopamības salīdzināšanai. The Annals of statistics (1988): 1141-1154.
Šis ir dokuments, kurā tika ierosināts modificētais Chi-kvadrāta tests, lai salīdzinātu divus vai vairākus CIF. Episki!

Fine, Džeisons P. un Roberts J. Grejs. Proporcionālās bīstamības modelis konkurējošā riska sadalījumam. Amerikas Statistikas asociācijas žurnāls 94.446 (1999): 496-509.
Šis ir dokuments, kas ierosināja CIF sadalījuma bīstamības funkciju un proporcionālā bīstamības modeli. Episki!

Latouche, Aurélien un citi. Nepareizi noteikts regresijas modelis konkurējošā riska apakšdalības riskam. Statistika medicīnā 26,5 (2007): 965–974.
Šajā rakstā tika kritizēta subdistribu bīstamības funkcijas nepareiza izmantošana publicētajos dokumentos. Tas ir sava veida noderīgs, jo tas norādīja uz dažām kļūdām, izmantojot šo metodi.

Lau, Braiens, Stīvens R. Kouls un Stīvens Dž. Riska regresijas modeļu konkurēšana epidemioloģiskiem datiem. Amerikas epidemioloģijas žurnāls 170.2 (2009): 244-256.
Šajā rakstā ir sniegts lielisks CIF un konkurējošās riska regresijas kopsavilkums ar spilgtiem grafikiem. Tam ir arī šīs metodes pielietojums reālās pasaules datos. Ļoti noderīgi epidemiologiem.

Džou, Bingkina u.c. Sacensību risks regresijas noteikšanai stratificētiem datiem. Biometrija 67.2 (2011): 661-670.
Darbā tika paplašinātas Greja metodes, lai analizētu stratificētos datus.

Džou, Bingkina u.c. Konkurēšana rada regresijas risku kopu datiem. Biostatistika 13.3 (2012): 371-383.
Darbā tika paplašinātas Greja metodes, lai analizētu kopu datus.

veselības aprūpes sistēmas Meksikā

Andersens, Pērs Krags u.c. Konkurējošie riski epidemioloģijā: iespējas un kļūmes. Starptautiskais epidemioloģijas žurnāls 41.3 (2012): 861-870.
Labs Greja metožu kopsavilkums un kritika.

Rakstu raksti

Wolbers, Marsels u.c. Prognozes modeļi ar konkurējošiem riskiem: metodes un pielietošana koronāro risku prognozēšanā. Epidemioloģija 20.4 (2009): 555-561.
Šajā dokumentā, analizējot koronāro sirds slimību mirstību, tika salīdzināts Fine un Grey modelis ar standarta Koksas modeli un parādīts, ka Koksas modelis pārvērtēja bīstamību.

Wolbers, Marsels u.c. Konkurējošo risku analīze: mērķi un pieejas. European Heart Journal (2014): ehu131.
Šis dokuments ir arī Wolbers et al. bet sniedz plašāku Greja metodes pārskatu un implantējamo kardioverteru-defibrilatoru efektivitātes analīzes piemēru.

Grover, Gurprit, Prafulla Kumar Swain un Vajala Ravi. Konkurējoša riska pieeja ar cenzēšanu, lai novērtētu HIV / AIDS pacientu nāves varbūtību antiretrovīrusu terapijā kovariātu klātbūtnē. Statistikas pētījumu vēstules 3.1 (2014).
Klasisks pielietojums HIV ārstēšanas pētījumos.

Dignam, James J., Qiang Zhang un Maša Kocherginsky. Konkurējošo risku regresijas modeļu izmantošana un interpretācija. Klīniskā vēža izpēte 18.8 (2012): 2301-2308.
Šajā rakstā tika izmantoti staru terapijas onkoloģijas grupas klīnisko pētījumu par prostatas vēzi piemēri, lai parādītu, ka atšķirīgs bīstamības modelis var novest pie ļoti atšķirīgiem secinājumiem par to pašu prognozētāju.

R konsultācijas

Skruka, L., A. Santuči un F. Aversa. Konkurences riska analīze, izmantojot R: ērta rokasgrāmata ārstiem. Kaulu smadzeņu transplantācija 40,4 (2007): 381-387.
Ļoti jauka apmācība par CIF novērtēšanu R cilvēkiem, kas nav statistiķi.

Skruka, L., A. Santuči un F. Aversa. Konkurējošā riska regresijas modelēšana, izmantojot R: padziļināta rokasgrāmata ārstiem. Kaulu smadzeņu transplantācija 45,9 (2010): 1388-1395.
Ļoti jauka apmācība par konkurējošas riska regresijas piemērošanu R cilvēkiem, kas nav statistiķi.

Scheike, Thomas H. un Mei-Jie Zhang. Konkurējošo riska datu analīze, izmantojot R timereg paketi. Statistikas programmatūras žurnāls 38.2 (2011).
Iepazīšanās ar R pakotnes taimeri, kas nav cmprsk pakete, konkurējošu datu analīzei.

STATA konsultācijas

Coviello, Vincenzo un May Boggess. Kumulatīvā sastopamības novērtēšana konkurējošu risku klātbūtnē. STATA žurnāls 4 (2004): 103-112.

SAS konsultācijas

Lins, Guixian, Ying So un Gordon Johnston. Izdzīvošanas datu analīze ar konkurējošiem riskiem, izmantojot SAS programmatūru. SAS globālais forums. Sēj. 2102. 2012.

Kursi

Sallija R. Hinčija. Konkurējošie riski - kas, kāpēc, kad un kā? Izdzīvošanas analīze jaunākajiem pētniekiem, Lesteras universitātes Veselības zinātņu nodaļa, 2012
Lieliska lekcija par konkurējošu riska analīzi ar daudzām diagrammām, lai saprastu metodi.

Bernhards Hallers. Konkurējošo risku datu analīze un datu simulācija pēc iepriekšēja sadalījuma bīstamības, Pētniecības seminārs, Minhenes Tehniskās universitātes Medicīniskās statistikas un epidemioloģijas institūts, 2013
Māciet, kā simulēt konkurējošos datus, mazliet grūti sekot.

Roberto G. Gutierrez. Konkurējošo risku regresija, 2009. gada Austrālijas un Jaunzēlandes Stata lietotāju grupas sanāksme. StataCorp LP, 2009. gads
Lekcija par STATA izmantošanu konkurējošu riska datu analizēšanai.

Zaixing Shi, konkurējošā riska analīze - Epi VI prezentācija, 2014. gada pavasara semestra klases prezentācija.
Šis ir mans prezentācijas slaids!

Interesanti Raksti

Redaktora Izvēle

Kā nodrošināt finansējumu mūzikas izglītībai valsts skolās
Kā nodrošināt finansējumu mūzikas izglītībai valsts skolās
Meklējot finansējuma avotus, skolotāji var likt pamatu jaunākās paaudzes mūziķu progresīvas mācību programmas nodrošināšanai.
Kas ir epidemioloģija?
Kas ir epidemioloģija?
Epidemioloģija ir pētījums par to, kā izplatās dažādas veselības problēmas, tostarp slimības, ko tās ietekmē iedzīvotāju vidū un kāpēc, kā arī kā tās novērst vai kontrolēt. Uzziniet vairāk par šo daudzveidīgo jomu, kas ir sabiedrības veselības stūrakmens, šeit.
e-mentora programma
e-mentora programma
Laipni lūdzam e-mentoru programmā, ko sponsorē Karjeras dizaina laboratorija un Absolventu attiecības Kolumbijas Universitātes Profesionālo studiju skolā ...
Ekonomisti Džozefs Stiglics un Tomass Piketi runā par nevienlīdzības konverģējošām krīzēm
Ekonomisti Džozefs Stiglics un Tomass Piketi runā par nevienlīdzības konverģējošām krīzēm
Pandēmija, prezidenta vēlēšanas, globalizācija, klimata pārmaiņas un citi jautājumi tiek apskatīti transatlantiskajā forumā.
NIH Grant Writing Boot Camp: Spēcīga fonda izveide, lai finansētu panākumus
NIH Grant Writing Boot Camp: Spēcīga fonda izveide, lai finansētu panākumus
19.-20.jūlija kurss ir pilns! Pievienojieties nākamajai tiešraides NIH grantu rakstīšanas sāknometnei: 2021. gada 8. – 9. Novembris. NIH grantu rakstīšanas sāknometne ir divu dienu intensīva sāknometne, kurā apvienotas lekcijas, praktiskas aktivitātes un diskusijas, lai demistificētu NIH pieteikšanās procesu. Šīs apmācības sagatavos dalībniekus iesniegt NIH grantu priekšlikumu, kas pārvērtīs recenzentus
Duāli grādi
Duāli grādi
Mailmaņa sabiedrības veselības skola sadarbojas ar citām Kolumbijas augstskolām, lai piedāvātu vispusīgu izglītību. Lai sāktu, piesakieties abās skolās.
Itālijas uguns gredzens
Itālijas uguns gredzens
Vulkāna izvirdumi un zemestrīces bieži satricina Itālijas dienvidus, tāpat kā 12 miljonu gadu laikā. Tajā laikā tektoniskā kustība ir sadalījusi Kalabriju - Itālijas zābaka “pirkstu” - no Sardīnijas un Korsikas salām līdz rietumiem un izveidojusi kalnu grēdas. Starptautiskā Kalabrijas loka projekta ietvaros Lamont-Doherty zinātnieki Nano Seeber un Meg Reitz dodas cauri Kalabrijai, lai pārbaudītu klintis un izpētītu reljefu, lai labāk izprastu šo sarežģīto un vardarbīgo vēsturi. Par viņu darbu lasiet šeit.