Видео

Eles se garantem muitooo :)

:)

:)

@@silviafranca8135 🥰👏🏻👏🏻👏🏻

:)

No início sim.... mas se passar de 1- 2 semanas não tá legal.. aí tem que ir no seu médico :)

Boa sorte no curso... vai gostar muito :)

showwww

:) showwww

essa turma é boa :)

:) Showww

Sempre às ordens :)

Essa turma é boa :)

Pra tendinopatia ou ruptura de supra?

Ruptura do tendão supraespinhal

@@alexandrelima8899 geralmente ruptura do supra não causa luxação gelo umeral

Aproveita, amigo :)

Parabens... :) excelente escolha :)

:)

:)

:)

Oi aurea, infelizmente não.. :( mas ta na minha lista para gravar..

Turma boa :)

Esses meninos são top :)

:)

:)

Vixi, Depois cuidar em procurar seu ortopedista

Peso afeta sim, mas principalmente a falta de músculo e deformidades do fêmur

Já tem experiência de CC, vai gostar demais

:)

:)

Parabens pelo estagio. Excelente escolha :)

:)

:)

Assim que puder, vai no teu ortopedista...

Realmente muito estudo, pois atuam em diversas áreas .. desde cirurgia oftalmológica, que é super delicada, até cirurgia ortopédica (nada delicado kkkk)...

Toppp

:)

:)

Sempre às ordens :)

1. Análise de Proporções Se os desfechos são expressos como proporções (por exemplo, percentagem de fetos ou RN com infecção ou sequelas), você pode seguir os passos abaixo: Extrair as Proporções: Para cada estudo, extraia a proporção de casos com o desfecho de interesse. Calcular os Intervalos de Confiança: Calcule os intervalos de confiança para cada proporção, se não forem fornecidos. Transformar as Proporções (se necessário): Para lidar com proporções que podem ser muito próximas de 0 ou 1, pode ser útil transformar as proporções utilizando a transformação logit. Meta-análise de Proporções: Combine as proporções utilizando uma abordagem de efeitos fixos ou de efeitos aleatórios. 2. Dados de Desfechos Contínuos Se você estiver lidando com dados contínuos (por exemplo, uma medida média de um desfecho específico), pode seguir estes passos: Extrair as Médias e Desvios Padrão (ou Erros Padrão): Para cada estudo, você precisa da média e do desvio padrão (ou erro padrão) do desfecho contínuo. Calcular o Efeito do Tamanho (Effect Size): Em estudos sem grupo de controle, o efeito do tamanho pode ser representado pela média do desfecho. Se o estudo fornece uma mudança em relação à linha de base, essa mudança média pode ser utilizada como a medida do efeito. Meta-análise de Médias: Combine as médias utilizando uma abordagem de efeitos fixos ou de efeitos aleatórios. A escolha entre essas duas abordagens depende da heterogeneidade entre os estudos.

:)

:)

Sempre às ordens :)

:)

:)

:)

Usando o pacote metafor, Exemplo: se você tem um dataframe "dados" com medidas de efeito já calculadas (diferença média padronizada, por exemplo), você deverá incluir uma coluna adicional que designe a qual subgrupo cada estudo pertence: dados <- data.frame( study = c("Estudo1", "Estudo2", "Estudo3", "Estudo4", "Estudo5"), m1 = c(20, 25, 22, 24, 23), sd1 = c(3.5, 4.2, 3.8, 3.9, 3.7), n1 = c(100, 85, 90, 80, 95), m2 = c(18, 20, 19, 21, 20), sd2 = c(3.2, 4.0, 3.5, 3.6, 3.8), n2 = c(95, 80, 85, 75, 90), subgroup = c("A", "A", "B", "B", "A") ) Calcule as medidas de efeito para cada estudo, considerando os subgrupos: library(metafor) dados <- escalc(measure="SMD", m1i=m1, sd1i=sd1, n1i=n1, m2i=m2, sd2i=sd2, n2i=n2, data=dados) Utilize a função rma() especificando o argumento mods para modelar os efeitos dos subgrupos: res <- rma(yi, vi, mods = ~ factor(subgroup) - 1, data=dados, method="REML") summary(res) Depois só visualizar: forest(res, slab=paste(dados$study, "(", dados$subgroup, ")", sep=""))

É sim mestre Gaspar, é possível usar a diferença média padronizada (SMD, Standardized Mean Difference) em vez da diferença média (MD, Mean Difference) em uma metanálise utilizando software R. No R, você pode realizar uma metanálise utilizando a diferença média padronizada (SMD) com o pacote metafor, que é uma das ferramentas mais robustas e versáteis para análises meta-analíticas. Aqui estão os passos básicos para calcular a SMD e realizar a metanálise com este pacote: 1. Instalação e Carregamento do Pacote Certifique-se de que o pacote metafor está instalado e carregado. Se você não o tiver instalado ainda, pode fazê-lo usando install.packages("metafor"): install.packages("metafor") library(metafor) 2. Preparar os Dados Você precisará dos seguintes dados de cada estudo: médias dos grupos de tratamento e controle, desvios padrão dos grupos de tratamento e controle, e tamanhos de amostra dos grupos de tratamento e controle. Suponha que você tenha um dataframe dados com as colunas m1, sd1, n1 para o grupo de tratamento e m2, sd2, n2 para o grupo de controle: dados <- data.frame( study = c("Estudo1", "Estudo2", "Estudo3"), m1 = c(20, 25, 22), sd1 = c(3.5, 4.2, 3.8), n1 = c(100, 85, 90), m2 = c(18, 20, 19), sd2 = c(3.2, 4.0, 3.5), n2 = c(95, 80, 85) ) 3. Calcular a Diferença Média Padronizada (SMD): No metafor, a função escalc() é usada para calcular medidas de efeito e suas variâncias. Para SMD, usamos o argumento measure="SMD": dados <- escalc(measure="SMD", m1i=m1, sd1i=sd1, n1i=n1, m2i=m2, sd2i=sd2, n2i=n2, data=dados) 4. Realizar a Metanálise: Utilize a função rma() para realizar a metanálise. Você pode escolher entre um modelo de efeito fixo ou efeito aleatório. Por padrão, rma() usa um modelo de efeito aleatório: res <- rma(yi, vi, data=dados) summary(res) Visualização dos Resultados: Você pode visualizar os resultados da metanálise com um gráfico de floresta usando a função forest(): forest(res)

Descobri que se pode usar o comando da análise apenas acrescentar sm="SMD". [metail6 <- metacont (n_dpoc, m_dpoc, sd_dpoc, n_cont, m_cont, sd_cont, estudo, data= il6, sm="SMD"). Que roda em SMD e não MD.

É possível sim, no caso de medidas pré e pós-intervenção, você pode analisar as mudanças dentro do grupo, usando por exemplo, diferenças de médias. Contudo, este tipo de dado pode ser mais suscetível a variabilidades internas e a influências externas não controladas. Quanto a segunda pergunta, se as diferentes medidas de velocidade são conceitualmente semelhantes e são esperadas para responder à mesma pergunta de pesquisa, você pode considerar combiná-las. Por exemplo, se você está interessado em avaliar a "melhoria da capacidade de corrida", tanto o pico quanto a média de velocidade podem ser indicadores relevantes. Contudo, se as medidas representam aspectos distintos do desempenho que podem ter diferentes implicações práticas ou teóricas, pode ser melhor analisá-las separadamente. Por exemplo, o pico de velocidade pode ser mais relevante para avaliar o desempenho em sprints curtos, enquanto a média de velocidade pode ser mais indicativa de desempenho em distâncias mais longas.

Perfeito porque no meu estudo que quero metanalisar. Eu tenho 3 variáveis de desfecho e ainda por cima. Cada desfecho tem mais de uma variável o que embola a minha cabeça 😂 eu sei que deve dar pra metanalisar, só não sei como organizar isso ainda