Một đóng góp có ý nghĩa cho y học nước nhà

Theo dự kiến của Scientific Reports thì hôm nay (12/4) là ngày họ công cố công trình nghiên cứu của Bs Hà Tấn Đức. Cái giờ phút quan trọng của một công trình nghiên cứu công phu và qui mô, kéo dài gần 3 năm từ lúc 'thai nghén' đến lúc kết thúc, là đây. Đây là một "achievement" quan trọng, một thành quả đẹp sau bao nhiêu ngày tháng miệt mài làm việc và suy nghĩ. Sự việc còn minh chứng cho ý tưởng tôi hay nói là nghiên cứu có phẩm chất cao có thể làm ở bất cứ nơi nào (chứ không hẳn phải ở thành phố lớn hay "trung ương" mới làm được.)

 

Ý tưởng về công trình này được "thai nghén" từ những 4-5 năm trước. Ai cũng biết nguy cơ tử vong ở bệnh nhân khoa cấp cứu khá cao, và nhất là ở Việt Nam nơi mà bệnh viện lúc nào cũng quá tải. Ở nước ngoài, người ta có những mô hình tiên lượng để đánh giá mức độ nặng nhẹ của bệnh nhân, và qua đó mà sắp xếp ưu tiên điều trị. Tiếng Anh gọi là "triage". Mấy mô hình này được phát triển ở bệnh nhân Âu Mĩ, và nói chung các mô hình đó có khả năng tiên lượng rất tốt, giúp cho bác sĩ rất nhiều trong việc quản lí bệnh nhân. Chúng tôi tự hỏi là các mô hình này có áp dụng được cho Việt Nam không, và có cách nào để phát triển một mô hình hi vọng là tốt hơn dành cho bệnh viện Việt Nam.

Hai câu hỏi đơn giản vậy, nhưng phải đến 4 năm sau mới thành hiện thực. Giai đoạn đầu là làm một nghiên cứu gọi là "validation", tức kiểm định các mô hình của Âu Mĩ ở bệnh nhân Việt Nam. Công trình này làm trên hơn 1700 bệnh nhân ở Bv Đa khoa Trung ương Cần Thơ, và đã công bố trên một tập san quốc tế vào năm 2015. Sau khi có kết quả đó, chúng tôi thực hiện bước thứ hai, qui mô lớn hơn và công phu hơn. Bước thứ hai được thực hiện trên khoảng 2000 bệnh nhân, trước hết là xác định các yếu tố lâm sàng và xét nghiệm sinh hoá có thể dùng cho dự báo nguy cơ tử vong và xây dựng thành vài mô hình tiên lượng; sau đó kiểm tra mô hình này ở một bệnh viện khác cũng gần 2000 bệnh nhân. Tổng cộng là gần 4000 bệnh nhân trong nghiên cứu thứ hai. Kết quả mĩ mãn và có thể nói là "đẹp". Còn đẹp như thế nào và công phu ra sao thì các bạn phải chờ bài báo công bố nay mai để biết.

Do đó, lần này Bs Đức và tôi phải tìm chỗ để gọi là "Chọn mặt gửi vàng", và chúng tôi chọn Scientific Reports. Lí do tại sao chọn Scientific Reports là vì vấn đề ấn phí, mô hình công bố Mở, và uy danh của tập san. Vì tác giả xuất phát từ Việt Nam, được xem là một nước đang phát triển, nên tập san miễn phí cho tác giả. (Nếu tác giả từ Úc thì ấn phí khoảng 1500-2000 USD một bài). Thứ hai là Scientific Reports theo mô hình xuất bản Mở, nên bất cứ ai cũng có thể tải về để đọc mà không phải trả tiền. Sau cùng là uy tín của tập san vốn là của tập đoàn lừng danh Nature (bây giờ thì bị Springer mua rồi, nhưng không đổi tên). Scientific Reports ra đời mới đây là để cạnh tranh với PLoS ONE lúc đó đang "nổi như cồn", nhưng chỉ sau vài năm với cái thương hiệu Nature, Scientific Reports đã qua mặt PLoS ONE về tầm ảnh hưởng (nếu đo bằng impact factor).

Bs Đức viết thư cho tôi nói rằng cho đến giờ em ấy vẫn còn cảm giác lâng lâng. Em lo lắng rằng "chắc sau này khó mà em công bố được bài báo nào lớn như bài này." Tôi nói rằng một lần sau sẽ công bố trên một tập san còn lớn hơn và "ngon lành" hơn Sci Reports nữa. Chưa biết khi nào, nhưng điều đó chắc chắn sẽ thành hiện thực.

Trước đây, chúng tôi đã có những nghiên cứu "thuần Việt" trên những tập san hàng đầu trong chuyên ngành. Đã có tên tuổi Việt Nam trên Int J Epidemiol, Diabetes Care, Diabetologia, Bone, Osteoporosis Int, Am J Clin Nutr, và quan trọng nhất là Journal of Clinical Endocrinology and Metabolism. Nay đến Sci Reports. Do đó, chúng ta có cơ sở và lí do để tiến xa hơn và cao hơn trên bậc thang đẳng cấp quốc tế.

Tôi thấy xu hướng mới trong khoa học ngày nay là "Big Science". Cũng giống như toàn cầu hoá, và xu hướng các nước hình thành theo khối vùng kinh tế (như APEC chẳng hạn), khoa học cũng có xu hướng đó. Đó là xu hướng các labo hay nhóm nghiên cứu trên thế giới tự hình thành các tập đoàn khoa học, gọi là "consortium", để chung tay giải quyết một vấn đề khoa học. Các dự án Big Science thường công bố trên các tập san hàng đầu như Nature, Science, Cell, NEJM, Lancet, JAMA, v.v. Làm khoa học riêng lẻ sẽ khó có cơ may xuất hiện trên tập san số 1 trên thế giới. Do đó, tôi nghĩ VN nên hình thành các consortia khoa học, và Nhà nước nên tài trợ cho các tập đoàn này.

Nhưng trong thực tế thì VN rất khó hình thành consortia khoa học. Nó xuất phát một phần từ cá tính người mình, chẳng ai nể ai, chẳng ai chịu làm việc chung với nhau, thậm chí còn đố kị, ganh ghét, người này mới "leo lên" một chút thì đã bị dèm pha và kéo xuống (giống y như hình ảnh những con cua trong rọ). nên khó có thể làm việc chung trong các consortia khoa học. Do đó, các nhà khoa học VN chỉ còn cách là tham gia vào các tập đoàn quốc tế. Vấn đề là tham gia như thế nào mà mình phải giữ "tài sản" cho mình, không bị mất cho người khác. Điều này đòi hỏi bản lĩnh của cá nhân nhà khoa học. Để tham gia các tập đoàn khoa học quốc tế thì mình phải có "credential" cái đã. Credential qua công bố quốc tế trên các tập san lớn. Bs Đức đang tạo cái credential đó cho VN.

Nhân dịp này thì tôi cũng gửi lời chúc mừng đến Bs Đức và đồng nghiệp đã hoàn tất đẹp công trình nghiên cứu đẹp, góp phần đưa tên tuổi Việt Nam trên trường quốc tế. Để chứng minh rằng đây không chỉ là công bố quốc tế cho đẹp lí lịch, mà nghiên cứu còn phải đem lại lợi ích thiết thực cho bệnh nhân, bước kế tiếp là đăng kí bản quyền sáng chế. Sau đó là triển khai để các bác sĩ trên thế giới sử dụng mô hình của Bs Đức, chắc chắn sẽ giúp giảm tử vong cho nhiều bệnh nhân. Và, như vậy là một đóng góp có ý nghĩa cho y học nước nhà rồi.

10 hiểu lầm về trị số P trong khoa học

Trị số P đóng vai trò hết sức quan trọng trong nghiên cứu khoa học, vì nó là "sổ thông hành", một loại bảo kê cho khả năng công bố quốc tế. Trị số P cũng là thước đo của khám phá khoa học. Nhưng rất tiếc là trị số P bị diễn giải sai rất nhiều. Diễn giải sai là vì người ta hiểu sai ý nghĩa của nó. Ngạc nhiên thay, ngay cả những người học và làm về thống kê cũng hiểu sai ý nghĩa của trị số P. Trong cái note này tôi sẽ liệt kê vài hiểu lầm phổ biến nhất.

Hiểu lầm 1: Trị số P là xác suất của một giả thuyết khoa học

Một cách hiểu rất phổ biến là trị số P là xác suất giả thuyết vô hiệu. Chẳng hạn như nhà khoa học phát hiện mối liên quan giữa hút thuốc lá và ung thư với trị số P = 0.04, họ diễn giải rằng xác suất không có mối liên quan là 4%. Suy ra, xác suất có mối liên quan giữa hút thuốc lá và ung thư phổi là 96%. Nhưng cách hiểu này sai. Trị số P không nói gì về xác suất của một giả thuyết khoa học. Trị số P chỉ giúp chúng ta bác bỏ giả thuyết vô hiệu, chứ không chứng minh giả thuyết nào cả.

Hiểu lầm 2: Trị số P là xác suất dữ liệu xảy ra một cách ngẫu nhiên

Đây là một hiểu lầm mang tính khái niệm cơ bản. Theo cách hiểu này, khi một kết quả phân tích (ví dụ như giảm huyết áp 10 mmHg) với trị số P = 0.03, thì nhà nghiên cứu hiểu rằng xác suất mà kết quả đó xảy ra do yếu tố ngẫu nhiên là 3%; suy ra, xác suất kết quả giảm 10 mmHg là thật là 97%. Nhưng cách hiểu này cũng sai, bởi vì trị số P không nói lên kết quả nghiên cứu là ngẫu nhiên hay mang tính hệ thống.

Hiểu lầm 3: Trị số P là xác suất phát hiện sai

Đây là một hiểu lầm do suy nghĩ chưa cẩn thận. Một hiểu lầm phổ biến khác cho rằng P là xác suất phát hiện sai. Ví dụ như nhà khoa học tính toán hệ số tương quan, và có kết quả r = 0.25, với P = 0.01, họ hiểu rằng xác suất kết quả này sai là 1%. Suy ra, xác suất kết quả đúng là 99%. Nhưng cách hiểu này hoàn toàn sai, vì trị số P không cho chúng ta biết là kết quả nghiên cứu đúng hay sai.

Hiểu lầm 4: Trị số P là alpha

Khi thiết kế một nghiên cứu khoa học (nhất là nghiên cứu lâm sàng), nhà khoa học phải xác định ngưỡng alpha và beta của nghiên cứu. Nói nôm na, alpha là dương tính giả (tức là xác suất mà nghiên cứu cho ra kết quả dương tính nhưng trong thực tế chẳng có liên quan gì). Còn beta là âm tính giả (tức là xác suất mà nghiên cứu cho ra kết quả âm tính, nhưng trong thực tế thì có liên quan). Do đó, có nhiều nhà khoa học hiểu rằng trị số P chính là alpha, nhưng cách hiểu đó sai. Sai vì hiểu lầm khái niệm kiểm định giả thuyết (test of hypothesis). Trị số P là kết quả của kiểm định thống kê (test of significance), chứ không phải kiểm định giả thuyết.

Hiểu lầm 5: Trị số P càng thấp, mức độ ảnh hưởng càng cao

Đây là một hiểu lầm rất tai hại. Nhiều nhà nghiên cứu so sánh trị số P để đánh giá mức độ ảnh hưởng. Chẳng hạn như họ tìm trong y văn và thấy ảnh hưởng của thuốc statin trong một nghiên cứu có trị số P = 0.01, còn nghiên cứu của họ có trị số P = 0.001, họ suy luận rằng mức độ ảnh hưởng họ quan sát cao hơn mức độ ảnh hưởng báo cáo trong y văn. Nhưng cách hiểu này sai, vì trị số P không phản ảnh mức độ ảnh hưởng so sánh giữa hai hay nhiều trị số P là không có ý nghĩa gì cả.

Hiểu lầm 6: Nô lệ vào trị số P

Nhiều nhà nghiên cứu nghĩ (hay hiểu) rằng khi kết quả nghiên cứu có trị số P > 0.05 là xem như không có khác biệt hay không có ảnh hưởng. Họ chỉ chấp nhận kết quả với trị số P < 0.05. Nói cách khác, bất cứ kết quả nào có P < 0.05 là có ý nghĩa, còn P > 0.05 là không có ý nghĩa hoặc không đáng bàn. Tiêu biểu cho cách suy nghĩ này là một bài báo trên JAMA (tập san y khoa hàng số 1 trên thế giới) kết luận: “a low-fat dietary pattern did not result in a statistically significant reduction in invasive breast cancer risk,” nhưng khi nhìn vào kết quả thì thấy tỉ số nguy cơ là 0.91 (khoảng tin cậy 95%: 0/83 đến 1.01) và trị số P = 0.07. Đây là một kết luận … bậy bạ. Trị số P có độ dao động khá cao trong một quần thể, nên kết luận bằng cách lệ thuộc vào trị số P là một sai lầm nghiêm trọng.

Hiểu lầm 7: Trị số P > 0.05 là một kết quả "negative"

Cũng giông giống như hiểu lầm #5, nhiều nhà nghiên cứu có cách diễn giải theo nghĩa nhị phân: trắng-đen, có-không. Khi thấy kết quả P cao hơn 0.05, nhà nghiên cứu thường có xu hướng cho rằng kết quả là "âm tính" – negative, là nghiên cứu đã … thất bại. Ví dụ tiêu biểu cho trường hợp này là cách viết "The study failed to detect an effect"; chữ fail ở đây được dùng không đúng. Chẳng hạn như một nghiên cứu công bố trên tập san New England Journal of Medicine (được xem là kinh thánh y khoa) báo cáo tỉ số odds là 2.2 (khoảng tin cậy 95%: 0.83 đến 6.2), trị số P = 0.13, và tác giả viết "No difference in death rates"! Câu kết luận này sai, bởi vì trong thực tế là có difference, nhưng cái difference đó không có ý nghĩa thống kê. Viết kết luận như thế này được xem là … tài tử.

Trị số P không nói lên kết quả là dương tính hay âm tính, càng không cho chúng ta biết là thành công hay thất bại. Nhiều nghiên cứu báo cáo kết quả không có ý nghĩa thống kê (tức P > 0.05) thường có độ nhậy (power) thấp, và do đó, không thể cho ra câu trả lời dứt khoát. Nhà nghiên cứu có thể không 'chứng minh' hai nhóm khác nhau, nhưng nhà nghiên cứu cũng không thể bác bỏ giả thuyết rằng hai nhóm có thể khác nhau. Người ta có câu "Absence of proof is not proof of absence" hay "Absence of evidence is not evidence of absence" (không có bằng chứng không có nghĩa là bằng chứng không có). Những nghiên cứu có độ nhậy đầy đủ (tức trên 80%) mà cho ra một kết quả không có ý nghĩa thống kê thì mới CÓ THỂ xem là một kết quả âm tính.

Hiểu lầm 8: Lẫn lộn giữa ý nghĩa thống kê (statistical significance) và ý nghĩa lâm sàng / ý nghĩa thực tế (clinical significance / practical significance)

Như đề cập trên, nhiều nhà nghiên cứu diễn giải một kết quả có ý nghĩa thông kê (P < 0.05) như là khẳng định có mối liên hệ sinh học hay có ý nghĩa lâm sàng. Thật ra, trị số P không có giá trị sinh học, và cũng không thể diễn giải như là có ý nghĩa sinh học hay ý nghĩa lâm sàng. Trong lâm sàng và sinh học, mức độ ảnh hưởng (effect size), mức độ khác biệt giữa hai hay nhiều nhóm mới là điều quan trọng. Có ý nghĩa thống kê là một điều kiện cần, nhưng chưa đủ để kết luận mối liên hệ hay ảnh hưởng là có thật.

Hiểu lầm 9: Diễn giải trị số P trong bối cảnh nhiều giả thuyết

Tình huống tiêu biểu trong thực tế là một nghiên cứu kiểm định nhiều giả thuyết. Chẳng hạn như một nghiên cứu so sánh 50 biến số giữa hai nhóm bệnh nhân, tức nhà khoa học có 50 trị số P. Giả dụ như trong 50 trị số P đó, chỉ có một trị số P = 0.046, so sánh về chiều dài của ngón chân cái. Nhà khoa học kết luận rằng liệu pháp điều trị làm tăng chiều dài ngón chân cái của bệnh nhân! Nhưng cách hiểu hay diễn giải này sai, bởi vì nhà khoa học kiểm định quá nhiều giả thuyết, và cái ngưỡng alpha 0.05 không còn áp dụng nữa. Cái phát hiện có ý nghĩa thống kê rất có thể chỉ là ngẫu nhiên.

Hiểu lầm 10: Khoảng tin cậy 95% là xác suất của kết quả

Đây cũng là một hiểu lầm rất phổ biến trong khoa học. Tiêu biểu cho cách hiểu này là nhà nghiên cứu phân tích dữ liệu và có kết quả thuốc bisph giảm nguy cơ tử vong với relative risk 0.75, khoảng tin cậy 95% 0.35 đến 0.97; nhà nghiên cứu diễn giải rằng thuốc giảm nguy cơ tử vong 25%, và xác suất 95% là mức độ giảm dao động từ 3% đến 65%. Nhưng về mặt lí thuyết cách hiểu này sai. Khoảng tin cậy 95% không phải là xác suất 95%. Để tính được xác suất 95% đó, phải dùng phương pháp Bayes.

Trị số P là một con số hay gặp nhất trong nghiên cứu khoa học. Trong một bài phân tích tuyệt vời trên JAMA, các tác giả dùng máy tính "đọc" các bài báo và abstracts trong Pubmed (công bố trong thời gian 1990-2015), họ nhận dạng ra gần 4.6 triệu trị số P trong số 1.6 triệu abstracts, và 3.4 triệu trị số P trong số 385 ngàn bài báo. Điều thú vị là trị số P có vẻ càng ngày càng thấp hơn, tức là có nhiều nghiên cứu có kết quả có ý nghĩa thống kê nhiều hơn.

Trên đây là 10 hiểu lầm (cũng có thể xem là sai sót) trong cách hiểu về ý nghĩa của trị số P. Những cách hiểu sai này gây tác hại rất lớn đến nghiên cứu khoa học. Rất nhiều thuốc vô hiệu quả, rất nhiều liệu pháp điều trị vô dụng, rất nhiều khám phá khoa học sai, rất nhiều kết luận gây hoang mang trong công chúng, rất nhiều đầu tư sai lầm, v.v. có nguồn từ hiểu sai trị số P. Chính vì hiểu sai rồi đi đến kết luận sai, nên đại đa số (có thể hơn 90%) các phát hiện khoa học báo cáo trên các tập san quốc tế là sai lầm.

Không phải chỉ giới khoa học, mà ngay cả giới báo chí cũng cần phải hiểu cho rõ ý nghĩa của trị số P. Hiểu rõ để tránh đi đến kết luận sai và đưa tin giật gân. Hi vọng rằng qua cái note này các bạn đã phân biệt được khoa học dỏm và khoa học thật qua trị số P.

Năm căn bệnh trong khoa học

Đọc bài này (1) của John Antonakis, tổng biên tập tạp chí Leadership Quarterly, thấy hay và thấm thía. Ông liệt kê 5 căn bệnh trong khoa học mà ông đặt tên theo kiểu chơi chữ là Significosis, Neophilia, Theorrhea, Arigorium, và Disjunctivitis.

1. Significosis là cách chơi chữ từ "significance" trong thống kê học, và osis là tiếp vĩ ngữ y khoa có nghĩa là trang thái rối loạn. Người mắc "bệnh" này thường có xu hướng đi tìm những kết quả có ý nghĩa thống kê (có nghĩa là "statistically significant"). Những kết quả như thế giúp cho nhà khoa học nâng cao khả năng công bố bài báo. Một kết quả với P thấp hơn 0.05 có khi được xem như là một giấy thông hành cho công bố quốc tế. Nhưng trong thực tế, ít ai biết rằng 1/3 những kết quả như thế (P thấp hơn 0.05) là sai, tức là dương tính giả. Nhìn thấy nó có ý nghĩa thống kê đó, nhưng trong thực tế thì chẳng có ảnh hưởng hay tác động gì cả. Do đó, công bố những bài báo chỉ dựa vào "ý nghĩa thống kê" làm cho nền khoa học mắc bệnh. Đó có thể xem significosis là bệnh "rối loạn thống kê".

2. Neophilia cũng là một cách sáng tạo chữ mới từ neo (có nghĩa là "mới") và philia có nghĩa là "yêu thích"). Do đó, neophilia là bệnh yêu thích cái mới. Trong thực tế, rất hiếm khi khoa học tìm ra cái mới, vì trước đó đã có quá nhiều phát hiện. Đại đa số các nghiên cứu khoa học ngày nay chỉ mang tính "incremental", tức là thêm kiến thức một chút so với kiến thức cũ, chứ rất rất hiếm các nghiên cứu dạng "breakthrough" hay đột phá. Nhưng bất cứ nhà khoa học nào cũng muốn tìm cái mới. Cái mới có thể là một phát hiện động vật mới, bệnh lí mới, hay nói chung là kết quả mới. Cái mới giúp cho nhà khoa học nâng cao khả năng bài báo được công bố trên các tập san khoa học lừng danh. Vì thế, giới khoa học tìm cách nâng tầm nghiên cứu của mình để sao cho nó có cái mới, và cách vặn vẹo đó dẫn đến tình trạng rất nhiều nghiên cứu phát hiện ra "cái mới", nhưng khi người khác không được lặp lại bởi các nhóm nghiên cứu độc lập. Có thể nói rằng hầu hết (có thể 90%) các kết quả nghiên cứu công bố trên các tập san khoa học hiện nay là sai hoặc không tái lập được. Do đó, Neophilia có thể xem là bệnh "Ái tân".

3. Theorrhea cũng là một cách chơi chữ hay, vì theoros có nghĩa là suy nghiệm, và tiếp vĩ ngữ orrhea trong y khoa có nghĩa là "chảy". Do đó, bệnh này có thể hiểu là bệnh "tiêu chảy lí thuyết." Khoa học chẳng những yêu cái mới, mà còn yêu lí thuyết, giả thuyết. Đọc bài báo khoa học nào cũng thấy tác giả cố gắng đề ra một giả thuyết mới, một lí thuyết mới. Bài báo bắt đầu bằng một giả thuyết được đánh giá cao hơn bài báo kiểu "bước đầu đánh giá". Nhưng trong thực tế, những cái gọi là lí thuyết mới đó chỉ là hoa ngữ thôi, chứ chẳng phải lí thuyết thật sự, và cũng chẳng bao giờ được kiểm định cả. Do đó, sự hiện diện của quá nhiều lí thuyết dỏm làm cho môi trường khoa học bị dơ bẩn, và dẫn đến ... tiêu chảy.

4. Arigorium tôi đoán là lấy từ tên của một lang băm, Jose Arigo, người tự cho rằng ông có khả năng làm phẫu thuật tâm thần. Có lẽ tác giả muốn dùng tên ông này để chỉ những nghiên cứu không có cơ sở lí thuyết vững vàng, mà chỉ dựa trên những kết quả bề ngoài. Đa số các nghiên cứu khoa học xã hội, kể cả kinh tế học, là những nghiên cứu "soft", hiểu theo nghĩa dữ liệu không có độ chính xác cao. Khoa học xã hội không có cái xa xỉ với máy móc thiết bị đắt tiền để đo lường hiện tượng tự nhiên; họ phải dựa vào bộ câu hỏi hay những phương tiện bán định tính như thế. Do đó, để nâng tầm "khoa học", giới khoa học xã hội thường sáng chế ra những phương pháp phân tích thống kê phức tạp. Những phương pháp này dựa trên nhiều giả định, và ít khi nào nói lên các mối liên hệ nhân quả. Vì không nói lên mối liên hệ nhân quả, nên nhiều phát hiện trong nghiên cứu khoa học chỉ mang tính ngẫu nhiên, như lang băm Arigo chữa bệnh bằng tay vậy.

5. Disjunctivitis có lẽ là lấy từ chữ disjunction có nghĩa là rời rạc, và itis là tiếp vĩ ngữ trong y khoa có nghĩa là viêm. Do đó, bệnh này có thể dịch là bệnh "viêm lượng phẩm". Có thể hiểu là bệnh mất cân đối giữa lượng và phẩm. Vì áp lực công bố, nên nhiều nhà khoa học có xu hướng công bố nhiều bài báo khoa học, nhưng phẩm chất thì rất kém. Có thể nói rằng rất nhiều bài báo khoa học hiện nay là thừa thải, hay nói theo dân gian Việt Nam chúng ta là "không mợ thì chợ vẫn đông", tức là có hay không có bài báo thì khoa học vẫn chẳng có ảnh hưởng gì. Lí do là những công trình này chỉ lặp lại những gì người khác đã làm mà không có cái gì mới. Nhưng nhà khoa học, đặc biệt là từ các nước đang phát triển, phải công bố càng nhiều càng tốt, kể cả công bố trên tập san dỏm. Công bố để được bảo vệ luận án, được giải thưởng (như "chiến sĩ thi đua" ở Việt Nam chẳng hạn), và được đề bạt. Nhưng công bố bất chấp phẩm chất như thế không làm cho khoa học tiến bộ thêm, chẳng tạo ra được kiến thức mới, mà chỉ làm cho khoa học thêm vẩn đục.

Sau khi đã chẩn đoán bệnh, vậy câu hỏi là làm gì để điều trị bệnh? Tác giả đề ra 8 liệu pháp:

1. Nghiên cứu nên có cơ sở lí thuyết tốt; 
2. Sáng tạo trong đo lường; 
3. Thiết kế nghiên cứu thực tiễn; 
4. Làm nghiên cứu định tính có phẩm chất cao; 
5. Chú ý đến các yếu tố nhiễu và bias;
6. Minh bạch trong báo cáo và dữ liệu;
7. "Khai báo" những mâu thuẫn về lợi ích; và 
8. Thành thật trong khoa học.

Tôi nghĩ đây là những liệu pháp hoàn toàn khả thi. Riêng liệu pháp minh bạch trong nghiên cứu, tôi và đồng nghiệp bên VN đang có kinh nghiệm. Số là bài báo đang được bình duyệt và xác suất cao là sẽ được chấp nhận, nhưng ban biên tập đã viết cho chúng tôi gợi ý là công bố toàn bộ dữ liệu! Các bạn thử tưởng tượng nhóm nghiên cứu bỏ ra cả hai năm trời, mai phục ngày và đêm "bắt" bệnh nhân cho được, với kết quả hơn 4000 bệnh nhân, mà bây giờ họ muốn mình công bố cho họ xem. Cái nguyên lí đằng sau sự minh bạch là tuyệt vời vì nó giúp cho khoa học thêm liêm chính và sẽ làm cho những nhà khoa học ăn gian biến mất, nhưng nguyên tắc này gây nên vấn đề đạo đức khoa học.

Tôi nghĩ những người trong cuộc ngày nay không còn nghi ngờ gì nữa: khoa học đang rơi vào khủng hoảng. Khủng hoảng niềm tin. Người ta càng ngày càng ít tin khoa học vì có quá nhiều kết quả nghiên cứu không được lặp lại, quá nhiều nghiên cứu vô bổ không sản sinh ra kiến thức mới, và hệ quả là làm cho khoa học trở nên sai và lẫn lộn. Nếu điều trị dứt 5 căn bệnh này (bệnh rối loạn thống kê, ái tân, tiêu chảy lí thuyết, Arigo, và bệnh viêm lượng phẩm) thì may ra có thể cứu vãn được khoa học và khôi phục niềm tin ở công chúng.

----

(1) http://www.sciencedirect.com/…/article/pii/S104898431730070X
On doing better science: From thrill of discovery to policy implications