进度汇报：完成Table和Figure 数据已经整理好啦，那现在就是做出Table和Figure 在具体操作之前呢，肯定要再去看文献啦 模仿文献一步一步来就好啦 常规NHANES文章就是需要下面这些，当然 我们也会看到有很多文章会有一些其他的处理，比如加上了机器学习呀 本质上还是这个思路，只不过在暴露的选择、分析方法会有一些差异 万事开头难，我们就先学会这种最简单的思路， 后面我们慢慢学习和挑战别的 Figure 1：研究人群——-数据来源过程 Table 1：基线资料表—–人群基本信息描述 Table 2：回归分析—X与Y之间有无关系 Figure 2：限制性回归样条–X与Y的剂量效应关系 Table 3：亚组分析—敏感性分析 Figure 1：就是简要说明我们的筛选数据的流程，比如说2013-2014总计有10175例，根据我纳入条件（年龄大于20岁，同时具有抑郁评分和暴露某某血清学指标）进行纳入和排除，最终纳入1900人。 本质上就是数据的筛选和清洗流程，对数据处理的过程进行简单的可视化呈现。 Table 1：就是基线资料比较。比如我的结局是抑郁，那我就可以列分为depression组和non-depression组，对比两组之间的基线资料的差异，变量数据类型是连续变量或者分类变量，那就用t-检验或者卡方检验等。 Table…
已经保研的可以开始学啦，带文入组~调整图片、修改代码、解读代码、论文投稿前修订~两个月从科研小白变成科研天龙人~ 2024.12.21课题组线上师门部分反馈: 现在早期报名#光速科研SCI光速写作训练营 第十六期，自动加入线上师门，后续这个线上师门就不会免费了~从本科小白→科研论文高手，只差加入#光速科研线上师门第十六期，1.01日开课～
文章题目：Changes in the triglyceride glucose-body mass index estimate the risk of stroke in middle-aged and older Chinese adults: a nationwide prospective cohort study DOI：10.1186/s12933-023-01983-5 中文标题：甘油三酯血糖-体质指数变化评估中国中老年人卒中风险：一项全国性前瞻性队列研究…
文章题目：The Mediating Role of Body Mass Index in the Association Between Dietary Index for Gut Microbiota and Biological Age: A Study Based on NHANES 2007-2018…
文章题目：Major cardiovascular events under biologic psoriasis therapies: a 19-year real-world analysis of FAERS data DOI：10.3389/fimmu.2024.1349636 中文标题：生物制剂治疗银屑病期间发生的主要心血管事件：FAERS数据19年真实 世界分析 发表杂志：Front Immunol 影响因子：1区，IF=5.7 发表时间：2024年2月 今天给大家分享一篇在2024年2月发表在《Front Immunol》（1区，IF=5.7）的文章。本研究旨在利用向美国食品药品管理局不良事件报告系统(FAERS)报告的信息，探讨重大心血管事件(MACE)与生物制剂银屑病疗法之间的关联。 研究方法：审查了FAERS数据（2004年1月至2022年12月）。对于每对药物-事件，使用比例报告率(PRR)和多项伽马泊松收缩器(MGPS)算法来识别药物-不良事件关联。 Table&Figure…
文章题目：Bidirectional transitions of sarcopenia states in older adults: The longitudinal evidence from CHARLS DOI：10.1002/jcsm.13541 中文标题：老年人肌肉减少症状态的双向转变：来自CHARLS的纵向证据 发表杂志：J Cachexia Sarcopenia Muscle 影响因子：1区，IF=9.4 发表时间：2024年10月今天给大家分享一篇在2024年10月发表在《J Cachexia Sarcopenia Muscle》（1区，IF=9.4）的文章。本研究旨在探讨肌肉减少症状态的潜在转变模式。 研究方法：该研究利用了具有全国代表性的调查——中国健康与养老纵向研究（CHARLS）的三波数据，并纳入了2011年至2015年期间根据亚洲肌肉减少症工作组2019标准（AWGS2019）至少有两次肌肉减少症状态评估的60岁及以上的社区居住个体。使用多阶段马尔可夫（MSM）模型研究了非肌肉减少症、可能的肌肉减少症、肌肉减少症和死亡之间的估计转变强度和概率。…
文章题目：Association between platelet to lymphocyte ratio and depression and symptom severity among adults in the United States: A cross-sectional study DOI：10.1016/j.heliyon.2023.e20127 中文标题：美国成年人血小板与淋巴细胞比率与抑郁症及症状严重程度之间的关联：一项横断面研究 发表杂志：Heliyon 影响因子：1区，IF=3.4 发表时间：2023年9月…
文章题目：Global, regional, and national burden of female cancers in women of child-bearing age, 1990-2021: analysis of data from the global burden of disease study 2021…
进度汇报：数据下载＋数据清洗。 Day2的时候我把所有的数据都下载好了， 现在就是数据清洗啦， 任何一个公开数据库最费时费力的就是数据清洗了 我打算用R来获取相关的数据。 获取的数据可以用来构建一个自己的数据库， 我换个指标，即换个指标、换个研究人群， 就又能有一篇新的文章。 在提取变量之前我们需要确定需要提取什么数据， 处理你重点关注的指标（X），和关注的疾病（抑郁，Y）， 还有一些协变量（Z）， 具体需要哪些协变量可以根据既往的文献中获得。 我就提取了：年龄、性别、种族、教育程度、婚姻状况、贫困收入比率、体重指数（BMI）、肾小球滤过率（eGFR）、睡眠持续时间、饮酒、吸烟状况、心血管疾病、高血压、糖尿病、高脂血症和抗抑郁药使用。 所以说，数据提取是公开数据库中最费时费力的， 但是有代码的话，也还好，毕竟一二区的文章也不是大风刮来的 使用代码提啊提，终于用了2天的时间搞完了 因为比如说高血压看起来只有是和否，但实际上定义有很多：目前正在口服降压药或血压大于140/90mmHg，其中血压值是由受过培训的人员连续测量三个血压读数，并计算这三个读数的血压平均值。那么也就意味着，需要提取更多的数据来综合组成这个协变量。 工程还是很浩大滴 只要数据清晰了，后面的一切都好说，没什么复杂和困难的， 重点就是选题（选择指标和idea）+数据提取 这就是我花了很多的时间进行初步检索确定目标期刊、选题的意义 千万不要一来就闷头开跑， 一起加油呀~明天见