文章题目：Association between acute tobacco exposure and fractional exhaled nitric oxide in patients with chronic obstructive pulmonary disease: National health and Nutrition Examination Survey (NHANES) 2007-2012…
文章题目：Global, regional, and national burden of gout, 1990-2020, and projections to 2050: a systematic analysis of the Global Burden of Disease Study 2021 DOI：10.1016/S2665-9913(24)00117-6 中文标题：1990 年至 2020 年全球、地区和国家痛风负担及 2050 年预测：2021 年全球疾病负担研究的系统分析…
文章题目：Association Between Depressive Symptoms and Comorbidities Among Elderly Diabetic Individuals in China DOI：10.1002/brb3.70232 中文标题：中国老年糖尿病患者抑郁症状与合并症的关联 发表杂志：Brain Behav 影响因子：2区，IF=2.6 发表时间：2025年1月 今天给大家分享一篇在 2025年1月发表在《Brain Behav》（2区，IF=2.6）的文章。本研究旨在研究中国老年糖尿病患者抑郁症状与合并症的关联。 研究方法： 利用2020年中国健康与养老纵向研究（CHARLS）数据进行横断面分析。抑郁状态被定义为因变量，而合并症的存在、数量和类型则为自变量。进行逻辑回归分析，调整潜在的人口统计学因素以及健康状况和功能因素。 Table&Figure 结果解读：我们的研究结果表明，合并并发症的糖尿病患者更容易患抑郁症。除血脂异常（OR = 1.195，95%…
文章题目：Muscle quality index is associated with depression among non-elderly US adults DOI：10.1186/s12888-024-06136-w 中文标题：肌肉质量指数与美国非老年成年人的抑郁症有关 发表杂志：BMC Psychiatry 影响因子：2区，IF=3.4 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《BMC Psychiatry》（2区，IF=3.4）的文章。本研究旨在探索肌肉质量指数 (MQI) 与美国非老年成年人抑郁症风险之间的关系。 研究方法： 本项横断面研究利用 2011 年至 2014 年的全国健康和营养检查调查 (NHANES) 收集了年龄在 20 至 59 岁之间的参与者的数据。MQI 通过将握力 (HGS，kg) 除以手臂和四肢骨骼肌质量 (ASM，kg) 来计算。使用患者健康问卷 (PHQ-9) 进行抑郁评估。通过加权逻辑回归、平滑曲线拟合和亚组分析探讨了 MQI 与抑郁风险之间的关系。 Table&Figure 结果解读：本研究共纳入 4773 名受试者。调整混杂因素后，低 MQI 水平被确定为抑郁症的独立风险因素（OR = 0.800，95%CI：0.668-0.957，P =…
文章题目：Global disease burden analysis of Cardiometabolic disease attributable to second-hand smoke exposure from 1990 to 2040 DOI：10.1016/j.ajpc.2024.100902 中文标题：1990 年至 2040 年二手烟暴露导致的心脏代谢疾病全球疾病负担分析 发表杂志：Am J Prev Cardiol 影响因子：1区，IF=4.3 发表时间：2024年11月 今天给大家分享一篇在 2024年11月发表在《Am…
今日进度：做出Table和Figure GBD数据提取可以在官方网站非常容易就提取 注意的是，目前数据已经更新到2021 需要下载最新的数据进行分析 可能是因为关注GBD的人越来越多 最近数据下载速度偏慢，而且容易崩，需要耐心等待 按照不同的要求下载不同的指标（发病率、患病率、DALYs等） 下载好了过后也不需要特别的清洗 通常不需要进行复杂的清洗工作 可以直接进入分析阶段 剩下的主要就是可视化分析和Jiontpoint软件使用 通过前面的文献阅读已经知晓相关思路 为后续的分析和写作打下基础 故一步一步操作就好了 师弟师妹们如果要做类似的研究（换个疾病） 如果我关注的疾病被别人写过了怎么办？ 这个问题很好解决，和之前的方式一样 –换地区：别人做Global，那我关注亚洲？非洲？发展中国家？ –换人群：别人做全部人群，我关注儿童？关注老年？ –换时间：因为2021年的数据已经更新了，所以可以换时间到2021 所以说文章是写不完的 科研是一个不断探索和发现新问题的过程 通过不断变换研究的视角和方法，可以持续产出新的研究成果。 今天的所有表格和图片就完成了 后面就要开始写作啦！
今天给大家推荐一个生信数据库👇 TWAS数据库是整合了GWAS（全基因组关联分析）和基于共同变异的表达图谱研究结果的数据库，旨在确定与表型相关的基因表达调控区域。这类数据库通过整合和分析大量的遗传变异、基因表达和表型数据，为研究者提供了探索基因和性状之间复杂关系的宝贵资源。其中，TWAS Atlas是一个典型的TWAS数据库，它整合了广泛文献中的TWAS发现，为研究者提供了一个强大的资源平台。 ⭕TWAS数据库的数据类型 TWAS数据库中的数据类型主要包括以下几种： 遗传变异数据：这类数据通常来自GWAS研究，包括单核苷酸多态性（SNP）、插入缺失（InDel）等遗传变异信息。这些数据是TWAS分析的基础，用于识别与表型相关的遗传变异。 基因表达数据：基因表达数据通常来自RNA-seq、微阵列等高通量测序技术，用于测量不同组织或细胞中基因的表达水平。这些数据在TWAS中用于构建表达量数量性状位点（eQTL）模型，进而识别与遗传变异相关的基因表达变化。 表型数据：表型数据是指可观测的生物学性状或疾病状态信息。在TWAS中，表型数据用于与遗传变异和基因表达数据进行关联分析，以识别与特定性状或疾病相关的基因。 整合分析数据：TWAS数据库还包含整合分析数据，即将遗传变异、基因表达和表型数据进行综合分析后得到的结果。这些数据通常以特定基因与表型之间的关联形式呈现，为研究者提供了直接的生物学意义。 今天要分享的学员就是挖掘TWAS数据库，没有做实验验证成功发表的，一起来看看今天的学员案例吧 接收期刊：Turkish Journal of Gastroenterology 📉IF=1.4；中科院4区SCI 📍发文方法：生信分析 🔬研究方向：【胃肠肝病方向】
扭转学生思维 虽然我们还在学校上学，但严格来讲，研究生其实已经不再是真正的学生了。 你会发现，很多人管导师不叫老师，而是叫“老板”，这是因为大家都是在同一个师门下给导师打工。 学生思维最突出的表现就是“等人教” 但很多东西导师不教，默认你会，有的他自己其实也不清楚。 所以，学会自学，是读研的第一步。 不要随意掏心窝子 师门内随意吐槽导师和师兄师姐是大忌，那些掏心窝子的话，反而会成为别人背刺你的利刃。毕竟，你怎么知道你吐槽的人和面前倾听的人是什么关系呢？ 天下没有不透风的墙，很多时候大家表面上不说，只是彼此心照不宣而已。 与其吐槽抱怨，不如背后多夸夸别人，背后夸人，是高情商处事的第一条。如果被夸的人知道了，对方会非常开心，对你的好感会倍增，而且效果远远好于你当面夸他。 以终为始，明确方向，趁早开始写小论文 医学读研三年看似很长，但实际上留给我们的时间并不多，而且专硕的同学有33个月都在医院规培，既要完成学业、又要完成规培、还要兼顾好科研，所以时间其实非常紧张！！ 我见过很多师兄师姐，因为研一研二没有规划好目标和方向，研三大小论文加秋招春招加答辩，搞的昏天暗地焦头烂额，更有甚者差点毕不了业。 所以建议大家，趁早了解清楚毕业所需的小论文，最好在研一下学期就开始着手准备。 医学生怎么准备小论文？ 医学读研尤其是专硕，大家大部分时间都在临床上，根本没有时间和精力做基础科研。 我也是这么过来的，所以推荐大家学习不用做实验的临床回顾性研究。 回顾性研究所研究的对象正是临床上每天都接触到的患者。只需要掌握如何收集和保管这些病例，就可以获得合适的研究对象。可利用医院的HIS系统去搜集病例。 👉但是如果你没有条件收集数据，或者时间太忙不想苦苦收集数据，现在有很多公开的数据库可以挖掘，自己没有数据同样可以做临床研究。 宝藏公共数据库有： 🚩MIMIC数据库，适合全科 🚩SEER数据库挖掘，适合癌症 🚩NHANES数据库挖掘，适合全科 🚩MIMIC数据库挖掘，适合重症研究 总有一个数据库适合你！！选中目标冲就完事了，祝大家都能研究生生活充实美好，顺顺利利毕业~…
从一个零基础没读过英文文献的小白到今天参与自己论文的修稿、投稿，只需要30天时间~数据库挖掘论文不需要临床上的数据，学会了之后发文非常快（固定思路）光速科研～每个步骤都会手把手帮助师弟师妹，直到论文接收～光速科研#光速科研线上师门#SCI光速写作训练营2024.1.04课题组反馈: 7个月五篇SCI接收～
文章题目：A case for the use of deep learning algorithms for individual and population level assessments of mental health disorders: Predicting depression among China’s elderly DOI：10.1016/j.jad.2024.09.147…