今天给大家分享一篇在 2024 年 5 月发表在《BMC Geriatrics》（2区，IF=3.4）的文章。本文这项研究利用了来自五个不同国家的纵向研究数据，包括中国健康和退休纵向研究（CHARLS）、英国老年纵向研究（ELSA）、健康和退休研究（HRS）、墨西哥健康和老龄化研究（MHAS）以及欧洲健康、老龄化和退休调查（SHARE）。这些数据涵盖了 23 个国家的老年人群体。暴露：研究主要探讨了数字排斥（即自我报告的不使用互联网）与老年人认知障碍之间的关系。结局：研究的结局是认知障碍，它通过三个维度来评估：定向、记忆和执行功能。
Day 5任务：完成文章中的Table和Figure数据已经提取清理好了花了4天左右的时间后面就是数据分析做出Table和Figure其实NHANES数据库的文章内容基本是类似的我们进行了提取和总结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 具体的解释可以找一篇NHANES的文献仔细品读或者看看我们之前的NHANES挑战整篇文章的核心就是RCS曲线 X和Y是相关的，那么他们是有什么样的剂量效应关系呢？直线?L型？N型？J型？这些都可以通过RCS曲线非常直观的看到而且会检验线性和非线性关系如果是非线性关系还会找到对应的拐点值。我们按照梳理的Table和Figure一步一步的来做将我们这篇NHANES文章的主要结果就完成了多做几篇文章后就会发现选题和数据清洗是最费时间的但是只要静下心来就一定能出成果 我们已经下载好的所有NHANES全周期数据也会助力数据提取和清洗今日份挑战成功！
文章题目：Mendelian randomization analysis to investigate the gut microbiome in oral and oropharyngeal cancer DOI：10.3389/fcimb.2023.1210807 中文标题：孟德尔随机化分析研究口腔和口咽癌的肠道微生物组 发表杂志：Frontiers in Cellular and Infection Microbiology 影响因子：1区，IF=4.6 发表时间：2024年1月 今天给大家分享一篇在 2024年1月发表在《Frontiers…
文章题目：Digital exclusion and cognitive impairment in older people: findings from five longitudinal studies DOI：10.1186/s12877-024-05026-w 中文标题：老年人的数字排斥和认知障碍: 五项纵向研究的结果 发表杂志：BMC Geriatr 影响因子：2区，IF=3.4 发表时间：2024 年 5 月 今天给大家分享一篇在 2024…
今天给大家分享一篇在 2024 年6月发表在《Cardiovascular Diabetology》（Q1 区，IF=9.3）的文章。本文这项研究利用了中国健康和退休纵向研究（China Health and Retirement Longitudinal Study, CHARLS）的数据，探讨了在非糖尿病人群中，估算的葡萄糖处置率（estimated glucose disposal rate, eGDR）与心血管疾病（cardiovascular diseases, CVD）发生风险之间的关系。暴露：eGDR，这是一个反映胰岛素抵抗（insulin resistance, IR）的可靠替代指标。eGDR(mg/kg/min)=21.158−(0.09×WC)−(3.407×高血压)−(0.551×HbA1c)WC 代表腰围（以厘米为单位），高血压是一个二元指标，如果存在则为 1，否则为 0,HbA1c 代表糖化血红蛋白（以百分比表示）。结局：研究的主要结局是 CVD 的发生，包括心脏病和中风。Table1…
Day 3-4任务：数据提取＋数据清洗。因为前期已经把所有数据都下载好了我的这两天的任务就是使用代码从下载的数据中提取我需要的数据那问题来了，怎么确定需要提取些什么数据？这就回到Day 1中目标期刊、目标文献的确定因为我们关注的都是TyG这个指标（X），只是研究人群、关注疾病（Y）不一样在具体提取之前需要知道X和Y分别在哪些周期里面有比如X在2013-2014，2014-2015里面有，Y在2011-2012，2013-2014里面有那就取交集，只需要提取2013-2014这一个周期数据就行因为要分析X和Y之间的关系，XY没有怎么可能行我的研究中TyG和Y在只有在2015-2018这些周期里面存在所以我只需要提取里面这2个周期的数据 那协变量的确定就可以从既往的文献中获得：我的这篇文章就需要以下协变量:性别、年龄、身高、体重、收缩压、舒张压（DBP）、高血压（HTN）、糖尿病（DM）和吸烟史。丙氨酸氨基转移酶（ALT）、天门冬氨酸氨基转移酶（AST）、血清肌酐（Scr）、总胆固醇（TC）、甘油三酯（TG）、高密度脂蛋白胆固醇（HDL-C）、低密度脂蛋白胆固醇（LDL-C）、空腹血糖（FBG）做一个表格将需要提取的哪些变量都放进去，做到心中有数（这里提一句的就是，不可能将所有的协变量都完全考虑进去借鉴别人文章，言之有理即可） 我需要提取这么多的数据，就需要知道数据在哪里？又回到Day 2的任务内容然后就是使用代码提取和数据的合并这里又有一点需要注意就是每一个协变量的定义一定要明确清楚比如高血压开起来只有“是”和“否”但是高血压的确定有多种方法：目前正在口服降压药;医生告诉你有高血压；平均血压大于140/90mmHg:血压值在数据库里面是3次，所以需要提取这3次值再自己求平均值。也就是说某一个协变量可能需要提取很多的数据进行综合组成。工作量不会很小，当然一区文章也不是捡来的 数据的提取和清洗是所有公开数据库都非常重要和棘手的部分需要花费很多的时间，但是一切都是值得的只要数据清晰了，后面的分析没啥困难公开数据库的文章重点就是选题（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、选题的意义今日任务完成，一起加油！
今天给大家分享一篇在 2024年1月发表在《Chinese Medical Journal》（1区，IF=7.5）的文章。本文这项研究利用了双样本孟德尔随机化方法，探讨了腰围与房颤之间的因果关系。暴露：本研究的暴露变量是腰围，这是一个衡量腹部肥胖的一个重要指标，反映了个体腹部脂肪的积累情况。结局：研究的主要结局是房颤，这是一种常见的心律失常，表现为心房快速而无规律的收缩。房颤与多种严重的心血管事件有关，包括中风、心力衰竭和死亡。