
挑战7天一篇GBD数据库,Day 2-3




进度汇报:
自确定目标期刊以来,我的主要任务是选题。我们一直强调,选题立意比实操更重要,Idea比流程化的操作更关键。没有好的立意和选题,文章质量难以保证。我有信心顺利完成后续的表格和图表制作,并采用“框架写作法”高效、快速地完成写作。
方法学一致性:
无论是MR、NHANES还是GBD,方法学都是相似的。只要准备好相关代码,从GBD数据库中下载数据后,直接运行即可。这与我们处理MR、NHANES的思路一致。实际上,所有公开数据库的操作模式都是相同的:获取数据、清洗数据是最复杂、费时费力的部分,而运行代码则相对简单。
选题策略:
这两天我投入了大量时间进行选题。原本考虑的“心力衰竭”已被广泛研究,为了避免重复,我选择了数据库中存在但相对小众的疾病。
文献精读:
我精读了几篇基于GBD数据库的高分文献,发现大部分GBD文章的结构模式相似。例如,肠道菌群、中介、药靶MR等研究,本质上只是换了研究的疾病。确实,有些研究者能够发表在顶级期刊如BMJ,且大多位于Q1、Q2分区,影响因子相当不错。
文章结构整理:
通过文献精读,我大致整理了类似文章的结构,包括:
– 全球及地区水平疾病负担
– 国家水平疾病负担
– 全球疾病负担地图
– 不同性别和年龄的疾病负担对比
– 全球和地区水平的疾病负担与SDI(社会人口指数)相关性
– 国家水平的疾病负担与SDI相关性
– 疾病负担的危险因素分析
当然,也有一些其他的文章模式,我们将在后续的挑战中逐步探索。
总结:
今天的分享就到这里。