破防啦😫横断面研究套路，就像抄答案！

哈喽，各位医学er们，这里是小光，又到了给大家分享临床研究文献的时候啦，今天和大家分享一篇非常实用接地气的横断面研究。

题目：Association between Insulin-Like Growth Factor-1 and UricAcid in Chinese Children and Adolescents with Idiopathic Short Stature：A Cross-Sectional Study

研究人群：山东济宁医学院附属医院接诊的特发性矮小症患者91人

研究的对象：胰岛素样生长因子1和尿酸的关系

这篇文章虽然样本量不大，数据也很简单，但是思路非常清晰：

①首先进行了基本特征的展示

②使用单因素分析检验了UA和其他指标与IGF的关系

③使用曲线拟合探讨了UA和IGF-1的关系

④使用多元线性回归分段展示了两者的相关性

同时，需要提醒大家的是，这篇文章的研究类型是横断面研究，因此，对文章的结论一定要小心谨慎，不能写任何因果的描述，这是研究属性决定。

想学习横断面研究，这篇文章值得作为入门文献去看哦！

最后，如果你想快速发表一篇临床研究SCI，墙裂推荐你了解了解挖掘临床公共数据库！不用做实验，不用收集数据，用别人的数据发自己的SCI，真的是一个性价比很高的选择。比如：

🎯GBD数据库，适合全科

🎯NHANES数据库，适合全科

🎯SEER数据库，适合癌症研究

🎯MIMIC数据库，适合重症研究

总有一个适合你！

哈喽，各位医学er们，这里是小光，又到了给大家分享临床研究文献的时候啦，今天和大家分享一篇非常实用接地气的 横断面研究。👇

Research Article
Association between Insulin-Like Growth Factor-1 and Uric Acid in Chinese Children and Adolescents with Idiopathic Short Stature: A Cross-Sectional Study

矮小症患者中胰岛素样生长因子1和尿酸水平的关系：横断面研究。

✅ 研究人群：山东济宁医学院附属医院接诊的特发性矮小症患者91人
✅ 研究对象：胰岛素样生长因子1和尿酸的关系
✅ 研究类型：横断面研究

横断面研究是一种在特定时点或短时间内收集描述性数据的方法。这种研究能客观地展示该时点的疾病分布情况，并探索人群特定特征与疾病之间的关联。在此类研究中，主要使用的指标是患病率。

下面我们以图表为主线，看看这篇接地气的横断面研究的套路！

🎯 表一：研究人群描述

表1非常简单，单独一列展示了研究对象的基本情况，主要是生化检查和常规查体，其中就包括了我们的主要研究目标IGF-1和UA。

细心的同学可能会发现，虽然表1都是研究人群描述，但是有时候是单列，有时候是多列，有时候是以暴露X区分，有时候是以结果Y区分，到底该怎么选择呢？可以思考下这个问题。

🎯 表二：单因素分析

做完了表1，这个时候就需要和临床相结合了：文章的研究对象是原发性矮小症，IGF-1是非常关键的指标。如果我们来做这个研究该怎么做？我们可以 把IGF-1作为画重点的研究因素，分析所有指标与IGF-1的关系。这正是文章的表2：单因素分析。

在这个表格中，文章使用单因素线性回归分析了所有因素与IGF-1 SDS的关系（IGF-1 SDS是用标准差表示的IGF-1，有些化验单会直接标注出来，是考虑年龄因素之后的转换），大部分因素和IGF-1都有相关性， 选择哪个因素进行分析呢？

这个时候需要我们结合临床和文献，以及数据本身的情况才能决定，这也是数据挖掘的难点和魅力所在。这篇文章最终选择了尿酸UA进行深度的分析，我们继续往下看。

🎯 表三：分段多因素回归

有了图片的辅助，我们很容易感受到了下一步需要 对UA进行分段，验证每一段的关系是否显著。因此文章使用分段回归方法寻找最佳拐点，并按照拐点分为3端，展示了每一段中UA和IGF-1的多元回归方程。

从表3我们可以看到，在第一段UA<168时，β=-0.055，即UA每增加1个单位，IGF-1 SDS的值减少0.055，p<0.001；在第二段β=0.010，两者正相关，p=0.002；在第三段中p=0.174，说明我们虽然看到了负相关的趋势，但是并不显著。至此，文章核心内容结束。

这篇文章虽然样本量不大，数据也很简单，但是思路非常清晰，正如在统计方法中描述的一样：

① 首先进行了基本特征的展示
② 使用单因素分析检验了UA和其他指标与IGF的关系
③ 使用曲线拟合探讨了UA和IGF-1的关系
④ 使用多元线性回归对分段展示了两者的相关性

同时，需要提醒大家的是，这篇文章的研究类型是横断面研究，因此， 对文章的结论一定要小心谨慎，不能写任何因果的描述，这是研究属性决定的。

最后，如果你想快速发表一篇临床研究SCI，墙裂推荐你了解 挖掘临床公共数据库！不用做实验，不用收集数据，用别人的数据发自己的SCI，真的是一个性价比很高的选择。例如：

🔵 GBD数据库

GBD数据库全称全球疾病负担数据库，本质是一个流行病学数据库，它数据庞大、跨越国家、跨越年龄。

🌍 人口统计：全域 204 个国家
⏳ 时间跨度：1990-2021，31年
🏥 科室普适：包含各大内外科数据
💡 以健康和负担为核心，极具临床价值

🔵 NHANES数据库

美国国家健康与营养调查（NHANES, National Health and Nutrition Examination Survey）是一项基于人群的横断面调查，旨在收集有关美国家庭人口健康和营养的信息。

NHANES临床数据库 几乎适合大部分的临床科室，例如：各大内科、口腔科、眼科、检验科、儿科、妇科、生殖科等，但不包括肿瘤外科以及各大需要开刀动手术的科室，也不包括核磁共振以及超声检查，中医目前也不适合。

🔵 SEER数据库

SEER 数据库（The Surveillance, Epidemiology, and End Results）是美国国立癌症研究所（NCI）创建和维护的一个重要的癌症流行病学数据库。

它起源于1970年，旨在收集关于癌症发病率、治疗和生存率等方面的详细信息，以用于 癌症流行病学研究和临床医学研究。

🔵 MIMIC数据库

MIMIC 数据库是由麻省理工学院计算生理实验室建立的大样本、单中心危急重症监护数据库，很靠谱。收集超 19 万名患者、45 万次住院记录的临床数据，样本量极大。

📂 信息全面：包括人口统计学信息、实验室检查、药物治疗、生命体征、手术记录、诊断、预后等。
🔬 研究角度多：危险因素研究、疾病特征研究、诊断性研究、疗效研究、预测模型等。

如果你身边没有能带你入门的科研大佬，自己自学又感到无从下手，不妨找 统计之光的临床研究老师指导你！

老师会根据你的情况 1V1定制教学内容，带你从0开始， 将一个全新的课题落地，不仅仅是学会临床数据库挖掘的基础知识，还能培养科研思维，积累项目经验。