Author: wang

近期，一篇2024年3月份上线的题目为“The three-dimensional porous mesh structure of Cu-based metal-organic-framework – aramid cellulose separator enhances the electrochemical performance of lithium metal anode batteries”的文章发生了非常有趣的事情。这篇文章发表在材料学1区Surfaces and Interfaces（IF 6.2），这篇文章的通讯作者是来自中国地质大学Yangai Liu…

在挑战的第五天，我们已经完成了数据整理和表格、图形的制作。 首先，我们通过文献回顾，明确了NHANES文章的基本结构。这类文章通常包括数据筛选流程图（Figure 1）、基线资料表（Table 1）、回归分析表（Table 2）、剂量效应关系图（Figure 2）和亚组分析表（Table 3）。Figure 1展示了数据筛选过程，例如，从2013-2014年的数据中，根据特定条件筛选出1900人作为研究对象。这一步骤是数据清洗和预处理的关键。 Table 1对比了抑郁组与非抑郁组的基线资料，使用t-检验或卡方检验分析差异。 Table 2通过三个模型评估暴露与结局的关系，包括未调整的模型和调整了人口统计学、疾病及生活方式因素的模型。 Figure 2利用限制性回归样条（RCS）展示了X与Y之间的剂量效应关系，检验线性与非线性关系，并确定拐点值。 Table 3进行亚组分析，探究X与Y关系在不同群体（如性别、年龄）中的差异，并尝试通过文献解释这些差异。 总结来说，NHANES文章的核心在于选题和数据整理。保持耐心和正确的研究方向是成功的关键。今天的任务已经顺利完成，为后续研究打下了坚实基础。继续前进！

虽然meta分析的难度不高，但是因为工作和生活上各种各样的事情，总有很多拖沓，今天科室有个重病人抢救，九死一生，每天能用于自己成长的时间非常少，一起加油，挑战不能停，绝对不能让挑战失败！今天的任务还是很重的，今日任务=获得Meta分析所需要数据=制定检索策略+下载文献+筛选目标文献。制定检索策略：根据万能选题思路PICOS原则制定检索策略。P（Population）：研究对象，即患者或人群；I（Intervention）：干预措施，对研究人群采用的治疗干预措施或观察指标；C（Comparison）：对照措施，有无对比，与什么对比，对比指标是什么O（Outcome）：结局指标，如生存情况、复发率、缓解率等；S（Study design）：研究类型，是队列研究、病例对照研究还是横断面研究比如一个最简单的例子：吸烟者患肺癌的风险有多大？这个临床问题的PICOS分别是：P:成人I:吸烟C:不吸烟O:患肺癌S:队列研究PICOS明确临床问题→根据常见的三个数据库Pubmed、Cochrane、Embase制定检索策略→下载文献→目标文献筛选注释：在零基础写Meta分析文章之前，建议大家读10篇高分Meta分析文章，搞清楚整个操作流程，在通过PICOS确定了后，一定要多次评估是否有人写过，特别是否在同一类型的文章的其中一个很小部分里面被写了。不然等于白干！倒计时2天！！！！欢迎大家继续围观

文章题目：Association of gut microbiota with cerebral cortical thickness: A Mendelian randomization study中文标题：肠道微生物群与大脑皮质厚度的关联：孟德尔随机化研究论文亮点:本研究通过双向两样本孟德尔随机化（MR）分析，探讨了肠道微生物群与结核病（TB）之间的因果关系。研究利用MiBioGen联盟的肠道微生物群基因组关联研究（GWAS）数据，以及UK Biobank和FinnGen联盟的结核病GWAS数据，分析了195个细菌分类群与结核病及其特定表型（呼吸道结核病RTB和肺外结核病EPTB）之间的关联。研究发现，特定肠道微生物群与结核病风险之间存在单向因果关系，其中肠道微生物群对结核病有因果效应。研究结果为肠道微生物群作为结核病预防、诊断和治疗工具的潜在应用提供了科学依据。此外，研究还强调了特定肠道微生物群在不同类型结核病发展和进展中的潜在作用。尽管存在一些局限性，如潜在的混杂因素和IV选择的不够严格控制，但研究利用公开可用的GWAS数据，减少了混杂因素的干扰，确保了因果推断的可靠性。

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。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。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、选题的意义千万不要一来就闷头开跑， 一起加油呀~