Day1：寻找目标文献和目标期刊 GBD数据库大有可为 大家也都比较熟悉了 四大刊及其子刊的常客 虽然现在有“颓废”之势 前期我们挑战成功了数期 最近也更新了GBD数据库的第二部分–GBD数据库中的数据分析 主要包括的分析内容包括： APC、分解分析、前沿分析 ARIMA预测未来、BAPC预测未来、EAPC 当然还有其他复杂的分析方法 但是这些对于我们发文章已经足够了 在我们看文献的过程中 发现某个疾病适当的人+适当的描述+上述分析的一种或者几种就是一篇文章 那我们就再尝试挑战一期 有的师弟师妹很纠结说现在类似于GBD这种公开数据库不好发文章了 其实公开数据库的挖掘无止境 就好像说以前的SEER数据库一样 都过去多少年了，依旧可以发文章 MIMIC数据库一更新就涌现了很多文章 GBD一样的道理 只有不断的思考才会有idea，只有不断的思考才有突破 这次挑战的是预测，主要就是使用ARIMA和BAPC进行未来预测 这两种预测BAPC又使用更多一些 主要的代码前期已经准备好了…
文章题目：Global burden of cancer and associated risk factors in 204 countries and territories, 1980-2021: a systematic analysis for the GBD 2021 DOI：10.1186/s13045-024-01640-8 中文标题：1980 年至 2021…
文章题目：Serum creatinine- and cystatin C-based indices are associated with the risk of subsequent sarcopenia: evidence from the China Health and Retirement Longitudinal Study DOI：10.3389/fnut.2024.1471068 中文标题：血清肌酐和胱抑素…
文章题目：Association between modified dietary inflammation index score and lumbar vertebrae bone mineral density in patients with hypertension: data from NHANES-a population-based study DOI：10.1186/s12986-024-00877-x 中文标题：高血压患者改良饮食炎症指数评分与腰椎骨密度的关系：来自 NHANES…
文章题目：The causal effect of Internet use on rural middle-aged and older adults’ depression: A propensity score matching analysis DOI：10.1177/20552076241310041 中文标题：互联网使用对农村中老年人抑郁症的因果影响：倾向得分匹配分析 发表杂志：Digit Health 影响因子：2区，IF=2.9 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《Digit…
文章题目：Association between domain-specific physical activity and triglyceride‑glucose (TyG) index among US adults: Evidence from NHANES 2007-2018 DOI：10.1186/s12889-025-21379-2 中文标题：美国成年人特定领域体力活动与甘油三酯葡萄糖 (TyG) 指数之间的关联：来自 2007-2018 年 NHANES 的证据 发表杂志：BMC Public Health 影响因子：1区，IF=3.5 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《BMC Public…
文章题目：Romosozumab adverse event profile: a pharmacovigilance analysis based on the FDA Adverse Event Reporting System (FAERS) from 2019 to 2023 DOI：10.1007/s40520-024-02921-5 中文标题：Romosozumab 不良事件概况：基于 2019 年至 2023 年 FDA 不良事件报告系统 (FAERS) 的药物警戒分析 发表杂志：Aging Clin Exp…
我的新挑战持续进行中~ 第2-3天了:工作重点都集中在选题和阅读范文上，不管做什么类型的研究、不管做那种类型的MR，我们都需要花大量的时间进行选题评价，所以我用了2天的时间来进行选题确定，就是为了避免出现做完了工作发现已经被别人写了？选题不合适？等情况 说到肠道菌群孟德尔随机化，其实它就是双样本MR的plus pro max版本！就是一个暴露对应一个结局，只不过我们现在的暴露换成了肠道菌群，那我我们进行模仿的时候主要的就是去替换结局，比如别人做的比如别人写了自身免疫性肝炎，我就在想能不能写自身免疫性脑炎呢？理解起来超简单的，代码也不难掌握。最大的挑战，就是数据处理啦！毕竟这么多细菌，那么他的GWAS数据肯定是非常庞大的，细菌的基因总数比我们人类自身的基因多150倍！ 面对这么大量的GWAS数据，我已经做好准备了！代码都备好了，我的目标期刊是Journal of Affective Disorders，所以我选了里面两篇相关的文章来参考，换个角度，换个结局，就是我的新选题啦！比如别人写了肝癌，我能不能试着写结直肠癌呢？当然这只是个例子啦！但确实在临床上确实有它的意义。然后把别人做过的疾病换个自己领域的疾病，就能写出一篇新文章，同时，我们也可以把肠道菌群看成中介变量，和中介MR联系起来，这样文章就更丰富了！ 当然啦，数据量大是我们跑结局的一个限制因素。但只要我们掌握多种MR的方法，并且加强代码和写作能力的练习，相信高分MR就在眼前啦！好啦，今天的分享就到这里啦！
GBD2023数据再有几个月就发布了，2021还可以坚持多久？ 至少现在该发还是发，今天给大家带来的是浙江大学第二附属医院发表的一篇文章，近日刊登在《Journal of Hematology & Oncology》，29.9分，中科院1区Top！ ⭕️研究背景：女性特异性癌症，包括乳腺癌、宫颈癌、卵巢癌和子宫癌，占全球女性癌症病例的近40%。这些癌症的发病率、死亡率和发病模式在不同地区和时间呈现出显著的地理差异和时间变化。例如，乳腺癌在大多数国家是女性中最常见的癌症，但在撒哈拉以南非洲、南美洲和东南亚的部分地区，宫颈癌的发病率超过了乳腺癌。这种差异与人乳头瘤病毒（HPV）感染的高流行率和宫颈癌疫苗接种及筛查计划的有限获取密切相关。因此，分析女性特异性癌症的流行病学特征对于理解其在不同人群中的公共卫生影响至关重要。 ⭕️研究方法（篇幅有限，详见图2） ⭕️研究结果：从1990年到2021年，全球女性特异性癌症的负担以不同速率增加。2021年，全球乳腺癌新发病例达208万例，死亡66万例，DALYs达2025万。相比之下，宫颈癌、卵巢癌和子宫癌的新发病例分别为67万、30万和47万例。乳腺癌、卵巢癌和子宫癌的年龄标准化发病率与SDI呈正相关，而宫颈癌则呈负相关。2021年乳腺癌相关死亡的主要风险因素包括饮食风险、高体重指数（BMI）、高空腹血糖、酒精使用、烟草使用和低体力活动。此外，宫颈癌的风险因素还包括不安全性行为和烟草使用，卵巢癌的风险因素包括高BMI和职业风险，子宫癌的风险因素为高BMI。 ⭕️文章总结：本研究通过分析GBD 2021数据，揭示了1990至2021年间全球女性特异性癌症的流行病学趋势和主要风险因素。研究发现，乳腺癌在全球癌症负担中占比最高，且其发病率与社会人口指数（SDI）呈正相关，而宫颈癌的发病率则随SDI升高而降低。尽管全球范围内宫颈癌的发病率和死亡率有所下降，但在低收入地区仍保持较高水平。卵巢癌和子宫癌的发病率在全球范围内呈上升趋势，且与年龄和生活方式因素密切相关。这些发现强调了在全球范围内，尤其是在资源有限的地区，扩大预防和早期检测项目的重要性，以及针对老龄化人口采取适当干预措施和改善癌症护理基础设施的迫切需求。
①Meta分析Meta分析是基于⽂献的⼆次研究，简单来说就是针对⼀个研究课题，系统收集该课题下所有⽂献，然后提取⽂献中的… 根据进行合并分析，得出一个研究结论。相对来说Meta分析是最简单、也最适合科研小白上手的，最快两三个月就可以完成文投稿，但是缺点也很明显，最终发表的是综述文章，可能部分医院晋升不太认可。 小白医生上手难度：⭐⭐含金量：⭐⭐⭐⭐⭐ ② 临床预测模型 就是指利用数学模型估计研究对象当前患有某病的概率或者将来发生某种结局的可能性。预测模型套路真的很清晰，它主要解决 3 大问题： 1️⃣ 发现风险因素，即哪些人可疑？比如说，为什么这个人患了肝癌，是黄曲霉、喝酒、熬夜，还是长期服用药物导致。 2️⃣ 验证风险因素，即张三有罪吗？比如说，长期喝酒在肝癌发生中的作用或者相关性研究。验证风险是发现风险的进一步研究，证明其中某一个到底会不会导致肝癌发生，导致的可能性有多大。 3️⃣ 预测结局，即谁还会犯罪？比如说，通过发现风险和验证风险后，你发现长期喝酒的人更容易发生肝癌，那你能不能构建一个模型，用这个模型去预测到底会不会得肝癌呢。 上手难度：⭐⭐⭐⭐含金量：⭐⭐⭐⭐⭐ ③ 公共数据库做回顾性研究 回顾性队列研究是指通过将研究人群按照是否暴露于某因素或按照暴露程度分组，追踪观察在特定时间内各组与暴露因素相关的结局中比较其差异，从而判定暴露因素和结局之间有无因果关联及关联程度的一种观察性研究方法。 大多数医生可能会觉得这类研究多依赖于医院自己收集整理的病例库，自己的数据太少做不了，其实不然，现在已经有非常多成熟的公共数据库了，比如SEER、MIMIC、NHANES、甚至国内的CHNS等，网上一搜都能搜到很多相关教程和文献。 上手难度：⭐⭐⭐⭐⭐含金量：⭐⭐⭐⭐⭐