引言 百川智能，作为医疗大模型领域的唯一独角兽，始终坚定不移地将医疗作为发展的核心方向。 当前，百川智能正全力加速医疗场景大模型的应用布局，积极开拓医疗大模型的应用边界。 就在 2025 年 1 月，百川智能发布了最新的医学大模型论文，为医疗大模型领域带来了全新的思考与探索。 文章题目 英文： Exploring the Inquiry-Diagnosis Relationship with Advanced Patient Simulators 中文： 利用先进的患者模拟器探索医疗”问诊-诊疗”关系 发表时间 2025年1月 摘要 该文献探讨了医学对话系统的发展和应用，特别关注一种名为Chimed gpt的新的中国医学大语言模型，旨在增强与人类偏好的一致性。它讨论了医学中大型语言模型（LLM）的分类，医患互动中探究策略的重要性，以及创建患者模拟器以提高医疗咨询的真实性。该研究强调了查询质量和诊断准确性之间的关系，揭示了各种人工智能模型之间的显著差异，并提出了优化查询策略的方法，以获得更好的医学诊断结果。…
文章题目：Association between internet use and depression among the middle-aged and elderly adults with multimorbidity in China: do gender differences exist? DOI：10.3389/fpsyt.2024.1494979 中文标题：中国中老年多重疾病患者互联网使用与抑郁症的关系：是否存在性别差异？ 发表杂志：Front Psychiatry 影响因子：2区，IF=3.2…
文章题目：Burden of esophageal cancer in global, regional and national regions from 1990 to 2021 and its projection until 2050: results from the GBD study 2021…
文章题目：Association between weekend catch-up sleep and chronic kidney disease: insights from NHANES 2017-2020 DOI：10.1080/0886022X.2025.2461682 中文标题：周末补觉与慢性肾脏病之间的关联：2017-2020 年 NHANES 的见解 发表杂志：Ren Fail 影响因子：1区，IF=3.0 发表时间：2025年2月 今天给大家分享一篇在 2025年2月发表在《Ren Fail》（1区，IF=3.0）的文章。本研究旨在探讨美国成年人周末补觉（WCS）与慢性肾病（CKD）之间的关联。 研究方法：本研究利用 2017 年至 2020 年全国健康和营养检查调查 (NHANES) 的数据，涵盖 4,934 名 20 岁及以上的个人。我们评估了与 WCS 相关的 CKD 风险。为了评估不同 WCS 持续时间内的 CKD 风险，根据 WCS 长度将参与者分为四组：< 1 小时（参考组）、≥ 1 小时且 < 2 小时、≥ 2 小时且 < 3 小时以及≥ 3 小时。…
文章题目：Lipid accumulation product and gallstone risk in US adults: A cross-sectional analysis of NHANES 2017-2020 data DOI：10.1371/journal.pone.0315235 中文标题：美国成年人的脂质积累产物和胆结石风险：NHANES 2017-2020 数据的横断面分析 发表杂志：PLoS One 影响因子：1区，IF=2.9 发表时间：2024年12月 今天给大家分享一篇在2024年12月发表在《PLoS One》（1区，IF=2.9）的文章。本研究旨在调查美国成年人的脂质累积产物(LAP) 和胆结石风险。…
文章题目：Which fluoroquinolone is safer when combined with bedaquiline for tuberculosis treatment: evidence from FDA Adverse Event Reporting System database from 2013 to 2024 DOI：10.3389/fphar.2024.1491921 中文标题：哪种氟喹诺酮类药物与贝达喹啉联合用于治疗结核病更安全：来自 2013 年至 2024 年 FDA 不良事件报告系统数据库的证据…
Day 3-4：文献精读+数据准备+代码准备 机器学习到底在分析什么？ 大家可能会有这样的疑问 一篇机器学习相关的文章到底什么最重要呢 对于我们临床医生来说 让我去解释算法、去敲代码是“对牛弹琴”的 所以我们的重心要调整到数据和结果的解释 而不是纠结算法到底是什么样的 这个我们稍微能懂一点儿就可以 能跑通代码、能跑的出来结果、能够对图片进行解读 这是我们医疗工作者应该关注的 数据哪里来？ 可以是自己科室的既往数据 也可以是以前发过的文章的数据 也可以是公开数据库的数据 我们这次挑战使用的是nhanes数据 因为前面单独挑战过nhanes 我们就不过多的介绍nhanes了 总体来说，就是一个同样的数据集的不同处理方式 那模型又是什么？ XGBOOST这些都是对应的一个模型 这个我们可以一定程度上忽略 在医学上不会过分关注算法 只要能用就行…
回顾性队列研究是一种观察性研究，通过收集和分析历史数据来回答问题。 今天小编就来给大家解析一下这种研究方法的优势及与其他研究类型相比对数据要求的便捷性 ⭕研究方法的优势可以归纳 ⭕对数据要求的便捷性 数据收集相对容易：回顾性队列研究的数据收集相对容易，因为研究者不需要实时收集数据，而是从已有的记录中追溯所需的信息。这大大节省了人力、物力和时间。 适合大型数据库分析：回顾性队列研究非常适合对大型数据库或现有资料进行分析，因为这些数据库通常包含了大量的历史数据，可以满足研究的需求。 设计灵活且适用于多种研究目的：回顾性队列研究的设计相对灵活，可以根据不同的研究目的进行调整。同时，由于数据是现成的，因此可以快速收集并分析数据，适合时间紧迫的研究。 今天要分享的学员就是呼吸方向用单位数据做的回顾性队列研究成功发表文章的 ✔接收期刊：BMC Pulmonary Medicine 📉IF=2.6；中科院3区SCI 📍发文方法：呼吸方向使用单位数据做的回顾性队列研究
广州中医药大学近期发表在10.7分1区牛刊《Redox Biology》的一篇文章很有意思，大家一起看看。 📑《Machine learning and SHAP value interpretation for predicting comorbidity of cardiovascular disease and cancer with dietary antioxidants》 （基于机器学习与SHAP值解析膳食抗氧化剂对心血管病与癌症共病的预测） ⭕️研究背景：心血管疾病（CVD）与癌症常“相伴而生”，两者共享氧化应激、炎症等病理机制。而膳食中的抗氧化剂（如维生素、多酚）能中和自由基，可能降低共病风险。但传统统计方法难以处理复杂数据关系，机器学习（ML） 结合 SHAP值解释 成为新突破！ ⭕️研究过程（详见图2）…
其实还在挣扎当中！！不能放弃！！ 医学读研期间，导师通常会让我们学习写一篇Meta分析，一是Meta分析能快速发表SCI，可解决毕业的小论文问题，也可以在研究生期间多积累科研成果。二是Meta分析特别适合科研小白入门。 为什么入门最好去学Meta分析？你想想你刚进课题组的时候，是不是直接上？根本没人教你基础的科研技能，上课也不会有成体系的科研基础课，好像老师们都默认我们会。 如果你想尽快跟上课题组的节奏，自己就要快速适应科研工作。这时学习Meta分析，你就会遇到大量问题，文献怎么检索怎么筛选？医学统计怎么回事？SCI写作有哪些技巧？SCI选刊投稿是怎样的流程？当你成功发表了一篇Meta分析后，你会发现这些技能你已经有了一定的基础！ 所以医学科研小白学习Meta分析，可以给自己一个接触科研的缓冲机会，毕竟它比基础实验温柔多了，能让你迅速了解学术语言，体会科研是怎么一回事，从而更快地适应医学科研。