今天给大家分享一篇在 2023年4月发表在《Gastroenterology》（1区，IF=25.7）的文章。研究背景：胃轻瘫是一种上消化道运动障碍，主要表现为胃排空延迟，常伴有恶心、呕吐、上腹痛、早饱或胀气等症状。尽管已有多种药物用于治疗胃轻瘫，但其相对疗效和安全性尚不明确。研究目的：本文旨在通过网络荟萃分析，评估这些药物的疗效和安全性。研究方法：检索方法：该研究系统性地检索了MEDLINE、EMBASE、EMBASE Classic和Cochrane中央对照试验注册库，时间范围覆盖至2022年9月7日。此外，检索了clinicaltrials.gov以获取未发表的试验和补充数据，并审查了2001年至2022年间主要消化系统疾病会议的会议记录。为了确保全面性，研究团队使用递归检索方法查阅了所有符合条件文章的参考文献。纳入标准包括任何活性药物与安慰剂或其他药物比较的随机对照试验（RCT），研究对象为16岁及以上的胃轻瘫患者，排除了评估设备、内镜或手术干预的试验。两名研究者独立进行文献筛选和数据提取，以确保数据的准确性和一致性。统计方法：研究采用频率学方法进行网络荟萃分析，整合直接和间接比较，使用R软件中的“netmeta”统计包。为确保结果的稳健性，使用随机效应模型汇总数据，并用合并相对风险（RR）和95%置信区间（CI）表示疗效。P-score用于对药物疗效进行排名，衡量每种药物相对更好的确定性。异质性通过s²测量，漏斗图用于检查发表偏倚。亚组分析包括仅确认胃排空延迟的RCT，并按胃轻瘫病因进行分类。使用CINeMA框架评估网络中治疗估计的信心，确保结果的可靠性。
第4天任务：完成Table和Figure部分前期花了3天时间将数据已经提取、清洗好啦现在的任务就是做出Table和Figure～在具体操作之前呢，肯定要再去看文献啦模仿文献一步一步来就好啦常规NHANES文章就是需要下面这些Table和Figure，当然，我们也会看到有很多文章会有一些其他的处理比如加上了机器学习呀本质上还是这个思路只不过在暴露的选择、分析方法会有一些差异万事开头难，我们就先学会这种最简单的思路后面我们慢慢学习和挑战别的~我们进行了提取和总结Figure 1：研究人群——-数据来源过程（流程图）对数据处理的过程进行简单的可视化呈现Table 1：基线资料表—–人群基本信息描述对比两组之间的基线资料的差异Table 2：回归分析—X与Y之间有无关系（3个模型）根据纳入的协变量构建3个不同的模型以评估暴露和结局之间的关系的是否稳健Figure 2：限制性回归样条–X与Y的剂量效应关系RCS结果呈现Table 3：亚组分析—敏感性分析看X与Y在不同组别（性别，年龄，患某种疾病等）关系是否依旧稳健存在，如果有差异，能否通过目前文献进行合理的解释这就是NHANES文章的主要结果啦因为前期已经整理好了数据后面的分析实际上是非常简单的，选题和整理数据才是最费时间的，也是容易浮躁滴，方向对了，就一定能出成果。今日份挑战成功～下一篇就是挑战收官啦，我们明天见！
第5天任务：完成文章写作+投稿Table和Figure都已经完成啦后面就是写作写作实际上是最简单的啦哈哈哈～根据我们的《框架写作法》理清思路后嘎嘎一顿狂写写出一篇高质量的文章不在话下～今天刚好轮到值班就直接把电脑带去了科室啦疯狂输出写作！其实昨天跑结果花的时间较少多余的时间已经把材料方法和结果部分都搞定了今天将剩余部分补充完整就可以啦～按照我们之前挑战的经验来说一般1天能写完初稿，然后再1天完成模块化写作、翻译、润色以及投稿准备嘻嘻因为今天值班，直接熬个大夜把它搞完～写完后将跑出来的图片和结果放进文章里，然后根据我目标期刊的要求调整格式就好啦~写完了就调整调整格式然后把文章发给大老板最后Double check挑战5天完成一篇NHANES，挑战成功！！！
第4天任务：完成Table和Figure部分前期花了3天时间将数据已经提取、清洗好啦现在的任务就是做出Table和Figure～在具体操作之前呢，肯定要再去看文献啦模仿文献一步一步来就好啦常规NHANES文章就是需要下面这些Table和Figure，当然，我们也会看到有很多文章会有一些其他的处理比如加上了机器学习呀本质上还是这个思路只不过在暴露的选择、分析方法会有一些差异万事开头难，我们就先学会这种最简单的思路后面我们慢慢学习和挑战别的~我们进行了提取和总结Figure 1：研究人群——-数据来源过程（流程图） 对数据处理的过程进行简单的可视化呈现Table 1：基线资料表—–人群基本信息描述 对比两组之间的基线资料的差异Table 2：回归分析—X与Y之间有无关系（3个模型） 根据纳入的协变量构建3个不同的模型以评估暴露和结局之间的关系的是否稳健Figure 2：限制性回归样条–X与Y的剂量效应关系RCS结果呈现Table 3：亚组分析—敏感性分析 看X与Y在不同组别（性别，年龄，患某种疾病等）关系是否依旧稳健存在，如果有差异，能否通过目前文献进行合理的解释这就是NHANES文章的主要结果啦因为前期已经整理好了数据后面的分析实际上是非常简单的，选题和整理数据才是最费时间的，也是容易浮躁滴，方向对了，就一定能出成果。今日份挑战成功～下一篇就是挑战收官啦，我们明天见！
今天给大家分享一篇在 2023年6月发表在《J Nutr Health Aging》（1区，IF=4.3）的文章。本文这项研究利用了美国国家健康和营养调查（NHANES）2011–2014年的数据，探讨饮食中的总抗氧化能力（TAC）与美国老年人认知功能之间的关系。暴露：本研究的暴露变量饮食总抗氧化能力（TAC），这个指标是通过食物中抗氧化剂的整体潜力来评估的，包括维生素A、C、E等多种抗氧化物质。通过将每种抗氧化剂的日摄入量乘以相应的抗氧化能力得出，以维生素C当量抗氧化能力（VCE）为单位来计算总TAC。这种方法试图综合考虑不同抗氧化剂之间可能的协同作用，为评估抗氧化剂对健康影响提供了一种更为全面的视角。结局：研究的主要结局是认知功能，认知功能的评估涵盖了多个维度，包括记忆力、执行功能和处理速度等，这些都是老年认知衰退常见的受影响领域。
Day3任务：数据下载＋数据清洗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来实现，比stata方便很多前期我就把所有的数据都下载好啦（非老大劲了）现在主要的目标就是进行数据清洗去我们下载好的数据中用R将所需要的数据提取出来但在跑代码之前我们得知道自己需要哪些数据，不然就算下载好的数据摆在我面前也无从下手～主要有三个方面：重点关注的指标X（HRR），关注的疾病（心血管疾病，Y），还有一些协变量（Z），具体需要哪些协变量可以根据目标期刊里既往所发表的文献中筛选获得并不是所有的协变量都需考虑进去，言之有理即可～我这篇文章主要包括以下协变量：年龄、性别、种族、教育程度、家庭收入与贫困比(PIR)、咖啡因摄入、总能量摄入、体重指数(BMI)、腰围、吸烟状态、饮酒状态、糖尿病、高血压和高脂血症。因为之前比较熟悉这个代码啦，所以提数据的时候很easy～用代码提啊提，用半天的时间就搞完了不过有些数据还是要做的细致一点的～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量工程还是很浩大滴！毕竟一区二区的文章也不是风刮来的但做多了也就熟练啦～猛猛一顿筛选就搞定！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刊、选题的意义千万不要一来就闷头开跑欢迎大家围观见证，在评论区留下自己的想法和经验，我们下一篇进度汇报见！
虽然最近很忙，但挑战不能停~第2天主要任务：数据库的基本认识+了解数据库的结构和内容都知道目前公开数据库有很多，如MIMIC、eICU数据库等但是NHANES数据库的比较特别的点在于：它数据获取相对来说比较的简单也就是说我们能很方便地下载到原始数据这对我们这些时间很紧张的“临床打工人”来说是非常友好的不过在下载数据前我们得先熟悉数据库的结构这是我们做任何一个数据库都需要先熟悉他有些什么数据知道数据库的数据组成了解数据下载的途径这样才能嘎嘎乱杀～从网站上我们可以看到NHANES数据库内容是非常丰富的之前试过MIMIC数据库，但数据量太大了，本地安装数据花了很长时间都没搞定NHANES就没有这个烦恼数据库里面有很多不同的年份，比如“2015-2016”我们叫一个周期，因为NHANES数据库每2年上传一次相关数据每一个周期里面有很多数据包括了人口统计学、饮食数据、体格检查、实验室数据、问卷调查和Limited Access Data我们最常用的是前5个板块Limited Access Data数据需要申请获得批准后才行但用前五个板块发文已经是绰绰有余啦～我们以Examination数据示例点击进去后就可以看到Doc File和Data File我们可以通过点击Doc File这列查看这个数据集的一些基本介绍点击Data File就能下载数据利用R或者SPPS就能打开这个XPT的数据集文件比如我要做的这个指标HRR通过将血红蛋白（Hb）浓度除以红细胞分布宽度（RDW）百分比来计算的。所以我就需要分别下载Hb浓度和RDW的数据然后再用上述公式计算。因为一个个数据下载很麻烦而且后面也会用得到NHANES里面的数据所以我前期花了一些时间把所有的周期的所有数据全部下载到本地啦哈哈哈这个工作量还是很大的不过以后要用数据就可以直接用代码提取啦！方便很多～好啦，今天的分享就到这里啦！我们下一篇进度汇报见！
今天给大家分享一篇在 2022年12月发表在《EClinicalMedicine》（1区，IF=9.6）的文章。本文这项研究利用了全球疾病、伤害和风险因素负担研究 (GBD) 1990-2019年的数据，对东地中海（EMR）地区（包括国家层面）的心力衰竭（HF）负担和根本原因进行了系统分析。研究方法：使用 2019 年全球疾病负担 (GBD) 数据来估计 EMR 中的 HF 患病率、残疾生存年限 (YLD) 和根本原因。按 5 岁年龄组（考虑 15 岁及以上）、性别（男性和女性）和国家比较年龄标准化患病率、YLD 和 HF 根本原因。