进度汇报：完成文章写作+投稿 表格和图片就完成啦，后面就是写作 写作是最简单的哈哈 《框架写作法》嘎嘎一顿狂写 我又不是“芒果”，所以夜班把电脑带去了科室 疯狂输出写作 情绪一下子就到位，写的太入神了 有个大妈喊了我好几声我竟然都没听见 然后大妈说：你们医生辛苦、就是有水平， 我孙女当年就是没考上某某大学医学院，遗憾的很， 然后找了个学医的男朋友 我emmmmmm然后哈哈哈 按照我们之前挑战Meta和MR的经验来说 一般1天能写完初稿， 而且其实我在挑战之初就已经在写方法了， 所以把跑出来的图片和结果放进去， 然后模仿我的目标文献就好啦~ 光速中文成稿后再翻译+润色+投稿前准备 挑战成功！！
6个月，从小白写出一篇生信SCI，我的时间线👇 研究思路设计（大概3周） 生信虽有套路，但是没有创新性的文章也越来越难发。 前期一定要花点时间打磨研究思路设计。 数据挖掘（大概1周） 学习生信常见数据库的挖掘，比如GEO、TCGA 等。 如果没有人带，自己要找代码、调试，解决报错的话，时间会更久。 数据清洗和整理（2个月） 将数据处理成符合特定格式的制式，并且各项信息要全面、去缺失值、去重复值。 这是生信分析的第一步很重要，决定后面的路是否顺利。 数据分析（2个月） 通常包含①差异基因筛选②功能富集分析及聚类分析 ③网络分析④生存率分析 多看文献，总结分析思路。 SCI写作 （1个月） 如果前面的分析都做好了，写作会很快。 总共耗时：6个月左右！ 接下来就是选刊投稿返修啦…… 刚开始学的时候，几乎所有概念都不知道，懵逼状态大概持续了1个月之久。 0基础学习生信分析，到底要经历些什么？只有经历过，才有发言权。今天与大家分享一些学习经验： 1. R语言学习 R语言的课程视频网上到处都是。对于一个初学者来说，我们只要学会分析数据，至于更高的内容，比如编写脚本或者函数之类的我们就不用学了，学会怎么用别人的代码才是我们学习的目的。…
其实不是在贩卖焦虑，而是在告诉你现实。 读研时，导师会让你体会到，很多资源在向部分人倾斜；师兄师姐会告诉你，没博士，没博后，大三甲不要你；进了医院又有职称等着你熬…… 再具体一点，现在医学年轻人是什么样的现实处境呢？我经常吐槽，就像在手术室吃手术餐一样。 前浪做完关键步骤就进食堂，去的早竞争的人少，大鱼大肉不费力就能夹到。 中浪做完手术也陆续到食堂，没有肉了就吃蔬菜。 而年轻的这波人抬完病人送完标本，再去食堂，只剩下米饭了。 为了吃饱饭，年轻的这波人即使是白米饭也要抢着吃，因为她们想着，努努力，或许还能吃到菜和肉呢。 努力了很久似乎也没吃到肉，光看别人吃肉，自己心里很不甘。 僧多肉少，这就是大部分人焦虑的根源。 其实，你只要想开一点，把“我怎么就吃不到肉呢？”换成“能吃饱白米饭就很幸福啦”，日子不是照样过吗？ 而且，不仅仅是医学生，每个行业都有自己的苦衷。不要去放大自己的焦虑，多做事，多落地，你总能感受到自己的成长！ 🎯对医学生而言，做什么是你可以现在就行动起来，慢慢积累，对未来受益匪浅的？ 那一定是科研！科研！科研！ 最后提醒在医院搬砖的姐妹，千万不要丢了科研，我同事就是很好的例子，没有晋升每天临床都是干的极致重复的工作~ 临床医生搞科研其实并没有大家想象那么难的！！ 你可以选择临床回顾性研究！！ 回顾性研究所研究的对象正是临床上每天都接触到的患者。只需要掌握如何收集和保管这些病例，就可以获得合适的研究对象，并开始回顾性研究工作。可利用医院的HIS系统去搜集病例。 👉但是如果你没有条件收集数据，或者时间太忙不想苦苦收集数据，现在有很多公开的数据库可以挖掘，自己没有数据同样可以发SCI。 宝藏公共数据库： 🚩SEER数据库挖掘，适合癌症研究 🚩NHANES数据库挖掘，适合全科 🚩MIMIC数据库挖掘，适合重症研究 🚩GBD数据库挖掘，适合全科 只要思想不滑坡，办法总比困难多！！ 其实不是在贩卖焦虑，而是在告诉你现实。…
MIMIC数据库是啥❓ 它是一个公开的数据库，该数据库于2003年在美国国立卫生研究院的资助下，由美国麻省理工学院计算生理学实验室、美国哈佛医学院贝斯以色列女执事医疗中心(Beth Israel Deaconess Medical Center，BIDMC)和飞利浦医疗公司共同建立。 👉重症相关的数据库，基本上想研究进ICU的疾病就是可以挖掘MIMIC数据库的。 数据库优点❗ ✔好建模：它就像一个医院系统一样，所以数据更好用于建模。对于建模感兴趣的急重症宝子更不能错过啦~ tips：一般来说MIMIC数据库基本上只能做回顾性研究和横断面的研究哦！ ✔范围广：90%的急诊重症疾病都可以做，急诊可以做很多 今天的案例学员是脑梗方向，所以主要说脑梗，如果想看看MIMIC数据库的文章是研究什么内容可以参考一下👇 PMID: 35601742 PMID: 37386419 PMID: 38779217 PMID: 33103496 学员接收期刊：Scientific Reports 📉IF=3.8；中科院2区SCI 📍发文方法：挖掘脑梗方向】 🔖医学SCI一对一指导学习，符合学术规范，学到真技能
进度汇报：完成Table和Figure 数据已经整理好啦，那现在就是做出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，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 Figure 1：研究人群——-数据来源过程 Table 1：基线资料表—–人群基本信息描述 Table 2：回归分析—X与Y之间有无关系 Figure 2：限制性回归样条–X与Y的剂量效应关系 Table 3：亚组分析—敏感性分析 Figure 1：就是简要说明我们的筛选数据的流程，比如说2013-2014总计有10175例，根据我纳入条件（年龄大于20岁，同时具有抑郁评分和暴露某某血清学指标）进行纳入和排除，最终纳入1900人。 本质上就是数据的筛选和清洗流程，对数据处理的过程进行简单的可视化呈现。 Table 1：就是基线资料比较。比如我的结局是抑郁，那我就可以列分为depression组和non-depression组，对比两组之间的基线资料的差异，变量数据类型是连续变量或者分类变量，那就用t-检验或者卡方检验等。 Table…
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用。 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量。 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刊、选题的意义 千万不要一来就闷头开跑， 一起加油呀~明天见
医学生科研变优秀，必须要跨越的三座大山！（详细版看图片） 首先是掌握文献、理解课题 其次是独立分析和解决问题的能力 最后是建立对研究领域的整体视野和研究品味，能够辨别哪些问题值得研究。 相信大家不管是在读研究生/博士生，还是医院医生，深入了解医学行业后，已经对科研的重要性有所认知，医生的核心竞争力必然是科研，如果科研是短板，职业天花板会很有限。 当然，大家也无需焦虑，山也是慢慢形成山的，慢慢来比较快。 另外，每个人的职业规划不同，并不是每个医学生都要在科研道路上走到底，成为某领域专家。 前期我们无需给自己太大压力，先让自己入门，科研成果够用就行。 那么如何快速入门？这是一个科研小白很困扰的问题 真心建议大家学习Meta分析，因为Meta分析可以简单理解为文献的二次分析，难度相对较低，适合科研0基础学，至少不会因为太难而劝退。 其次你将锻炼到很多重要的科研基础能力，包括文献检索、文献筛选、医学统计分析、SCI写作、SCI选刊投稿流程…… 当你真正从0到1发表一篇Meta分析SCI后，就能迅速对医学科研学术语言有一个清晰的认知。 🎯 研一阶段：理解课题 大部分医学生在本科阶段从未接触过科研，研一是打开科研大门的第一步，进入一个陌生的领域，必定需要一个漫长的适应过程。 谁适应得快，谁的成长就快！ 研一最重要的任务就是学会理解课题。接受导师的课题后，自己要主动查阅相关文献。 建议文献阅读的顺序为：中文综述 👉 英文综述 👉 高分文章+硕博论文 综述可以帮助我们了解研究内容的现状，高分文章中的新观念及技术可以做借鉴，在硕博论文中可以找到相关实验的具体步骤。 带着问题读文献，深刻理解课题的意义：1️⃣ 研究的目的是什么？2️⃣…
什么是医学生信？ 医学生物信息学是一个跨学科的领域，涉及医学、生物学、计算机科学等多个学科，旨在利用生物信息学的方法和工具，挖掘生物医学数据中的有用信息，为疾病诊断、治疗和预防提供新的思路和方法。 对于刚刚入门的小白来说，可能会觉得医学生信分析是一个复杂而繁琐的过程，时常挣扎在“曲折道路我走不完，前途光明我看不见”的痛苦之中。 但其实，当我们了解了医学生信分析的基本流程、掌握了基础的生信知识技能，轻松入门便可不再是幻想！ 入门8步骤： 一、如何获取数据？ 1. 公共数据库 数据特点：数据质量较高且经过严格审核。 2. 实验室生成数据 这些数据通常是通过高通量测序技术获得的，如RNA-Seq、ChIP-Seq、ATAC-Seq等。 数据特点：具有高度的特异性和实时性，但代价较高，耗时长。 3. 合作数据 通过与其他实验室或研究机构合作获得，能够弥补公共数据库和实验室生成数据的不足，为研究者提供更为全面和深入的数据支持。 数据特点：具有独特性和专属性。 4. 其他数据来源 研究项目：一些大型研究项目和合作计划也提供了丰富的生物信息数据，如Human Microbiome Project (HMP) 和1000 Genomes…
NHANES一定试试这个期刊，这个月发了小十篇！《Ecotoxicology and Environmental Safety》6.2分 本期解读的文章就来自于本刊，恭喜宁波李惠利医院团队！一起看看吧！ ⭕️研究背景：溴化阻燃剂（BFRs）是一类持久性、生物累积性和有毒的有机污染物，广泛应用于各种工业和商业材料中。这些化学物质不仅在环境中普遍存在，而且对人体健康构成威胁。研究表明，BFRs暴露与血小板（PLT）水平升高有关，这可能增加血栓形成和心血管疾病的风险。尽管某些BFRs已被禁用或限制使用，但由于其持久性和累积性，人类仍将持续暴露于这些化学物质中。因此，研究BFRs对血小板水平的影响及其潜在的健康风险具有重要意义。 ⭕️研究方法 1. 数据来源与筛选： 2. 变量测量： 3. 协变量选择： 4. 描述性统计： 5. 相关性分析： 6. 加权线性回归分析： 7. 响应关系样条分析： 8. 亚组分析： 9. 加权加和位点数和回归（WQS）分析：…
新挑战继续进行~ 第2天主要任务：数据库的认识 NHANES数据库听名字就知道和我们的MIMIC、eICU 一样是一个公开数据库， 但是这个数据库的比较特别的点在于数据获取相对来说比较的简单， 也就是说能非常方便的就下载到原始数据， 这对我们这些“临床牛马”来说是非常利好的。 之前也尝试过搞MIMIC，数据量太大了， 本地安装数据库装了很久都没装上， NHANES就没有这个烦恼，可以疯狂冲锋冲锋 利用公开数据库发文章，最重要的就是要知道数据库的数据组成， 他有那些数据，才能知道我可以利用些什么样子的数据进行idea构思。 NHANES是关于营养调查的健康和营养的信息，是一个横断面的调查。 从网站上我们可以看到，数据内容是非常丰富的。 里面有不同的年份，比如“2013-2014”，我们叫一个周期， 因为NHANES每2年上传一次相关数据。 每一个周期里面有很多数据，但是我们主要利用的是（Data, Documentation, Codebooks）， 里面是包括了人口统计学、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， Limited Access…