首先在此祝大家2025新年愉快！🎊🎊 新的一年心想事成，paper必发！💪💪 不做实验就能发文章的类型是绝大多数医学科研入门者绕不开的选项，毕竟时间、投入、性价比都是货真价实的考虑维度，小编今天不作思路拆解，为大家汇总了一下几大不做实验的方向（类型）在2024年整个年度在Pubmed上线的篇数，大家可作参考 🙌毫无悬念，Meta分析断层领先，NHANES、GBD紧随其后，而MIMIC异军突起，SEER则长期稳步前行。 🔥如果你也想学习这些研究类型发文章@统计之光（医学SCI指导） 🤔这样的结果相信大家与小编的判断基本一样，那么，Meta分析是否出乎你的预料呢❓❓欢迎互动🤗🤗 本号长期更新医学SCI思维拆解、动态分享前沿发文技能，欢迎大家的支持 !
哈喽，各位医学er们，今天小光继续和大家分享我读过的临床研究文献——一篇2016年发表在NEJM上的预测模型文章。 该文思路非常清晰，如果你正在学习临床预测模型，这篇是很好的学习典范！👇👇 文章题目：sFlt-1:PLGF比值对妊娠妇女子痫前期的预测价值。 研究的人群是妊娠期妇女，结局是发生子痫前期、子痫或HELLP综合征，预测因子是sFlt-1:PLGF比值。 下面我们从文章图表详细看看这篇文章。 图一：Flowchart 流程图这篇文章的第一张图是flowchart流程图。SCI非常看重流程图，因为你需要告诉审稿人，现在的分析数据是怎么来的，去掉了那些数据，用了那些数据，这样做不会带来偏倚等等。 一共入组了1273名妇女，最后进入分析的是1050人。接下来，作者将数据分成了2部分，一部分500人，用来建模development cohort，另外的一部分550人来做内部验证validation cohort。可以看出接下来的文章将会围绕建模和验证两部分来写。 表一：研究人群描述 在流程图之后，接着就是Table 1研究人群描述。在这里，作者非常好地保持了分析思路的一致性，分别展示了建模人群和验证人群的基线资料，以结局事件的发生与否分别展示了基线情况。 这个表很完整地告诉了读者建模和验证人群基线的一致程度。这种呈现方式很值得学习。🌟 图二：X的分布情况 表二图三：ROC曲线和结果 以上就是文章的全部图表和主要结论啦。 在小光看来，这篇文章的一个亮点在于创新性地提出了两个指标的比值，而非某单一指标来作为研究因素。 总结来说，全文思路清晰，值得下载来精读，尤其是想要学习临床预测模型的小伙伴，就更不要错过啦。 最后，想在2025学习临床研究，发表一篇SCI的医生/医学生们，别再闭门造车啦，找个专业老师带你学更高效！比如统计之光的临床研究——一对一指导，全程陪跑，效率直接拉满！ 对于临床数据或者有条件收集数据的，来统计之光，老师手把手指导，让你更加科学地利用数据，不浪费自己苦苦收集的数据。 如果你不想收集数据，那可以选择挖掘临床公共数据库！这也是很多没背景、没资源的医生/医学生常常选择的发文方式！ 宝藏数据库有：📌MIMIC数据库，适合全科📌SEER数据库挖掘，适合癌症📌NHANES数据库挖掘，适合全科📌MIMIC数据库挖掘，适合重症研究
千万别浪费下班后的黄金3小时！人与人最大的差别不是智商，而是在于对于碎片时间的珍惜与利用。 抓住每天下班后的黄金三小时，默默的提升自己，悄悄惊艳所有人。 1. 技多不压身——学英语。 英语对于医生来说不能说不重要，也不能说很重要，但必要的时候，英语会成为你的标签，让你有更多的机会。而且对于医生来说读不开的书的话题——科研，有一定英语能力，也会比别人更加容易上手和理解。 推荐UP主：Auroraty宝藏医学英语、OSMOSISAuroraty宝藏医学英语在讲解英语词根词缀同时把解剖也顺道讲解了，而且她的英语发音特别好听，讲解超细致容易记忆，基本认真看了视频就能记下三分之一，反复多看几遍，再做一些笔记，把视频内容吃透，相信医学英语会有很大的提升！ Osmosis更新了丰富的临床教学视频和笔记，有大量动图和笔记精美又直观，学临床知识的同时学好医学英语。 2. 技多不压身——学统计。 学好医学统计是发表文章写论文的前提，面对临床数据知道如何处理、统计，并最终得出实验结论，转化成科研成果，整个过程几乎离不开医学统计，所以学点统计学对自己以后的职业生涯一定是非常有帮助的！ 3. 增长见识——听播客。 播客是我的通勤搭子。是我打破信息差，了解外面的世界，慢慢提升认知的重要工具，以下是我常听的： 怎么找到这些播客？苹果用户打开自带APP播客，搜索节目名称即可收听，每一个都是免费的。安卓用户安装下载【小宇宙】或者【喜马拉雅】，搜索节目名称也就可以收听啦~ 4. 长期提升——坚持阅读。坚持阅读半小时，不管阅读什么，专业书也好，人文、历史类也好。请让自己放下手机，静下心来，沉浸其中。读万卷书，行万里路。读书真的是我们了解这个世界最低成本的方式。 5. 刷刷视频，放松自己。 当然这里的视频并不是指短视频，而是指纪录片、TED、演讲比赛等。这类视频我们不必抱着一定要学到什么的功利心态，就闲暇时间放着当背景音，其实也是潜移默化地提升自己了~
今日进度：做出Table和Figure GBD数据提取可以在官方网站非常容易就提取 注意的是，目前数据已经更新到2021 需要下载最新的数据进行分析 可能是因为关注GBD的人越来越多 最近数据下载速度偏慢，而且容易崩，需要耐心等待 按照不同的要求下载不同的指标（发病率、患病率、DALYs等） 下载好了过后也不需要特别的清洗 通常不需要进行复杂的清洗工作 可以直接进入分析阶段 剩下的主要就是可视化分析和Jiontpoint软件使用 通过前面的文献阅读已经知晓相关思路 为后续的分析和写作打下基础 故一步一步操作就好了 师弟师妹们如果要做类似的研究（换个疾病） 如果我关注的疾病被别人写过了怎么办？ 这个问题很好解决，和之前的方式一样 –换地区：别人做Global，那我关注亚洲？非洲？发展中国家？ –换人群：别人做全部人群，我关注儿童？关注老年？ –换时间：因为2021年的数据已经更新了，所以可以换时间到2021 所以说文章是写不完的 科研是一个不断探索和发现新问题的过程 通过不断变换研究的视角和方法，可以持续产出新的研究成果。 今天的所有表格和图片就完成了 后面就要开始写作啦！
⭕️发表期刊：eClinicalMedicine（柳叶刀子刊），9.6分，中科院1区 ⭕️研究背景：该研究聚焦于全球青少年和年轻成人（10-24岁）中心力衰竭（HF）的患病率及因病致残年数（YLDs）的变化趋势。通过分析1990年至2021年的数据，旨在揭示不同地区、性别和社会人口指数（SDI）组别之间的差异。此外，还探讨了这些变化对公共卫生政策的影响，并为未来的心力衰竭预防和治疗策略提供科学依据。 ⭕️研究方法 1. 数据来源： 2. 断点回归分析（Joinpoint Regression Analysis）： 3. 平均年度百分比变化（AAPC）计算： 4. 分层分析： 5. 地区分析： 6. 预测分析： ⭕️研究结果： 研究结果显示，1990年至2021年期间，全球10-24岁人群中，心力衰竭的患病率和YLDs均呈现上升趋势，尤其是在低SDI和中SDI国家和地区，增幅更为明显。不同年龄段、性别和地区的增长速度也存在差异。这些结果提示，青少年和年轻成年人群中心力衰竭的负担正在加重，亟需制定针对性的公共卫生干预措施。 文章总结：该研究通过对1990年至2021年全球10-24岁人群中心力衰竭患病率和因病致残年数（YLDs）的趋势进行系统分析，揭示了全球范围内心力衰竭在这一年龄段中的显著增长。研究发现，无论是全球整体还是各性别、年龄组、社会人口指数（SDI）组别，心力衰竭的患病率和YLDs均呈现上升趋势，尤其是在低SDI和中SDI国家和地区，增幅更为明显。此外，不同地区的增长速度也存在差异，东亚地区的增长尤为迅速。这些结果提示，青少年和年轻成年人群中心力衰竭的负担正在加重，亟需制定针对性的公共卫生干预措施，特别是在资源有限的国家和地区。未来的研究应进一步探索导致这一趋势的具体原因，并为有效的预防和治疗策略提供科学依据。
医学生入门科研最好的办法就是学习Meta分析。 很多人觉得学习Meta分析只是为了水一篇文章，其实不然。当我们科研基础薄弱的时候，你从头到尾学完Meta分析，能快速熟悉学术语言。而且像文献检索、文献筛选、统计分析、SCI写作、SCI投稿流程等科研基础能力都能在实践中训练。 科研基础相当重要，但是学校课程里，没有课是专门教你科研基础的！ Meta分析难度较低，正是打磨自己的科研基础，入门医学科研的绝佳工具！ 医学生们，2025入门Meta分析，学习的路径千万不能反了！！👇 1 Meta分析选题——拓宽思路，发散思维！ 聚焦未解之谜 在确定Meta分析的选题时，首先要识别当前研究领域中的未解之谜或争议话题。查阅最新文献，了解研究热点和存在争议的领域，可以帮助你找到尚未充分探讨的研究问题。 例如，某种疾病的治疗效果存在多种研究结论，但尚未有综合性的Meta分析来统一这些结论，这就是一个绝佳的选题方向。 新兴领域探索 随着科学技术的不断进步，许多新兴领域和技术不断涌现。在这些新领域中，往往缺乏系统的研究总结。选择一个新兴的研究领域进行Meta分析，可以填补学术空白，增加研究的创新性。 例如，近年来人工智能在医学影像分析中的应用不断增长，但相关的Meta分析可能仍然稀缺。 多元角度切入 传统的Meta分析往往聚焦于单一变量或结局。通过多元角度切入，探讨多个变量或结局之间的相互关系，可以提高研究的复杂性和新颖性。 例如，探讨不同社会经济因素对某种疾病预后的影响，不仅能提供全面的见解，还能为政策制定提供依据。 更新过时研究 某些经典的Meta分析研究可能已经较为陈旧，未能涵盖近年的新研究成果。通过更新这些过时的研究，结合最新数据进行再分析，不仅能提供最新的科学证据，还能验证先前的结论是否依然有效。 例如，针对某种药物疗效的Meta分析，如果已有研究是在五年前进行的，那么结合最新的临床试验数据进行更新分析，将会更具说服力。 应用新方法和技术 Meta分析的方法和技术也在不断进步。应用最新的统计方法或机器学习技术进行Meta分析，可以显著提高研究的创新性和技术含量。 例如，使用贝叶斯Meta分析方法或网络Meta分析技术，不仅能处理复杂的数据结构，还能提供更直观和可靠的研究结论。 跨学科融合 跨学科研究是当前科学研究的趋势之一。通过融合不同学科的知识和方法，可以为Meta分析带来全新的视角。 例如，将公共卫生、社会科学和环境科学的数据结合起来，探讨环境污染对公众健康的综合影响，不仅能增加研究的创新性，还能吸引更广泛的学术和社会关注。…
今日进度：做出Table和Figure GBD数据提取可以在官方网站非常容易就提取 注意的是，目前数据已经更新到2021 需要下载最新的数据进行分析 可能是因为关注GBD的人越来越多 最近数据下载速度偏慢，而且容易崩，需要耐心等待 按照不同的要求下载不同的指标（发病率、患病率、DALYs等） 下载好了过后也不需要特别的清洗 通常不需要进行复杂的清洗工作 可以直接进入分析阶段 剩下的主要就是可视化分析和Jiontpoint软件使用 通过前面的文献阅读已经知晓相关思路 为后续的分析和写作打下基础 故一步一步操作就好了 师弟师妹们如果要做类似的研究（换个疾病） 如果我关注的疾病被别人写过了怎么办？ 这个问题很好解决，和之前的方式一样 –换地区：别人做Global，那我关注亚洲？非洲？发展中国家？ –换人群：别人做全部人群，我关注儿童？关注老年？ –换时间：因为2021年的数据已经更新了，所以可以换时间到2021 所以说文章是写不完的 科研是一个不断探索和发现新问题的过程 通过不断变换研究的视角和方法，可以持续产出新的研究成果。 今天的所有表格和图片就完成了 后面就要开始写作啦！
今天给大家推荐一个生信数据库👇 TWAS数据库是整合了GWAS（全基因组关联分析）和基于共同变异的表达图谱研究结果的数据库，旨在确定与表型相关的基因表达调控区域。这类数据库通过整合和分析大量的遗传变异、基因表达和表型数据，为研究者提供了探索基因和性状之间复杂关系的宝贵资源。其中，TWAS Atlas是一个典型的TWAS数据库，它整合了广泛文献中的TWAS发现，为研究者提供了一个强大的资源平台。 ⭕TWAS数据库的数据类型 TWAS数据库中的数据类型主要包括以下几种： 遗传变异数据：这类数据通常来自GWAS研究，包括单核苷酸多态性（SNP）、插入缺失（InDel）等遗传变异信息。这些数据是TWAS分析的基础，用于识别与表型相关的遗传变异。 基因表达数据：基因表达数据通常来自RNA-seq、微阵列等高通量测序技术，用于测量不同组织或细胞中基因的表达水平。这些数据在TWAS中用于构建表达量数量性状位点（eQTL）模型，进而识别与遗传变异相关的基因表达变化。 表型数据：表型数据是指可观测的生物学性状或疾病状态信息。在TWAS中，表型数据用于与遗传变异和基因表达数据进行关联分析，以识别与特定性状或疾病相关的基因。 整合分析数据：TWAS数据库还包含整合分析数据，即将遗传变异、基因表达和表型数据进行综合分析后得到的结果。这些数据通常以特定基因与表型之间的关联形式呈现，为研究者提供了直接的生物学意义。 今天要分享的学员就是挖掘TWAS数据库，没有做实验验证成功发表的，一起来看看今天的学员案例吧 接收期刊：Turkish Journal of Gastroenterology 📉IF=1.4；中科院4区SCI 📍发文方法：生信分析 🔬研究方向：【胃肠肝病方向】
扭转学生思维 虽然我们还在学校上学，但严格来讲，研究生其实已经不再是真正的学生了。 你会发现，很多人管导师不叫老师，而是叫“老板”，这是因为大家都是在同一个师门下给导师打工。 学生思维最突出的表现就是“等人教” 但很多东西导师不教，默认你会，有的他自己其实也不清楚。 所以，学会自学，是读研的第一步。 不要随意掏心窝子 师门内随意吐槽导师和师兄师姐是大忌，那些掏心窝子的话，反而会成为别人背刺你的利刃。毕竟，你怎么知道你吐槽的人和面前倾听的人是什么关系呢？ 天下没有不透风的墙，很多时候大家表面上不说，只是彼此心照不宣而已。 与其吐槽抱怨，不如背后多夸夸别人，背后夸人，是高情商处事的第一条。如果被夸的人知道了，对方会非常开心，对你的好感会倍增，而且效果远远好于你当面夸他。 以终为始，明确方向，趁早开始写小论文 医学读研三年看似很长，但实际上留给我们的时间并不多，而且专硕的同学有33个月都在医院规培，既要完成学业、又要完成规培、还要兼顾好科研，所以时间其实非常紧张！！ 我见过很多师兄师姐，因为研一研二没有规划好目标和方向，研三大小论文加秋招春招加答辩，搞的昏天暗地焦头烂额，更有甚者差点毕不了业。 所以建议大家，趁早了解清楚毕业所需的小论文，最好在研一下学期就开始着手准备。 医学生怎么准备小论文？ 医学读研尤其是专硕，大家大部分时间都在临床上，根本没有时间和精力做基础科研。 我也是这么过来的，所以推荐大家学习不用做实验的临床回顾性研究。 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。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做临床研究。 宝藏公共数据库有： 🚩MIMIC数据库，适合全科 🚩SEER数据库挖掘，适合癌症 🚩NHANES数据库挖掘，适合全科 🚩MIMIC数据库挖掘，适合重症研究 总有一个数据库适合你！！选中目标冲就完事了，祝大家都能研究生生活充实美好，顺顺利利毕业~…
医学生一起学起来，挑战7天完成一篇趋势性分析 Day 2! 今日进展： 继昨天确定了目标期刊和文献后 我对选定的主题进行了深入的评估，判断其可行性 选题是任何一个研究中最重要的一步 选对了就是事半功倍 选错了就是一切努力都可能白费 只要确定主题有研究价值 我们就能信心满满地攻克所有方法学难题 毕竟，“所有方法学都一定会被掌握” 而且“框架写作法”会快射上手成稿 接着，我下载并精读了几篇基于GBD趋势性分析的高分经典文献 发现结果展示部分大同小异 主要区别在于研究的疾病不同 写作风格和结构也有共通之处， 那么，我该重点分析哪些具体内容呢？ 通过阅读目标期刊的相关文献，我明确了需要完成的内容： –发病率和年均百分比变化(AAPCs) –患病率和AAPCs –DALYs率和AAPCs –全球发病率地图 –新病例数量变化 –发病率、患病率和DALYs率的趋势分析…