和之前推荐的NHANES数据库不同的是，本期的SEER数据库更适合做重症研究，近些年来非常受国人研究者的喜爱，就连院士们也在用这个数据库发文章哦~~ SEER数据库，是由美国国立癌症研究所，于1973年创建的美国人群癌症数据库，记录了大约35％美国人口的癌症诊断、治疗和生存数据。数据信息涵盖了患者的注册编号、人口学特征、原发病灶部位、肿瘤尺寸、肿瘤编码、治疗方案、死亡原因等等。 在Pubmed上搜索 [SEER] 主题文章，可以发现，相关文献的发表数量呈逐年上涨趋势，国人发表数量的占比在2022年达到了惊人的66.69%。在发表的国家里，中国排名第一，是第三名加拿大发表数量的近10倍，足以可见用SEER数据库发文有多受国人喜爱了。 1️⃣SEER数据库基本挖掘步骤，全程免费，申请后可以直接下载。 2️⃣如何基于SEER数据库选题？ （1）研究主题的创新：可通过一些很细微的转换或改变进行创新。 （2）统计学游戏：基于统计学手段，进行一些花哨的拼贴，然后做成各种套路。 如果你也想在2025年学习SEER数据库挖掘，并发表一篇SCI，我们光速医学专业团队可以一对一教学你发表，从0开始协助你选题，确认选题后再开展教学！ 1 什么是SEER数据库？ 美国国立癌症研究所数据库，简称SEER数据库，该数据库记录了美国部分州上百万名恶性肿瘤患者的发病率、 死亡率和患病情况等信息。数据免费开放，全球肿瘤研究者均可以通过申请获取部分数据。 2 有哪些数据？ 数据库所涉及的肿瘤被划分为9类：乳腺肿瘤、结肠与直肠肿瘤、其他消化系统肿瘤、女性生殖系统肿瘤、 淋巴系统肿瘤与血液系统肿瘤、男性生殖肿瘤、呼吸系统肿瘤、泌尿系统肿瘤及其他尚未确定的类。 记录包括患者注册编号、个人信息、原发肿瘤部位、肿瘤形态和尺寸、部分免疫组织化、诊断阶段、治疗方案、 生存状态随访和死亡原因等临床回顾性数据。 3 如何获取数据？ 一般第二天，就会收到 SEER 的回信，会给到确认姓名和邮箱以及…
进度汇报：完成写作+投稿前准备 昨天已经完成了写作的方法和结果部分啦！ 今天刚好是周末， 打算一鼓作气完成剩下的部分！ 根据前期的NHANES或者GBD的挑战， 大家会发现我们写作的时间都不是特别长， 因为写作其实是坠简单的， 根据我们的“框架写作法”， 任何类型的文章都可以拿下！ 在写作前，我已经大量精读了类似的文章， 对整个行文逻辑有了大致的了解后， 才开始动的手， 今天的任务量还是很重滴！ 需要完成引言、讨论、摘要等部分， 然后翻译、润色， 补充模块化语句， 以及根据目标期刊的投稿要求调整内容！ 意料之内～ 这次也在2天之内写完了初稿！ 将所有准备好的内容发给导师看过后， 就准备投稿咯！ 光速完成一篇脂质体组学孟德尔随机化，挑战成功！！！
众所周知生信分析可以应用于基因组学、蛋白质组学、微生物学等不同领域，可以帮助咱们更好地理解基因和蛋白质的功能，以及微生物群落的结构和功能，还可以用于临床研究，正是因为应用这么广泛，生信才会一直爆火。 但随着生信分析井喷式增长，现在的生信分析已经没有往些年好发了，不少人抱怨辛苦写的生信分析又烂手里了！ 今天特地为大家搜集了7个生信研究热点，学会跟热点，找准生信分析风口，发表机会才更大哦！ 由于字数原因，上图每个方向都给大家做了解释，总结了研究套路，还找了值得学习的文献，就不再此赘述啦（一定要看！纯干货！） 省流版7大热点方向： 1️⃣巨噬细胞 2️⃣中性粒细胞外诱捕网（NETs） 3️⃣瘤内菌群 4️⃣共病 5️⃣双硫死亡 6️⃣血管生成拟态 7️⃣mG7修饰 —— 很多医学生还在观望，要不要花精力去学习生信分析，不管身边人怎么说，你只需要记住，无论什么时候，生信分析都值得医学生去学。 生信分析不仅仅是能满足医学生持续发文的需求，而且是像英语一样的必学技能，可以帮你懂得如何利用大数据，如何分析自己的数据，如何利用别人的数据为自己研究添砖加瓦。 就这么说吧，虽然生信分析难啃，但啃下来，对医学生终身受益！（亲身体会） 生信分析的广泛应用 生信分析可以应用于基因组学、蛋白质组学、微生物学等不同领域，可以帮助更好地理解基因和蛋白质的功能，以及微生物群落的结构和功能。近年来，生信在临床研究中应用广泛，其热度一直不减。 然而，随着生信分析的广泛使用，竞争愈加激烈。想在这个领域发表高质量文章，必须抓住当前的研究热点。 今天特别为大家搜集了7个生信研究热点，学会跟热点，找准生信分析风口，发表机会才更大哦！ 1. 巨噬细胞 巨噬细胞拥有两种亚型（促炎作用的M1和抗炎作用的M2），它们在多种疾病或肿瘤的发生和治疗中有重要影响。同时，巨噬细胞与免疫调控组的复合研究近几年涌现不少高分佳作。 相关生信研究思路 比较经典的思路是联合单细胞转录组和bulk转录组分析巨噬细胞的相关标记物。…
今天要给大家推荐一本公共数据库友好的SCI期刊——Frontiers in Public Health ⭕️接收文章方向：老龄化与公共卫生、儿童与健康、临床糖尿病、数字公共卫生、灾害和急救医学、环境健康与暴露组学、卫生经济学、传染病：流行病学和预防、伤害预防和控制、生命历程流行病学和健康方面的社会不平等、职业健康与安全、行星健康、公众健康教育及推广、公共卫生政策、公共卫生和营养、公共精神卫生、辐射与健康、物质使用障碍和行为成瘾。 ⭕️接收文章类型：Meta、临床研究、原始研究、孟德尔都可以。没有明确的公共卫生相关性，不适合在本期刊上发表。此外，与公共卫生实践或政策无关的纯预测或预后模型的研究将不予考虑。该杂志不接受有关简单文献计量学研究的论文，也不鼓励发表横断面研究，但有例外。 ⭕️投稿小tips：系统评价类文章必须遵守 PRISMA 指南并得出与公共卫生相关的结论。孟德尔随机化研究结果的手稿需要附有完整的 STROBE-MR 检查表。 今天的学员案例就是投递的这个期刊，一起来看看吧~ 接收期刊：Frontiers in Public Health 📉IF=3；中科院3区SCI 📍发文方法：挖掘NHANES数据库 🔬研究方向：【儿科方向】
进度汇报：处理结果+跑出图表+完成前期写作 这么快已经到第四天啦！ 前两天我已经把数据都跑完了， 汇总表格以及结果图都也已经出来啦～ 接下来就是根据我们的要求进行数据筛选， 然后根据筛选的结果， 选出相应的留一法图、森林图、散点图、漏斗图， 并整理在一起就好啦！ 现在数据要求越来越高了， 我设的矫正P值小于0.05， 这种筛选标准也比较符合目前审稿人的要求～ 根据目标文献， 我还需要根据我的结果做出森林图以及相关热图， 拿出准备好的代码， 将数据替换成自己的， 就可以完美的跑出结果啦～ 今天科室里不忙， 结果跑完还有一定的时间富余， 那就开始写作的部分吧～ 模仿把方法和结果部分写了， 就回去休息咯～ 今日份挑战成功～大家都跟上我们的节奏了吗～
1. 如果一个检索词没有在PubMed中找到主题词，可以直接用自由词检索吗？ 可以的。如果Mesh主题词表里面没有检索到主题词，那么可以直接根据自由词检索。 一般而言，没有检索到对应主题词的主要原因是疾病名词为复合名词，例如“晚期乳腺癌”，本质是“晚期”+“乳腺癌”的复合词。 因此，检索主题词时最好的方法是拆分为两步：第一步检索“晚期”主题词，第二步检索“乳腺癌”主题词。这样操作可以有效找到所有相关的主题词。 2. 找不到英文文献全文是否可以删除？ 不可以。对于Meta分析而言，文献和数据是最重要的，纳入的文献越全越好，直接删除英文文献显然不是一个好选择。 对于下载全文需要付费的文献，可以利用以下方法获取： 论坛求助：如香园、求助板块、小木虫等。 文献求助平台：全国图书馆参考咨询、谷歌学术。 直接联系作者：通过邮件询问是否可以提供全文。 如果尝试后仍未找到全文，可以在Meta分析中标注为“未找到全文”，但不建议轻易删除相关文献。 3. 文献搜索范围是否需要加入CNKI等国内数据库？ 是否需要纳入国内期刊，主要取决于审稿人。按照Meta分析的要求，要全面检索，应该检索国内数据库。但放到具体的投稿来看，不同的期刊审稿人的要求和偏好也不同： 如果目标是投SCI，则不推荐检索中文数据库，中医等学科除外。 这类学科必须要检索国内数据库，以满足学术需求。 4. 检索到的文献经筛选只有四篇符合的，可以做Meta分析吗？如果不可以最少需要纳入多少篇文献？ 这个问题没有标准答案，一般来说： 一篇Meta分析的要求可合并的数量和结果≥2即可以分析。 但我们常看到的高级别Meta分析，最少需要5篇，质量略低一点的中等文Meta分析偶尔会出现3篇的情况。 如下图所示，为3篇文献Meta分析的例子： 5.…
今天要给大家推荐一本SEER数据库友好的SCI期刊——Updates in Surgery ⭕️接收文章方向：外科相关基本上都是可以的。 ⭕️接收文章类型：社论、系统评价、原始研究、技术说明和给编辑的信。 ⭕️投稿小tips：期刊官网给出了8个检查清单，投稿之前可以进行一一检查。 ⭕️审稿时间：根据官网数据，从提交到第一个决定需要47天，从提交到首次审后决定的平均 85 天，从接收到在线发布平均 9 天，接收的速度非常快。 今天的学员案例就是投递的这个期刊，一起来看看吧~ 接收期刊：Updates in Surgery 📉IF=2.4；中科院3区SCI 📍发文方法：临床研究挖掘SEER数据库 🔬研究方向：【肿瘤方向】 🔖医学SCI一对一指导学习，符合学术规范，学到真技能 就找光速医学
11月18号，中国农业大学团队基于NHANES数据库再次发表JAMA子刊，影响因子10.5，牛惨了~ 咋高分NHANES发的越来越多，你却连有意义的选题都找不到一个，本期来看看这篇范文的选题思路🤔 💡研究背景：心血管、肾脏和代谢 （CKM） 疾病在病理生理学上是相互关联的， 在 2015 年至 2020 年期间影响了超过 25% 的美国成年人， 并且是 2021 年的主要死亡原因。 根据危险因素和已确诊的疾病，分期范围从 0（无危险因素）到 4（已确诊心血管疾病 [CVD]）。很少有研究评估美国人群的 CKM 综合征分期；在这项具有全国代表性的研究中，作者评估了 CKM 综合征分期的患病率和时间演变。 💡技术路线： 数据调整 数据调整考虑了NHANES（国家健康和营养调查）的复杂抽样调查设计，包括层、主要抽样单元和概率权重，这些都被纳入统计模型中。 基线特征差异 使用调查加权线性回归分析连续变量，使用调查加权卡方检验分析分类变量，以评估五个CKM（心血管-肾脏-代谢）阶段和高级（3或4阶段）与非高级（0、1或2阶段）CKM阶段之间的基线特征差异。…
挑战继续进行~ 第2-3天的主要任务：精读范文+数据下载与整理+开跑代码 做任何一件事之前都需要有一个总的规划， 不能一上来就盲目开始操作， 这样往往做到一半还是稀里糊涂的！ 所以在开始跑代码之前， 我又精读了10篇相关文章， 了解需要做出哪些结果、用到哪些方法以后， 才开始下载数据！ 组学孟德尔的优点在于， 它的数据量很大， 当你所关注的结局和想做的组学没人研究过， 且有临床或基础研究支持时， 可以放心大胆的做， 很可能可以出阳性结果， 这是相比于数据库而言它的优势之处！ 对于科研小白和手上尚没有文章的医学生及医务工作者来说很友好～ 大家一起疯狂冲锋冲锋～ 我们在课程中也推荐了一些好用的科研利器来处理数据， 对于不适配的电脑， 我们也准备了相关的代码， 可以一键处理好外部数据。 数据整理好就可以开始跑代码啦～ 准备好相关数据以后， 天已经很晚了，…
有小伙伴说想了解一下nomogram列线图的文章。 今天小光就和大家分享一篇发表在Gastric cancer （IF=6）的文章，非常适合学习列线图。 标题：使用Nomograms预测接受联合细胞毒性化疗作为一线治疗的不可切除或转移性胃癌患者的生存率。 研究的对象：949例化疗的胃癌患者，观察终点是1年后患者的生存情况。 研究方法：Cox生存分析，预测模型的展示方法是nomogram列线图。 文章思路： 作者通过对医院现有化疗患者数据进行挖掘，建立了2个模型：一个是在化疗开始前进行预后评估，另一个是在化疗初期，通过化疗反应进行预后评估。2个模型是文章的最大亮点，nomogram作为载体展示了预测模型的结果，较为新颖。 科室特色疾病数据的挖掘是一种非常常见的思路来源，也是大家最容易掌握的临床科研方法。如果你有条件收集数据，但苦于科研基础差，不想浪费了数据，那么不妨找光速医学的老师指导你收集数据，发挥更大的价值！ 但是，如果你没有条件、或者不想收集数据，那么挖掘公共数据库是一个性价比很高的发文方式。 像SEER、NHANES、MIMIC、GBD这些数据库，有海量数据可供选择，利用别人的数据发自己的SCI真的很香。 对于小白来说，或许你连数据库长啥样都不知道，身边也没人带，想尝试但又怕自己学不会，浪费了时间。 你有以上顾虑的话，不妨了解一下光速医学的临床研究一对一指导，专业老师手把手指导你挖掘公共数据库，1V1定制教学内容，全程大佬带，不用担心走弯路，效率拉满！ Nomogram 列线图简介 诺模图（Nomogram）：一种图形化的计算工具，用于通过将多个变量的影响集成到一个单一的数值评分上，以预测某个特定事件的概率，评估患者的疾病预后、生存率等。 今天小光和大家分享一篇发表在 Gastric cancer (IF=6) 的文章，非常适合学习列线图。 标题：使用Nomograms预测接受联合细胞毒性化疗作为一线治疗的不可切除或转移性胃癌患者的生存率。 研究对象：949例化疗的胃癌患者，观察终点是1年后患者的生存情况。 研究方法：Cox生存分析，预测模型的展示方法是Nomogram列线图。…