⭕️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…
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】
2024年，NHANES数据库一共更新了三波数据： 1️⃣ 7月31日，NHANES更新DNA甲基化数据 更新的数据来源于NHANES 1999-2000年和NHANES 2001-2002年两个周期内收集的血液样本中提取的DNA样本。 研究团队通过高通量测序技术，分析了这些样本中的DNA甲基化模式，这对于理解人体的表观遗传变化至关重要。 利用此次更新的数据，我们不仅可以验证现有的假设，揭示疾病的发生发展机制，评估个体健康状况以及制定预防策略，还可以探索新的关联。此外，由于NHANES数据库可以免费下载，这意味着我们可以节省大量时间和资源，直接投入到数据分析和结果解读中，从而加速研究的步伐。 2️⃣ 10月初，数据库再次更新！ 2021-2023年的人口统计数据、检查数据、实验室数据、问卷数据重磅来袭！ 💡 人口统计数据：包括人口统计变量和样本权重。💡 检查数据：包括血压、身体测量数据、肝脏超声瞬时弹性成像数据。💡 实验室数据：包括各类体液检查数据。还增加了一些新指标，例如Alpha-1-酸性糖蛋白、全血细胞计数及5分类差异、铁蛋白等。💡 问卷数据：包括各类有关生活方式、病史以及有害物质暴露的数据。 利用这些数据，可以尝试从以下几个方面进行研究： 3️⃣ 10月31日，NHANES数据库又更新了2021.8-2023.8新冠疫情期间的饮食数据！ 此次更新的数据，来源于2021年8月~2023年8月周期，是由移动检查中心（MEC）访问期间对参与者进行电话访谈所收集的饮食回忆信息。 利用这些数据我们可以：💡 探讨疫情期间人们的饮食行为（如饮食频率、食物种类、营养素摄入等）是否发生了显著变化。💡 探讨疫情期间，慢性病患者（如糖尿病、高血压等）的饮食管理变化及其对健康的影响。💡 研究不同饮食模式对免疫系统功能的影响，探讨如何通过饮食增强免疫力，以更好地应对COVID-19等感染性疾病。 所以，新的风口又已经出现，你当前的任务就两个：1️⃣…
全是学了立马能用的真本事，学会了至少为接下来的科研节约85%的时间~光速科研 开营第一天开始指导师妹选题，安装代码包跑代码解决bug.手把手教学、保姆式服务~不止带着选题、数据分析、写作，更教会师妹师弟选题、数据分析、光速写作~2025.1.02光速科研～第一节直播课后师妹师弟反馈～(远程指导手把手带教~) 选题、跑代码（分析）、写作、润色、投稿选刊、返修，全流程，手把手教学~光速科研~每个步骤都会手把手帮助师妹师弟，直到论文接收~今日可插班在课题组助教、代码助教指导下完成直播课学习~
前几天北大团队用网状Meta发1区，这又用剂量反应Meta发1区，果然掌握了顶刊密码！ 期刊：Clinical Gastroenterology and Hepatology，IF11.6，中科院1区Top ⭕️研究背景：炎症性肠病（IBD），包括克罗恩病（CD）和溃疡性结肠炎（UC），是一种慢性胃肠道炎症性疾病。近年来，IBD的发病率在全球范围内呈现上升趋势，尤其是在新兴工业化国家。抗生素是常用的药物之一，其使用量在过去几十年中显著增加。研究表明，抗生素可能通过改变肠道微生物群落结构，增加某些代谢和免疫疾病的风险，包括IBD。然而，关于抗生素暴露与IBD风险之间的关联，尤其是是否存在剂量-反应关系，目前的研究结果尚存争议。 ⭕️研究方法: ⭕️研究结果： 总体关联：抗生素暴露与新发IBD风险显著相关。基于处方数据的研究显示，抗生素暴露使IBD风险增加了41%（合并OR=1.41，95% CI: 1.29–1.53），而基于问卷调查的研究也显示抗生素暴露使IBD风险增加了35%（合并OR=1.35，95% CI: 1.08–1.68）。 亚组分析：抗生素暴露与IBD风险的关联在克罗恩病和溃疡性结肠炎中均存在，且在儿童和成人中均观察到类似的结果。对于处方数据的研究，抗生素暴露在生命早期（出生后第一年）或诊断前5年内均与IBD风险增加相关。 抗生素种类：大多数抗生素类别均与IBD风险增加有关，其中甲硝唑（OR=1.70，95% CI: 1.38–2.10）和喹诺酮类（OR=1.56，95% CI: 1.37–1.77）的风险估计值较高。 剂量-反应关系：抗生素处方数量与IBD风险之间存在正向非线性剂量-反应关系，即随着抗生素处方次数的增加，IBD风险呈非线性增长（P<0.001）。 文章总结：本研究通过对28项涉及153,027名IBD患者的研究进行系统评价和Meta分析，发现抗生素暴露与新发IBD风险之间存在显著关联，尤其在克罗恩病和溃疡性结肠炎中表现明显。抗生素暴露不仅在儿童和成人中均增加IBD风险，而且不同类型的抗生素（如甲硝唑和喹诺酮类）表现出更高的风险估计值。此外，研究还发现了抗生素处方数量与IBD风险之间的正向非线性剂量-反应关系。这些结果提示，抗生素的不当使用可能是IBD的一个潜在环境触发因素，加强抗生素管理（如抗生素 stewardship）可能有助于降低IBD的发病风险。