宝子们，今天和大家分享一篇浙大二院发表的一篇关于应激性高血糖比率（SHR）与重症脑血管病患者死亡风险的研究。 ⭕️统计路线 数据来源与样本选择：研究数据来自MIMIC-IV数据库，共纳入2,461名脑血管疾病患者。 变量测量：收集了患者的年龄、性别、合并症、实验室检查结果、生命体征、疾病严重程度评分等信息。 SHR计算：SHR的计算公式为：[(入院血糖（mg/dL）)/(28.7 * HbA1c（%）− 46.7)]。 统计分析： 描述性统计：对连续变量和分类变量进行描述。 生存分析：采用Kaplan-Meier生存分析评估不同SHR组的死亡发生率。 Cox比例风险回归模型：构建了三个模型，分别未调整、部分调整和完全调整混杂因素，分析SHR与死亡风险的关联。 限制性立方样条（RCS）分析：用于评估SHR与死亡风险之间的关系是否为非线性。 ROC曲线和C指数：评估SHR对死亡风险的预测能力，并计算了IDI和NRI来评估SHR加入现有模型后的预测改进。 关键结果 SHR与死亡风险的关联：SHR每增加一个标准差，院内死亡风险增加35%，ICU死亡风险增加37%。当SHR超过0.77-0.79时，死亡风险显著增加。 亚组分析：在非糖尿病患者中，SHR与死亡风险的关联更为显著。此外，女性患者中SHR的预测价值更为突出。 预测能力的提升：将SHR加入现有的风险评分模型（如APSIII、SAPSII、OASIS和SOFA），AUC值均有显著提升，表明SHR能够增强模型对临床结果的预测能力。 ⭕️简要结论 SHR是重症脑血管病患者院内死亡的独立风险因素，且与死亡风险呈线性关系。将SHR纳入现有预测模型可以提高模型的预测性能，有助于临床医生识别高风险患者，以便进行更密切的监测或早期干预。 ⭕️思维分享 指标选择的重要性：本研究中，SHR作为一个新兴的指标，相较于传统的血糖测量方法，更能准确反映急性应激性高血糖状态。这提示我们在科研中，选择合适的指标对于研究结果的准确性和可靠性至关重要。 混杂因素的调整：在统计分析中，研究者通过构建不同的模型，逐步调整混杂因素，确保了结果的稳健性。这强调了合理控制混杂因素对于揭示变量之间真实关系的重要性。 预测模型的优化：通过将SHR加入现有模型，研究者成功提高了模型的预测能力。这表明不断探索和引入新的预测指标，对于优化现有预测模型具有重要意义。
Day 3-4：文献精读+数据准备+代码准备 机器学习到底在分析什么？ 大家可能会有这样的疑问 一篇机器学习相关的文章到底什么最重要呢 对于我们临床医生来说 让我去解释算法、去敲代码是“对牛弹琴”的 所以我们的重心要调整到数据和结果的解释 而不是纠结算法到底是什么样的 这个我们稍微能懂一点儿就可以 能跑通代码、能跑的出来结果、能够对图片进行解读 这是我们医疗工作者应该关注的 数据哪里来？ 可以是自己科室的既往数据 也可以是以前发过的文章的数据 也可以是公开数据库的数据 我们这次挑战使用的是nhanes数据 因为前面单独挑战过nhanes 我们就不过多的介绍nhanes了 总体来说，就是一个同样的数据集的不同处理方式 那模型又是什么？ XGBOOST这些都是对应的一个模型 这个我们可以一定程度上忽略 在医学上不会过分关注算法 只要能用就行…
回顾性队列研究是一种观察性研究，通过收集和分析历史数据来回答问题。 今天小编就来给大家解析一下这种研究方法的优势及与其他研究类型相比对数据要求的便捷性 ⭕研究方法的优势可以归纳 ⭕对数据要求的便捷性 数据收集相对容易：回顾性队列研究的数据收集相对容易，因为研究者不需要实时收集数据，而是从已有的记录中追溯所需的信息。这大大节省了人力、物力和时间。 适合大型数据库分析：回顾性队列研究非常适合对大型数据库或现有资料进行分析，因为这些数据库通常包含了大量的历史数据，可以满足研究的需求。 设计灵活且适用于多种研究目的：回顾性队列研究的设计相对灵活，可以根据不同的研究目的进行调整。同时，由于数据是现成的，因此可以快速收集并分析数据，适合时间紧迫的研究。 今天要分享的学员就是呼吸方向用单位数据做的回顾性队列研究成功发表文章的 ✔接收期刊：BMC Pulmonary Medicine 📉IF=2.6；中科院3区SCI 📍发文方法：呼吸方向使用单位数据做的回顾性队列研究
广州中医药大学近期发表在10.7分1区牛刊《Redox Biology》的一篇文章很有意思，大家一起看看。 📑《Machine learning and SHAP value interpretation for predicting comorbidity of cardiovascular disease and cancer with dietary antioxidants》 （基于机器学习与SHAP值解析膳食抗氧化剂对心血管病与癌症共病的预测） ⭕️研究背景：心血管疾病（CVD）与癌症常“相伴而生”，两者共享氧化应激、炎症等病理机制。而膳食中的抗氧化剂（如维生素、多酚）能中和自由基，可能降低共病风险。但传统统计方法难以处理复杂数据关系，机器学习（ML） 结合 SHAP值解释 成为新突破！ ⭕️研究过程（详见图2）…
其实还在挣扎当中！！不能放弃！！ 医学读研期间，导师通常会让我们学习写一篇Meta分析，一是Meta分析能快速发表SCI，可解决毕业的小论文问题，也可以在研究生期间多积累科研成果。二是Meta分析特别适合科研小白入门。 为什么入门最好去学Meta分析？你想想你刚进课题组的时候，是不是直接上？根本没人教你基础的科研技能，上课也不会有成体系的科研基础课，好像老师们都默认我们会。 如果你想尽快跟上课题组的节奏，自己就要快速适应科研工作。这时学习Meta分析，你就会遇到大量问题，文献怎么检索怎么筛选？医学统计怎么回事？SCI写作有哪些技巧？SCI选刊投稿是怎样的流程？当你成功发表了一篇Meta分析后，你会发现这些技能你已经有了一定的基础！ 所以医学科研小白学习Meta分析，可以给自己一个接触科研的缓冲机会，毕竟它比基础实验温柔多了，能让你迅速了解学术语言，体会科研是怎么一回事，从而更快地适应医学科研。
挑战7天光速完成一篇药物靶向MR，Day 4-5!进度汇报：寻找靶基因+跑代码+出图片药物靶向的代码非常的简单也非常的好理解，但是要注意的是要搞清楚整个过程中的思路第1步：明确蛋白与疾病表型存在明显的因果关系或者已知该蛋白能够有效作用于该疾病的治疗。第2步：寻找调节该蛋白表达的一类基因来模拟药物作用第3步：寻找到这个靶基因后获取其工具变量与疾病进行单变量MR分析。 这就是我们的药靶的文章设计思路很重要的一部就是寻找靶基因一般我们通过eQTL的网站无寻找https:/www.eqtlgen.org/因为基因表达的过程会受到很多的调控所以不仅要关注该基因，还要关注该基因的上下游1兆的基因信息 我的eGTL的数据来源于Genomic atlas of the proteome from brain, CSF and plasma prioritizes proteins implicated in neurological disorders，里面包括了来自人体血浆、CSF等的eQTL数据我对这些下载来的数据进行了预处理实际上本质就是本地数据的数据处理然后再用这些数据进行药靶MR的分析 然后再做一个共定位分析其实就是看暴露X与结局Y的GWAS summary中该区域的所有SNP的位置是不是基本一致的今日图表弄完啦，就要开始写作啦！
Day 2：选题Triple check 昨天一通检索，初步有了选题方向， 数据就用NHANES数据，方法就是机器学习 但那还远远可不够， 所以今天必须深层次地确认选题。 要知道，机器学习虽然很新， 但是相关的文章如潮水般涌现， 要是不小心选了个别人早就做过的选题， 那这 7 天可就白忙活了吗， 这也是在提醒大家一定要充分选题讨论， 方向对了的努力才叫努力 选题的重要性怎么说都不过分。 虽说筛选和确定选题要耗费不少时间和精力， 可这绝对是关键的第一步。 一个出众的有意思的选题， 直接关系到最终能不能发表， 能不能发表在高水准的期刊上。 要是发现类似研究已经扎堆， 那就得调整思路，怎么搞点儿不一样的“创新点”。 这个过程中一定要深度的学习目标文献 这样就找准到了目标…
今天分享的文章发在Journal of Cachexia, Sarcopenia and Muscle，9.4分，中科院1区 ⭕️研究背景：宫颈癌（CC）是女性中第四大常见癌症，也是癌症相关死亡的第四大原因。尽管预防和早期筛查技术有所进步，但宫颈癌在欠发达国家仍较为普遍，对全球公共卫生系统造成重大负担。骨骼肌是人体最大的器官，其质量不足（即肌肉减少症）与衰老和癌症密切相关，是癌症相关营养不良和恶病质的重要特征。近年来，肌肉质量对癌症患者临床预后的影响受到越来越多的关注，尤其是在癌症治疗期间肌肉质量的变化可能对患者的生存和疾病进展产生重要影响。 ⭕️研究方法（篇幅有限，详见图2） ⭕️研究结果 治疗前肌肉减少症与临床预后的关系： 单变量分析显示，治疗前肌肉减少症与总生存（OS）显著相关（HR 1.58，95% CI：1.16–2.14，p = 0.003），与无进展生存（PFS）也显著相关（HR 1.63，95% CI：1.16–2.29，p = 0.005）。 多变量分析显示，治疗前肌肉减少症与OS（HR 3.09，95% CI：2.07–4.61，p < 0.00001）和PFS（HR 1.55，95%…
Day 1：确定选题、锁定目标期刊、找到关键文献 给各位师弟师妹们汇报一下最近的情况 前面应大家的要求 在大家的督促下完成了多期网状meta的挑战 非常开心的顺利完成了挑战 大家的学习热情就像燃烧的火焰 所以现在我们挑战机器学习构建预测模型，7天完成！ 预测模型大家都比较熟悉了 那怎么加入机器学习这个热点话题呢 就是一股股劲儿，冲就完事儿！ 现在人工智能、机器学习的浪潮席卷而来 一点儿也不夸张的说，绝对是我们未来的新方向 2024年的诺贝尔物理学奖颁给了神经网络 Deepseek给我带来了莫大的惊喜和超级的期待 这不仅是挑战，更是我们科研路上的加速器！ 我在Pubmed上面进行初步的检索 最近几年的机器学习文章数量呈现井喷 什么XGBOOST、LGM等等模型 在医学上的应用也是越来越广泛，文章也是越发越高 每天都能收到师弟师妹们的咨询， 不是问这个算法怎么用， 就是问那个数据咋处理， 看得出来大家也都对机器学习在临床医疗的巨大潜力 “虎视眈眈”…
Day 1：确定选题、锁定目标期刊、找到关键文献 给各位师弟师妹们汇报一下最近的情况 前面应大家的要求 在大家的督促下完成了多期网状meta的挑战 非常开心的顺利完成了挑战 大家的学习热情就像燃烧的火焰 所以现在我们挑战机器学习构建预测模型，7天完成！ 预测模型大家都比较熟悉了 那怎么加入机器学习这个热点话题呢 就是一股股劲儿，冲就完事儿！ 现在人工智能、机器学习的浪潮席卷而来 一点儿也不夸张的说，绝对是我们未来的新方向 2024年的诺贝尔物理学奖颁给了神经网络 Deepseek给我带来了莫大的惊喜和超级的期待 这不仅是挑战，更是我们科研路上的加速器！ 我在Pubmed上面进行初步的检索 最近几年的机器学习文章数量呈现井喷 什么XGBOOST、LGM等等模型 在医学上的应用也是越来越广泛，文章也是越发越高 每天都能收到师弟师妹们的咨询， 不是问这个算法怎么用， 就是问那个数据咋处理， 看得出来大家也都对机器学习在临床医疗的巨大潜力 “虎视眈眈”…