完成挑战！进度汇报：全文框架写作法写作+投稿准备（翻译+润色+选刊） 本次的主要内容是完成写作和进行投稿。写作真的是最简单的部分，在选题确定后实际上我就在写材料的内容，这部分内容基本是一样的。和MR一样可能不一样的也就是GWAS的来源，利用GBD数据库进行挖掘的方法学同样类似“框架写作法”进行写作，2天时间戳戳有余。1天时间完成初稿、添加文献、模板化内容写作1天时间进行润色、投稿文章都是靠时间堆积出来的，科研都是靠时间堆积起来的在上班期间可以挤出一些小时间完善这部分的工作完全OK写是写完了，给再仔细琢磨琢磨，给大boss看看如果没有大问题近期就按照目标期刊的要求去投稿啦 简单总结一下本次GBD的挑战：从GBD数据库下载某个疾病的相关数据通过代码跑出相关图片、表格进行不同层面的可视化展示第1天：设定目标第2-3天：深入明确选题可行性第4-5天：跑代码+出图片第6-7天：写作+等待投稿 总之，思路是简单而且清晰的明确选题+数据下载+核心代码就能轻松实现高分文章如果选择的那个疾病没有被别人写过甚至是20+分、30+分文章。 最近有一些师弟师妹们对meta、nhanes、肠道菌群MR都比较感兴趣其实我们有一整套的方案，一套光速、高效出成果、发文章的方案：从文献阅读→选题→数据分析→论文框架→论文写作→方法学（双样本MR、药靶、中介、多变量、肠道菌菌群、Meta、NAHNES、GBD、Case Report、预测模型。。。）为了高分，冲锋，一起加油呀！！
文章题目：Causal association between snoring and stroke: a Mendelian randomization study in a Chinese population中文标题：打鼾与中风的因果关系:中国人群的孟德尔随机研究
挑战7天光速完成一篇GBD，Day 4-5!进度汇报：跑代码+出图片GBD的数据提取实际上是非常容易获得的，而且并不需要复杂的数据清洗。按照不同的需要在网站上面进行数据下载，下载的数据通过整理好的代码跑一遍就能获得所有的表格和图片。 实际上，通过我们对GBD文章的解读，发现这有点儿像“描述性研究”。在不同水平（国家和地区）、不同性别（男女）等的描述以及可视化展示。文章的思路非常清晰。 师弟师妹们如果要做类似的研究，非常简单，换一个自己感兴趣的方向很快就能上手。那有的师弟师妹们可能会问：我关注的疾病被别人写过了怎么办？这个问题很好解决，我们在检索的过程中发现即使同样的方向依然有多篇文章–换地区：比如别人做了Global， 那我只关注中国？我关注亚洲？我关注金砖国家？这都是可以挖掘的点–换人群：别人关注了全部人群，我只关注儿童？只关注老年？–换时间：同样的主题，用不同年份的数据（2021年数据最近才更新）–换角度：相同年份同一个细分方向的数据也可以有多个角度。。。。 所以说idea不会少，文章是写不完的敲定选题后就一个图片、一个表格的跑代码我的代码就跑完啦图表就弄完，就要开始写作啦！
挑战7天完成一篇GBD，Day 1!在师弟师妹们的见证下，NHANES、MR、Meta我们都已经成功挑战很多期啦我们换一种挑战，那就是GBD（Global Burden of Disease）当听到这个名字的时候，Global肯定就知道这个数据库十分不简单GBD都是四大顶刊的常客了而且最大的特点就是统计方法很简单也不涉及复杂的数据清洗更重要的是不管你是临床、护理，还是公卫都能进行实操 我在Pubmed上面进行了初步的检索“Global Burden of Disease”发现总共有3万多篇，发文量呈现逐年增多的趋势大致浏览了一下发表的文章质量让我口水直流啊！！！同样的思路移植到我自己的关注的领域或者疾病就是一篇新的顶刊paper所以也来尝试挑战挑战自己 老规矩，首先要设定目标期刊因为我比较喜欢心内科，关注心内科疾病相对来说多一些，我初步检索了一下“GBD and heart failure”竟然有600+篇而且里面最简单的已经被写过了我得琢磨琢磨能不能从里面挖掘点儿信息出来琢磨选题花了大量的时间那就换了一个在数据库里面有的但是相对来说比较小众的心内科疾病 开干啦，选了个近期发表过GBD挖掘的期刊作为我的目标期刊就把Public Health暂定为我的目标期刊吧但是我觉得可能工作不止这个量值得更高IF的期刊就先选定这个期刊吧，到时候再调整 我选定了来自上海交通大学2024年2月刚发表的文章‘Burden of heart failure in Asia, 1990-2019: findings from the…
进度汇报：自从确定了目标期刊后，我的任务主要集中在选题 熟悉我们的师弟师妹们都知道，我们一直给大家传递的理念是选题立意比实操更重要，Idea比流程化的操作更重要，没有好的立意和选题，文章质量肯定欠佳。第一我有信心能顺利的完成后面所有的Table 和Figure，有信心通过“框架写作法”高效、光速的进行写作成稿第二，不管是MR还是NHANES还是GBD,方法学都是一样的。也就是说，我只要准备了相关的代码，从GBD数据库中下载了相关的数据，直接进去跑就可以啦。你可能会想：这不就是和我们MR、NHANES思路一样嘛？对的，实际上所有的公开数据库都是一样的。获取数据、清洗数据是最复杂、费时费力的，而跑代码就是“易如反掌” 所以这两天我用了充分的时间进行选题。本来想选“Heart Failure”，这种选题肯定被人做了，避免撞车的情况，我换了个在数据库里面有这个病但是比较小众的病。随后我去精读了几篇基于GBD数据库的高分文献，发现大部分的GBD文章的文章模式是类似的。正如肠道菌群、中介、药靶MR等，无非就是换了个疾病而已。 确实有些人就能发顶刊BMJ也能拿下。基本在Q1、Q2左右，分还蛮不错的。 通过文献的精读，大概整理了类似文章的结构–全球及地区水平负担–国家水平负担–全球负担地图–不同性别和年龄的疾病负担对比–全球和地区水平的疾病负担与SDI相关性–国家水平的负担与SDI相关性–负担的危险因素分析 当然也有一些其他的文章模式，我们后面一步步挑战 好的，今天的分享就到这里了！
今天给大家分享一篇在2023 年 4 月发表在《BMC Psychiatry》（2区，IF=4.4)的文章。本文这项研究利用了孟德尔随机化(MR) 分析方法，基于公开可用的遗传数据，探索了免疫细胞特征与精神分裂症（SCZ）之间的因果关联。暴露：免疫细胞特征，包括 731 种免疫细胞特征（7 组），涵盖了中值荧光强度（MFI）、相对细胞（RC）、绝对细胞（AC）和形态参数（MP）结局：精神分裂症（SCZ）
文章题目：Kidney Function Measures and Mortality: A Mendelian Randomization Study 中文标题：肾功能测量与死亡率： 孟德尔随机研究
今天给大家分享一篇在 2022 年 9 月发表在《Frontiers in Public Health》（1区，IF=5.2)的文章。本文这项研究利用了美国国家健康和营养检查调查（NHANES）的数据，构建了一个 XGBoost 机器学习模型，用于预测参与者的肝硬度测量（LSM）。研究包括了一般特征信息、血液检测指标和与胰岛素抵抗相关的指数，如胰岛素抵抗的家庭评估模型（HOMA-IR）和胰岛素抵抗的代谢评分（METS-IR）。 文章题目：Machine learning models including insulin resistance indexes for predicting liver stiffness in United States population:…
今天给大家分享一篇在 2023 年 4 月发表在《Aging Cell》（1区，IF=7.8)的文章。本文这项研究利用了美国国家健康和营养调查（NHANES）的数据，包括18,794名参与者，来开发和验证一个新的生物年龄（Biological Age, BA）指标，称为AnthropoAge。暴露：研究的暴露因素包括多种人体测量学参数，如腰围、身高、体重、BMI、腰高比（WHtR）、上臂围和大腿围等，这些参数被用来预测10年全因死亡率，并生成一个新的生物年龄度量。结局：研究的主要结局是10年全因死亡率和特定死因死亡率，如脑血管、阿尔茨海默病、慢性阻塞性肺病（COPD）等。