重症医学数据库（MIMIC）是由计算生理学实验室开发的公开数据集，其中包括与数千个重症监护病房入院相关的去识别化健康数据，致力于推动临床信息学、流行病学和机器学习的研究。MIMIC数据库于2003年在美国国立卫生研究院的资助下，由美国麻省理工学院计算生理学实验室、美国哈佛医学院贝斯以色列女执事医疗中心(Beth Israel Deaconess Medical Center，BIDMC)和飞利浦医

‍引言“森林之神”——Boruta算法，是基于随机森林的一种特征选择方法，可以从众多特征中筛选出最重要的部分。今天分享的这篇一区top（IF 8.5）文章，学者就通过Boruta算法筛选变量，并通过四种机器学习算法构建了预测模型！慢性心力衰竭（CHF）是导致心血管相关死亡的主要原因之一，对人类健康构成重大威胁。应激性高血糖比（SHR）作为一种评估患者在急性医疗事件中体内血糖水平变化的指标，与多种重

eGDR展现出对CVD事件的优越预测价值，其与风险呈线性负相关，且通过机器学习模型可显著提升风险分层能力。在2011~2018年的随访期间，697名参与者发生CVD事件，其中486名患有心脏病，263名患有中风。具体而言，eGDR水平每增加1个单位，CVD、心脏病和中风的风险分别降低 14%、14% 和 19%。研究团队进一步将eGDR纳入该模型中，结果显示，结合eGDR的KNN模型在测试集中AU

重症医学数据库（MIMIC）是由计算生理学实验室开发的公开数据集，其中包括与数千个重症监护病房入院相关的去识别化健康数据，致力于推动临床信息学、流行病学和机器学习的研究。MIMIC数据库于2003年在美国国立卫生研究院的资助下，由美国麻省理工学院计算生理学实验室、美国哈佛医学院贝斯以色列女执事医疗中心(Beth Israel Deaconess Medical Center，BIDMC)和飞利浦医

引言发文可别卷错方向了，看看GBD数据库＋机器学习这条崭新的发文赛道！今天分享的这篇文章，中国学者基于GBD数据，构建了XGBoost模型，用其预测碘缺乏症到2050年的疾病负担，并使用SHAP法对该模型进行解释，拿下IF=8.0！接下来让我们一起来看看今天这篇文章。碘缺乏症（ID）是指从胚胎发育至成人期由于碘摄入量不足而引起的一系列病症，可能导致甲状腺肿大、认知障碍等严重后果。准确预测未来趋势.

然而，对于美国各州内不同种族和族裔的肥胖率及其未来预测趋势，近期缺乏更新、详细的估计。这篇2026年首个登上JAMA顶刊的文章以NHANES数据为自我报告的BMI进行纠偏，估算并预测了美国不同群体的肥胖流行率。的研究论文，旨在估算1990年至2022年美国各州按族裔分组，以及按性别和年龄分层的肥胖率，并预测到2035年的趋势，为针对性干预提供依据。美国成人肥胖率从1990年的19.3%激增至202

定义：在横断面研究中，纳入的病例通常是研究时的现患病例，即存活病例，特别是病程较长的现患病例，而难以包括已死亡的病例或尚未发病的潜伏病例，也可能不包括刚发病但迅速康复或死亡的病例，得到的一些暴露信息可能只与存活有关，而未必与该病的发病有关，从而错误地估计这些因素的病因作用。等数据库链接，开展前瞻性队列分析，研究暴露与死亡风险的关系，从而规避偏倚；总而言之，奈曼偏倚是横断面研究设计一个内在的、狡猾的

基线调查于2011年开展，共17708名参与者，每两年追踪一次，目前已有5期数据2011（wave 1）、2013（wave2）、2015（wave 3）以及2018（wave 4），2020（wave 5）。Health and Retirement Study（健康与退休研究，HRS）是美国国家老年人口与家庭变化研究所（Institute for Social Research, ISR）主导

ps：本文中所有指标都能在郑老师团队的 NHANES Online 平台一键获取，还有其他感兴趣的指标，记得私信我们！选择对应的暴露和结局---点击分析，我们可以看到 文献中阈值效应分析与平台结果展示几乎一致，一键轻松解放自己的双手。郑老师的NHANES Online平台现已包含100种NAHNES指标，绝对能够大大减轻你的发文压力，让我们简单看一下吧！而在Charls数据库中进行的敏感性分析，与

引言网上的教程这么多，你真的了解生存数据的中介分析到底该怎么做吗？今天分享一篇中国学者发表的一区top文章，研究者们基于NHANES数据库，结合多种统计学方法详细描述了中介效应分析的过程，方法严谨，结构清晰，值得借鉴。接下来，让我们一起看看具体该如何实现吧！甘油三酯-葡萄糖指数（TGI）作为一个可靠且易于获取的指标，可有效反映人体胰岛素抵抗程度。而幽门螺杆菌作为一种常见的致病菌，可通过多种途径影.