需要注意的是，因变量必须为二分类，最好以1代表阳性事件（发生结局），0代表对照组（未发生结局）。一般为0.05，当进入多因素回归的变量过少时，也可以放宽要求，0.1，0.2也是可以的。，当因为置信区间过宽或过窄，导致图像中的点估计与参考线显示不全面时，可以通过限制x轴范围或者进行转换，使图像显示更加匀称美观。，当我们的森林图因为变量过多而显示不完全时，可以通过调整字号大小，来使图像显示完整。最后，

欢迎参加孟德尔随机化课程(11.18-11.19)SEER（The Surveillance, Epidemiology, and End Results）数据库是由美国国立癌症研究所于 1973 年建立，是美国常用的癌症数据库，里面包括了各式各样的肿瘤类型，如肺癌、乳腺癌、胃癌等；还提供了各式各样的临床资料，如性别、年龄、TNM 分期等。一、本周SEER文献预览本周PubMed数据库“标题/摘要

聚类分析的目标是根据这些变量的取值，将数据划分为不同的类别，使得同一类别内的数据具有较高的相似性，而不同类别之间的数据具有较大的差异性。因此，本文将以CHARLS 2011~2015年的TyG作为暴露，心血管疾病作为结局，探究TyG与结局之间的关联。答：不同类型的数据才需要用到标准化 比如我选择了体重和身高作为聚类，这是两种变量，那我就需要进行标准化。关于平台提取数据的操作，各位可以看教学视频，这

NHANES数据库分析，一步一个坎。常规分析小半年，现在半天全部搞定！标准的NHANES数据库分析步骤，包括数据下载整合——数据清洗——数据加权分析三步，可以说各有各难点。为了教大家如何用NHANES数据库，顺利完成一篇SCI论文，我们将推出"半天完成一篇NHANES数据库SCI论文“系列文章，手把手带你快速搞定分析！本文是系列文章的第二篇：如何10分钟完成NHANES数据的清洗工作！第一篇：零代

在这个框架下，不关心卒中具体在2018-2020年间的哪一天发生，只关心“在这段时期内是否发生”。如果你的数据能清晰地构建出“起点时间”、“事件发生时间/状态”、“终点时间”，优先选择Cox回归。无论是logistic回归/Cox回归这种常见的统计分析方法，抑或是更复杂的中介分析、轨迹模型等，，分析结果的解释力局限于“W4-W5期间的风险”，而不是更普遍的“卒中发生风险”。，包含更多事件和更长的观

本届峰会主题为"在碎片化世界中承担健康责任"，合作研究者无需提前注册，即可通过大会官方YouTube频道收看全程会议。为筹备本次发布，最终评估数据已按保密协议要求，分享给所有首席及主要合作研究者，以及参与特定项目的合作网络成员。自创始以来，全球疾病负担研究始终仰赖各位尊贵的合作研究者倾注智慧与心血，本次研究亦不例外。Joinpoint趋势图；如果你觉得GBD数据库数据处理耗时、分析流程长、步骤多、

引言在常规的生存分析中，研究者通常以时间为横坐标（如年份、月份等），以疾病的累计风险为纵坐标来绘制累积风险曲线。然而，今天分享的这篇文章却有所不同，中国学者创新性地将年龄作为累积风险曲线的时间尺度，成功拿下JAMA子刊（IF=10.5）！接下来，让我们一起看看如何实现！不良童年经历对个体的影响非常深远，先前就有研究表明，童年时期目睹父母间存在的身体暴力会影响其成年后的心血管健康和心理健康。然而..

并且，在45岁及以上的个体中，无论是低BMI还是高BMI，都会增加哮喘风险。好家伙，今天分享的这篇文章，中国学者联合了GBD＋CHARLS＋NHANES三大公共数据库，这个组合着实少见，怪不得可以拿下顶刊！值得一提的是，本文涉及的三个数据库（GBD、CHARLS和NHANES数据库），郑老师均提供相应的0基础课程。≥45岁个体的BMI与哮喘风险之间存在显著的非线性关系，这意味着低和高BMI都可能增

‍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

引言要想构建临床预测模型，机器学习绝对是不二选择！今天分享一篇公共数据库+机器学习的高分文章，中国学者用8种机器学习算法构建可解释性临床预测模型，研究设计流畅、统计分析规范，想做机器学习的朋友们可以借鉴一下这篇文章！新发房颤(NOAF)是心脏手术后患者最常见的并发症，总体发病率为31%至74%。先前的研究发现，NOAF的发生可能会增加患者的中风、心力衰竭（HF）以及死亡风险。近年来，机器学习（M.