-pxdK.png)
用公共数据库的数据进行二次分析，确实省时省力。但要想得出有意义的研究结果，还是得多探索多学习。 前段时间，顶级期刊新英格兰医学杂志子刊《NEJM循证》发表了一篇公共数据挖掘的文章的评论文章，深入分析了该项研究在解决公共数据库挖掘过程中面临的数据回忆偏倚、数据缺失以及不同随访时间差异处理等问题上采取的
-RFty.png)
在该项研究中，研究团队使用了去身份化电子健康记录（EHR）数据，纳入老年患者。 本研究旨在基于8种机器学习法和SHAP法，构建可解释机器学习预测模型，以评估风险因素并预测老年心合并高血压患者的住院死亡率。 √缺失数据的处理 研究中所有变量的缺失数据比例均保持在30%以下，使用K-最近邻（KNN）分类算法对缺失数据进行处理。 √变量筛选 使用LASSO法在44个变量中筛选出9个最佳预测因子，包括年龄、住院时间（LOS）、中性粒细胞（Neu）、尿素、Cl、活化部分凝血活酶时间（APTT）、白细胞（LEU）、白蛋白和HDL胆固醇。
-cnTK.png)
在课题申报时加上“促销词”，不仅更容易中标，获取的资助金额也会增加！ 与我们先前报道过的一篇发表在知名期刊《美国国家科学院院报》（PNAS）的文章结论一致，使用“促销型”语言写科研申请材料，更容易获得资助。
恭喜！《柳叶刀》杂志创刊200多年来，首次刊登中草药多中心临床研究！此研究由复旦大学宋莉莉教授和Craig Anderson教授团队，广东省中医院郭建文教授团队共同完成。 11月13日，医学顶刊《Lancet》
SHAP法作为一个强有力的工具，能帮助我们理解模型的输出，告诉我们每一个特征对预测结果的影响。 可以说，无论是复杂的深度学习模型，还是简单的回归模型，SHAP都能给出解释。 先前我们介绍了SHAP的理论背景，今天来上点干货，开启我们系列文章的第二篇：SHAP分析之可视化及其可视化图
-qpik.png)
昨天，我们报道了首篇发表在医学顶刊《柳叶刀》的中草药多中心临床研究。 Lancet重磅！首次刊登中草药临床研究，中国学者喜提咖位，还是个阴性结果 文章发表之后，引起了热议。有学友就问：郑老师，这篇中药研究阴性结果为什么能发在Lancet？ 今天我们针对这个问题探讨一下。
2025年7月26日，安徽医科大学附属第一医院鲁明典副主任医师团队开发一种非侵入性诊断工具，将中医舌诊特征与机器学习（ML）方法相结合，以提高胃癌的早期检测率，研究成果发表在《European Journal of Surgical Oncology》（医学二区，IF=2.9）杂志。
11月16日，上海交通大学医学院附属瑞金医院宁光院士团队于医学顶刊《新英格兰医学杂志》（NEJM）（医学一区top，IF=96.2）在线发表了一篇题为：
数据集中的缺失值对数据分析带来了重大挑战，特别是在数据准确性对患者诊断和治疗至关重要的医疗领域。尽管MissForest（MF）在填补研究中被证明是有效的，递归特征消除（RFE）在特征选择中被证明是有效的，但通过RFE集成来增强MF的潜力仍未被探索。 11月8日，我们看到在期刊《BMC Medica
就在11月13日，Web of Science 运营方科睿唯安（Clarivate）宣布，将不再赋予中科院一区期刊 eLife 影响因子。不过，该期刊的部分论文仍然会被 Web of Science 收录。 今天我们将分享一篇发表在该期刊的机器学习临床预测模型文章，我们先来看一下它的研究设计与分析过
Zstats交流群
联系助教
请输入助教告诉您的积分券
如果不填写积分券，将直接使用当前余额支付
请稍候，正在为您生成支付订单
请使用扫描二维码完成支付
二维码获取失败
支付二维码获取失败，请点击重新获取
请稍候，正在为您完成支付
正在使用积分券兑换，然后完成支付 正在使用当前余额完成支付
您的订单已支付完成，页面将在 秒后自动关闭
支付过程中出现错误，请重新选择支付方式
