启动一项新的临床试验前，你会花多少时间回顾已有的研究？ 这个问题看似很基础，现实中却常被忽略。有的研究者可能觉得时间紧任务重，凭经验也就够了；也有的研究者则是不知道从哪查起。 结果研究到一半却发现，核心问题早就被回答过了，或是自己的研究设计与已有的高质量文章撞了车。
模拟目标试验（TTE）近两年可以说十分火爆，发文量激增。 模拟目标试验就是在设计观察性研究时，通过假想一个解决研究问题的目标临床试验，参照目标临床试验进行观察性研究的关键因素设计，在因果推断方法学的合理运用下也可以达到RCT试验的效果。
由于神经发育障碍（NDDs）需要长达数年的随访才能确诊，传统前瞻性研究在样本量上往往受限。 2026年3月11日，外国学者在医学顶刊《BMJ》（医学一区top，IF=42.7）发表了一项队列研究，整合了两个大型美国医疗数据库，评估产前暴露于特定抗惊厥药物是否会增加儿童患神经发育障碍的风险。
长期以来，随机对照试验（RCT）被视为临床证据的“金标准”，但实际实施过程中RCT往往不可行，太昂贵或不符合伦理。 因此，观察性研究成为重要的替代手段。然而，优势同样伴随着风险，观察性研究很容易引入偏倚。正因如此，STROBE声明才强调：观察性研究必须接受严格评估。
自从风暴统计平台上线，临床预测模型功能就已经开放免费使用了，零代码解决了很多基础比较差的朋友的难题。 近期，很多朋友在交流群里问，什么时候可以上线LASSO回归方法？
近年来，“超级学习者（Super Learner）”与“双重稳健估计器”的组合，逐渐成为因果推断领域的一把利器。那么，这个组合到底强在哪里？是否真的需要集成“一大堆”算法？今天，我们通过一篇2025年发表于《Epidemiology》（医学二区，IF=4.4）的研究，来一探究竟。
今天我们分享一篇发表在《British Journal of Anaesthesia》（医学一区，IF=9.2）杂志上的研究论文，该研究旨在对一个先前开发的随机森林机器学习模型进行前瞻性验证，该模型用于预测住院患者的术后死亡率，并进一步评估将其集成到电子健康记录系统中作为临床决策支持工具的可行性。
斯坦福团队在《Medical Image Analysis》（医学一区，IF=11.8）上发表的《Longitudinal self-supervised learning》一文，从交叉视角上为解决这一经典问题提供了全新范式。
谁说公共数据库不能发高分文章?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。这种研究思路可不常见，NHANES的开发简直没有上限，不愧是它!
刷知乎，看到一篇文章，说的是经济学研究基本都是线性模型，是否合理的？引发了很多网友的讨论。今天，我也想说说我们医学数据，线性模型，是否满足它所需要的“线性”的条件。
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
