医学公共数据库研究指南
医学公共数据库研究怎么开始
从研究方向得到可复核的数据来源比较表 可请求的产物／交付目标: 候选数据来源比较表、材料检查清单和收窄后的研究问题。
医学公共数据库研究不应从下载数据开始。更稳妥的顺序是：先定义研究问题，再核对数据访问条件、目标人群与时间范围、变量测量方式、样本与结局事件、相似研究，最后冻结分析计划。
只有这些条件能够相互对应，一个数据库才真正支持你的题目。“可以公开访问”也不等于“可以任意使用”，更不等于数据适合回答任何问题。数据库的抽样设计、收集目的、纳入人群、缺失机制和使用协议，会直接限制结论可以说到什么程度。
把这项任务交给RigorMed：材料、产物与核对
从研究方向得到可复核的数据来源比较表
下面是建议任务输入与整理目标，不是本轮实跑或客户成效；是否执行及具体交付仍须核对材料、能力与确认结果。
需要提供的材料: 具体问题、目标人群、所需变量，以及候选官方数据入口和使用条件。
可请求的产物／交付目标: 候选数据来源比较表、材料检查清单和收窄后的研究问题。
可直接改写的任务输入
只比较可核验的官方数据来源，列出设计、人群、变量覆盖、访问/许可条件与不能回答的问题，再给出应先打开的文档；未知字段不猜。
如何检查结果
公开入口不代表任意使用或产品已接入；受控申请与权限条件单列，不绕过。
先分清：你找到的是哪一类数据
“医学公共数据库”经常被当成一个笼统称呼，但不同资源的访问方式和研究用途差别很大。
| 类型 | 代表资源 | 可以解决什么 | 开始前必须核对什么 |
|---|---|---|---|
| 公共使用调查数据 | NHANES | 美国非机构化人群的健康与营养状况、检查和实验室指标等横断面问题 | 调查周期、目标人群、变量文档、权重、分层、聚类和估计可靠性 |
| 受控临床数据 | MIMIC-IV | 特定医疗机构的住院、急诊或重症监护相关研究 | 资质认证、规定培训、数据使用协议、版本、来源人群和去标识化限制 |
| 申请后使用的登记数据 | SEER | 癌症发病、生存及人群登记相关问题 | 账户与申请条件、数据协议、变量范围、软件环境和治疗信息限制 |
| 文献与研究注册资源 | PubMed、ClinicalTrials.gov | 核对已发表证据和已注册研究，帮助判断重复性与知识空白 | 检索日期、检索式、记录标识、研究状态和结果可用性；它们不是患者级分析数据 |
因此，选库的第一问不是“哪个数据库容易发论文”，而是“哪个来源能够合法、准确地回答我的研究问题”。如果访问条件、研究设计或变量覆盖不匹配，数据量再大也不能补上这个缺口。
从研究问题到可执行方案：七步检查
先把研究问题写清楚
至少明确研究人群、主要暴露或预测因素、主要结局、时间范围和研究设计。比如“成年人中的某项指标与某种结局是否相关”，还需要说明目标人群来自哪里、指标如何测量、结局如何定义，以及准备做横断面关联、队列结局分析还是预测模型。
不要先看到一个变量，再倒推一个看起来能用的题目。
核对访问条件和允许用途
把资源分成公共使用、注册后使用、受控访问和不可获得四种状态。逐项保存官方入口、版本、许可或数据使用协议、申请条件、引用要求和再分发限制。
NHANES 提供公共使用数据文件和详细文档；MIMIC-IV 当前要求使用者完成资质认证、规定培训并签署数据使用协议；SEER 的研究数据同样需要提出请求并确认相应协议。名称中带有“公开”或“免费”不能代替这一核对。
判断研究设计是否匹配
同一个变量出现在数据里，不代表它能回答同一种问题。横断面调查可以描述患病率或研究同期关联，但通常不能仅凭一次观测建立时间先后关系；医院电子病历适合研究特定就诊人群，却不能自动代表普通人群。
需要先写明抽样框是什么、谁可能没有进入数据、观察从何时开始和结束、暴露与结局的时间顺序是否成立，以及结论要推广到哪一类人群。
逐项建立变量映射
不要只记录列名。每个核心变量至少应绑定官方定义、数据文件、调查周期或版本、测量方法、单位、编码、适用人群、跳题逻辑、缺失值含义和允许的派生方式。
跨周期合并时，还要核对问卷措辞、实验室设备、检测下限、单位和编码是否变化。CDC/NCHS 特别提醒，忽略问卷跳题可能导致错误的分母；实验室方法发生变化时，应检查官方是否提供桥接研究或校正方程。变量同名不是跨周期可比的充分证据。
计算样本、事件与缺失带来的限制
总样本量不是唯一标准。二分类结局要同时看事件数和非事件数；回归模型要计算预设参数数量，而不是只数变量个数；完整病例分析要估计会排除多少人；复杂抽样数据还要考虑权重、分层、聚类和设计自由度。
不要用“每个变量十个事件”这样的单一经验规则替代完整判断。模型复杂度、结局发生率、过拟合控制、缺失处理、验证方式和目标估计量都应在分析前确定。
同时核对已发表研究和研究注册
使用 PubMed 等文献库核对最近似研究，再用 ClinicalTrials.gov 等注册平台检查已注册但可能尚未发表的相关研究。保留检索式、日期、命中记录和排除理由，比较人群、暴露、结局、时间、设计和方法，而不是只比较标题。
“没有搜到完全相同的题目”不能直接写成创新。它也可能来自检索式过窄、术语不同、数据库覆盖有限，或相关研究尚未发表。
在统计前冻结方案
正式分析前，应固定纳入排除标准、主要暴露与结局、协变量依据、主要模型、缺失数据策略、敏感性分析、软件环境和报告规范。后续任何变化都应记录原因，并区分预设分析和探索性分析。
对于观察性研究，可以在方案和写作阶段参考 STROBE；使用常规收集健康数据时，还应判断 RECORD 等扩展是否适用。报告清单不能替代正确设计，但能提前暴露方法和披露缺口。
为什么 NHANES 不能当作普通表格
NHANES 同时包含访谈、膳食、体格检查和实验室数据，并采用复杂抽样设计，用于推断美国非机构化平民人群的健康与营养状况。分析时需要选择与目标指标相匹配的调查权重，并把分层和聚类设计变量纳入方差估计。
CDC/NCHS 在 2026 年发布的高质量分析指南中明确指出：不使用权重或把 NHANES 当作便利样本，通常不适合进行美国总体推断；忽略聚类设计会高估精度，并可能错误判断组间差异具有统计学意义。指南还要求关注跳题逻辑、实验室方法桥接和估计可靠性。
这说明“数据能下载”和“研究能成立”是两件不同的事。NHANES 是很有价值的公共数据来源，但它不会自动提供可靠题目，也不支持脱离设计的因果或纵向结论。
最常见的六个错误
- 先下载数据、跑出显著结果，再补研究问题和协变量依据；
- 只看变量名，不核对问卷原文、测量方法、单位、跳题和适用人群；
- 合并多个周期，却没有检查编码、检测方法和权重如何变化；
- 忽略复杂抽样设计，把结果当作普通独立同分布样本；
- 只用总样本量证明可行，没有核对事件数、参数预算、缺失和验证样本；
- 把检索未命中写成“首次发现”，或把观察性关联写成因果关系。
开始前检查清单
在正式分析前，确认你能回答以下问题：
- 研究问题是否明确到人群、暴露或预测因素、结局、时间和设计？
- 数据是否来自官方入口，版本和获取日期是否已记录？
- 使用条件、数据协议、引用要求和再分发限制是否已核对？
- 数据收集目的、抽样框和目标人群是否支持你的外推范围？
- 主要变量是否有官方定义、测量方法、单位、编码和适用人群？
- 跨周期或跨来源变量是否真的可比？
- 样本、事件、非事件、缺失和预设参数是否支持计划中的模型？
- 最近似文献和相关注册研究是否已经系统核对？
- 主要分析、敏感性分析和报告规范是否在看结果前确定？
- 数据授权、伦理认定或豁免、研究注册等治理事项是否由责任主体确认？
如果其中任何一项没有答案，下一步通常不是开始统计，而是补齐来源、变量或方案证据。
常见问题
医学公共数据库有哪些？
常见资源包括人群调查数据、疾病登记数据、受控临床数据、组学数据以及文献和研究注册资源。NHANES、SEER、MIMIC-IV、PubMed 和 ClinicalTrials.gov 分别属于不同类别，访问条件与可回答问题并不相同。应先按研究问题筛选，不建议只按“热门数据库”列名单。
使用公共数据库更容易发表论文吗？
不能这样判断。数据可获得只解决了研究材料的一部分，期刊仍会关注问题价值、设计是否适配、方法是否正确、结果是否稳健、报告是否完整以及与既有研究相比新增了什么。热门数据库还可能伴随大量重复选题和更严格的方法审查。
公共数据研究一定不需要伦理审查吗？
不一定。是否需要伦理审查、豁免或机构认定，取决于数据是否真正公开去标识、使用协议、研究活动、所在机构和司法辖区。研究者应保存官方伦理与同意说明，并由有责任的机构作出判断，不能由“网上能下载”直接推导。
可以把多个数据库直接合并吗？
通常不能。只有在个体能够被合法且可靠地链接，或不同来源在研究设计、变量定义、时间和人群上具备预先确认的兼容关系时，才可能进行行级合并。更多情况下，应分别分析后比较结果，或使用适当的证据综合方法，不能仅因列名相同就拼接数据。
核验来源
以下官方来源核验于 2026 年 9 月 6 日 / RigorMed: 2026-10-13，页面发布前将再次检查访问条件和更新时间。
带着材料和产物目标开始
从研究方向得到可复核的数据来源比较表
登录工作台，说明你有权使用的材料和希望拿到的产物，可改写上面的任务输入。按执行前材料与积分提示确认，再核对实际交付中的依据、数字和待确认项。