2024 / 4 / 10

問：期刊退了我的稿，卻又說修改後還是可以重新投。為什麼不直接給我 major revision 呢？

 

 

 

QA_89 

 

問：期刊退了我的稿卻又跟我說，如果你根據我們的建議，做了大幅度的修改之後，還是可以考慮回來重新投稿。我是不是被 PUA 了，為什麼不直接給一個 major revision 的結果呢？

 

答：（蔡依橙）

 

這的確是這幾年常見的狀況，主要是有 reject 與 suggest resubmit 這些選項，對於期刊社來說，有降低接受率的效果。接受率降低，可以看起來像是比較厲害的期刊。而且也可以減少懸而未決的稿件，積在他們檔案庫裡面。

 

閱讀更多 »

發表於 學員提問 | 已標籤 , , , , , | 問：期刊退了我的稿，卻又說修改後還是可以重新投。為什麼不直接給我 major revision 呢？ 已關閉迴響。
2024 / 4 / 10

[快訊] 陳韋成醫師團隊，研究心電圖長短期監控，對偵測腦中風或暈厥患者的心律不整之效果比較，獲 Clinical Cardiology 刊登！

 

 

01_JOSR_LiuWC_10

 

 

文章介紹

 

心律不整是一種常見的心臟病，可能會造成各種症狀，像是心悸、頭暈、胸悶，甚至嚴重的情況下會導致猝死。對於剛剛遭受中風或昏倒的病人來說，能夠及時發現心律不整非常重要，臨床才能及時採取適當的治療。

 

過去的研究顯示，單靠十二導程心電圖或 24 小時心電圖檢查，很難在中風或昏倒的病人身上發現心律不整。但最近研究發現，使用可穿戴的 14 天長期心電圖貼片，竟然能夠檢查出更多種類和更多次數的心律不整！

 

陳韋成醫師團隊的這項研究，就是比較了 24 小時心電圖和 14 天心電圖貼片，觀察哪一種方式能更有效地發現這些中風或昏倒病人的心律問題。研究團隊招募了 83 位缺血性中風及昏倒病人，讓他們同時配戴 24 小時心電圖和 14 天心電圖貼片。結果發現，使用 14 天心電圖貼片，能夠檢測出高達 69.9% 的複雜性心律不整，遠遠超過 24 小時心電圖的 21.7%。

 

更仔細的數據顯示，14 天心電圖貼片還能發現中風病人當中，SVT（63.4%）、VT（7%）、AF（5.6%）、AVB（4.2%），和心跳暫時停止（1.4%）。這些關鍵的心律不整，在 24 小時心電圖檢查中都沒有被發現。

 

對於高危險群的中風或昏倒病人來說，這些隱藏的心律不整可能是造成他們發病的潛在原因。及時發現這些心律問題，就能及早給予適當的治療。

 

根據這項研究，相比於傳統的 24 小時心電圖檢查，建議應該優先考慮使用 14 天的可穿戴式心電圖貼片。雖然成本稍微高一些，但能大幅提高心律不整的檢測率，對於預防中風復發非常重要。

 

 

恭喜陳醫師！

 

在臨床日常，忽然發現想做的研究主題，在 PubMed 上沒有相關文獻，文章該怎麼寫？來看看論文多產者會怎麼判斷這類行的研究主題。

 

 

 

 

最新活動

 

閱讀更多 »

發表於 20170218_第十五梯次課程記錄, 共享榮耀 | 已標籤 , , , , , | [快訊] 陳韋成醫師團隊，研究心電圖長短期監控，對偵測腦中風或暈厥患者的心律不整之效果比較，獲 Clinical Cardiology 刊登！ 已關閉迴響。
2024 / 4 / 8

[快訊] 吳青陽醫師團隊，比較三種 CT 引導技術應用於肺部病灶定位之研究，獲 European Journal of Radiology 刊登！

 

 

01_EJR_WuCY_26

 

 

文章介紹

 

為了提高對肺癌的檢測和治療效果，許多地區開始推動肺癌篩檢計劃，然而，高風險患者的肺癌陽性檢出率只有 1.1%，癌症相關的死亡率僅降低 20%。在進行肺癌篩檢的過程中，發現到越來越多的微小不確定性肺部病變，而且對這些可疑病灶的準確定位、組織收集變得困難，現今需要更有效的方法來確定這些病灶位置並進行治療。

 

吳青陽醫師團隊展開研究，收集 2019 年 9 月至 2021 年 8 月期間，共 418 位肺部病變的患者，並對電腦斷層掃描（CT）引導的肺部病灶定位技術：金屬線定位、染料紋身定位、ICG 染料定位，這三種方法進行比較，分析應對不同情況病灶時的適用性，以提高手術的成功率，減少併發症的風險。

 

研究結果顯示，金屬線定位較適合中央位置的病灶；染料紋身定位則適用於周邊位置的病灶；使用 ICG 染料定位的持久性最長。此外，相對於其他技術，金屬線定位存在較高的氣胸和肺出血風險。

 

吳青陽醫師團隊的這篇研究，發現到不同的定位技術適用不同位置的肺部病灶，而且每種技術都有其獨特的優勢和適用情況，不僅為臨床醫生提供更多選擇，也促進肺癌篩檢和治療的發展。

 

 

恭喜吳醫師！

 

在學術論文中，圖表扮演闡述研究結果與資料的重要角色。然而，當表格內容過於繁雜時，讀者可能會感到困惑，降低了論文的可讀性。表格內容太多時怎麼辦？內容超過一頁如何刪減？來聽聽吳爵宏醫師的建議。

 

 

 

閱讀更多 »

發表於 20141220_第四梯次課程記錄, 共享榮耀 | 已標籤 , , , , , , , | [快訊] 吳青陽醫師團隊，比較三種 CT 引導技術應用於肺部病灶定位之研究，獲 European Journal of Radiology 刊登！ 已關閉迴響。
2024 / 3 / 29

[快訊] 林佳彥醫師團隊，關於帕金森氏症中嗅覺功能對認知、運動功能和生活品質影響之研究，獲 Frontiers in Aging Neuroscience 刊登！

 

 

01_FAN_LinCY_02

 

 

文章介紹

 

林佳彥醫師團隊想要探討帕金森氏症（PD）患者的嗅覺功能對臨床表現的影響。常見於 PD 患者的嗅覺功能問題可能會加劇病情，但不同嗅覺狀態下，患者的認知能力、疾病嚴重程度和生活品質的變化尚未被深入研究。

 

團隊追蹤 58 名參與者長達 3 年，參與者完成了中文版的賓夕法尼亞大學嗅覺辨識測試（UPSIT）、蒙特利爾認知評估（MoCA）、運動障礙學會修訂的統一帕金森氏症評分量表和 39 項帕金森氏症問卷（PDQ-39）等工具的隨訪評估。

 

根據初始分數，參與者被劃分為嗅覺損失組（UPSIT < 19）和非嗅覺損失組（UPSIT ≥ 19）。使用廣義估計方程式（generalized estimating equations）和重複測量相關性（repeated measures correlations），分析了嗅覺與臨床參數之間的相關性。

 

研究結果顯示，兩組間存在著不同的認知軌跡。在 MoCA 分數的嗅覺和時間交互作用上可以觀察到，嗅覺損失組的認知能力下降速度較快。嗅覺損失組的認知能力與嗅覺功能之間沒有長期相關性，但與年齡、疾病持續時間有相關；非嗅覺損失組的 UPSIT 分數隨時間下降，並且與運動功能有顯著相關。

 

這項研究證實嗅覺損失組的認知能力下降速度，與年齡和疾病持續時間相關，但與嗅覺功能無關。儘管認知能力與嗅覺之間沒有長期相關性，但這一群體的認知結果仍然不佳。非嗅覺損失組表現出嗅覺逐漸惡化，並且運動功能與 UPSIT 分數之間有顯著相關，這暗示了嗅覺結構和基底節區可能有病理性的積聚。

 

 

恭喜林醫師！

 

閱讀更多 »

發表於 共享榮耀 | 已標籤 , , , , , | [快訊] 林佳彥醫師團隊，關於帕金森氏症中嗅覺功能對認知、運動功能和生活品質影響之研究，獲 Frontiers in Aging Neuroscience 刊登！ 已關閉迴響。
2024 / 3 / 27

在前輩的啟發之下，讓想法能夠化為實際的論文發表。

 

作者：新光吳火獅紀念醫院 骨科 熊偉 醫師

相關文章：[快訊] 熊偉醫師團隊，關於利用 MRI 評估頸椎後縱韌帶骨鈣化症的病變品質分數之研究，獲 The Spine Journal 刊登！

 

 

Meta-analysis_20211107_1094

 

 

在我的脊椎旅程上，我所懷抱的感激之情首先獻給我非常尊敬的導師張明超教授，現任於新北三重宏仁醫院院長。是他引領我踏入台北榮總骨科的大門，並在我選擇專精於脊椎領域之後，以無私且認真態度為我打下堅實的基礎。更重要的是，他更鼓勵我前往台灣各地，向許多卓越的骨科與神經外科大師學習。

 

閱讀更多 »

發表於 20210821_第四十一梯次課程記錄, 共享榮耀 | 已標籤 , , , , , , , , , | 在前輩的啟發之下，讓想法能夠化為實際的論文發表。 已關閉迴響。
2024 / 3 / 20

[快訊] 周睿信醫師團隊，關於機器學習模型預測醫學中心重症病人死亡率，優於嚴重性評分系統之研究，獲 Journal of the Chinese Medical Association 刊登！

 

 

01_JCMA_ChouRH_18

 

 

文章介紹

 

預測加護病房（ICU）的死亡率，對於治療重症病人的決策有很大的幫助。目前已有許多基於統計技術的評分系統被開發出來。周睿信醫師團隊開發了一個機器學習模型，用於預測病人在 ICU 入院的早期階段的死亡率。

 

研究使用了 2009 年到 2018 年間，所有入住台灣某三級醫療中心 ICU 的病人的數據。從電子病歷中獲得病人在 ICU 入院當天的共病、共用藥物、生命徵象和實驗室數據，建立了 random forest（RF）和 extreme gradient boosting（XGBoost）模型來預測 ICU 死亡率，並將其性能與傳統評分系統進行比較。

 

12377 位病人的數據分配到訓練組（n = 9901）和測試組（n = 2476）。病人的中位數年齡是 70.0 歲；9210（74.41%）位病人在 ICU 中接受了機械通氣。RF 和 XGBoost 模型的 ROC 曲線面積分別為 0.876 和 0.880，大於急性生理和慢性健康評估分數 0.738、連續器官衰竭評估分數 0.747，和簡化急性生理分數 0.743。ICU 入院時吸入氧的分數在所有模型中都是最重要的預測特徵。

 

周睿信醫師團隊的研究發現，XGBoost 模型最準確地預測了 ICU 死亡率，並優於傳統的評分系統。突顯了機器學習在預測亞洲人口 ICU 死亡率的實用性。

 

 

恭喜周醫師！

 

論文的標題要怎麼寫才能吸引審閱者的目光？來看看講師的建議：

 

 

 

 

閱讀更多 »

發表於 共享榮耀 | 已標籤 , , , , , , , | [快訊] 周睿信醫師團隊，關於機器學習模型預測醫學中心重症病人死亡率，優於嚴重性評分系統之研究，獲 Journal of the Chinese Medical Association 刊登！ 已關閉迴響。