重覆經顱磁刺激（rTMS）是一種非侵入性的腦部刺激技術，藉由簡短而高強度的磁場穿透頭顱，在大腦皮質組織中產生電流。過去有許多研究探討以 rTMS 來治療精神疾病，目前美國 FDA 和其他幾個國家已經批准使用 rTMS 對憂鬱症患者進行治療。
然而，rTMS 的治療效果可持續多久仍未有定論，而且目前也尚未有研究顯示持續接受 rTMS 治療的患者，其憂鬱症發展是否不同於未持續接受 rTMS 的患者。
為了理解這領域的現況，許智維醫師團隊有系統地檢索各種電子數據庫，包括 PubMed、Cochrane CENTRAL 和 EMBASE（從每個數據庫的創建開始，直到 2022 年 10 月），收集在 rTMS 治療結束後至少三個月內的憂鬱評分結果，最終，從 24 篇研究中納入了 911 名患者，進行統合分析，追蹤 rTMS 對重大憂鬱症狀的長期效應。
統計後顯示，持續接受 rTMS 治療的患者，在治療後的前五個月憂鬱症狀相對穩定，但之後有上升趨勢；而未持續接受 rTMS 治療的患者，憂鬱症狀也有輕微上升。
恭喜許醫師！
問：校長好，我自己問了一下學長姐，發現 PGY 就算立志想要在應徵之前生出論文，最後失敗的比例其實不低，而且原因五花八門，當然有人成功，也有人不只成功發表，甚至還連發。請問，為什麼會有那麼大的差異？到底 PGY 寫論文，困難在哪裡？
答：（蔡依橙）
這件事情是個多重因素，如果能夠把每一項因素都處理好，應該是蠻有機會發表的。
以下的分析，是來自於許多醫學生或 PGY 時期就來上課的校友，以及詢問我們許多合作的老師，指導過數百名學生，所整理出來的結論。
2023 年 11 月 18 日（六）9:00a – 4:40p
台北捷運忠孝復興站旁 集思北科大會議中心
陳一銘醫師 / 吳爵宏醫師 / 蔡依橙醫師
【最新公告】2022 年新思惟研究課程校友，論文發表數突破 1000 篇！
精進自己，補足學術能力。努力拚一篇，應徵、評鑑、升等通通用得上！
有許多人正在運用 AI 工具來加速論文寫作，你也想跟上這波浪潮，將 AI 整合進自己的研究流程嗎？
新思惟的《醫學論文與寫作工作坊》不只提供系統化的學習方法，讓你用一天的時間，輕鬆掌握寫作、投稿、統計製圖、申請研究計畫等必要技能，課程更與時俱進，融入 AI 工具的應用，講師將不藏私地分享第一手的使用經驗，告訴你如何善用 AI 提高工作效率與精確度，優化論文撰寫到發表的生產線，快速拚出 SCI！
當你具備了這些基本技能，成為一個懂得統計怎麼算、數據圖表怎麼做、文章怎麼寫的稀缺人才，在學術領域不管是單打獨鬥還是團隊合作，都能展現自己的價值。
每月都有校友登上 PubMed 的論文工作坊，開班超過 50 梯次，協助超過 1500 位同學，提供「最好的論文寫法」、「直覺的統計軟體」、「高效的投稿策略」，讓你日後寫論文，不再是申論題，而是填空題！
問：校長好，我剛開始 PGY 一陣子，希望在應徵熱門科住院醫師的時候能夠確定有發表，最好能夠有兩篇以上，所以我詢問了不少學長姐，做了一些田野調查。想請問的是，我聽到不少很努力但最後失敗的例子，我該怎麼去避免？
像是一位學長在 PGY 開始的時候，就認真找了老師，花了 6 個月的時間，文章終於寫好，他希望能夠盡快刊出，但老師跟他說，OA 期刊雖然快，但水準不好，對自己日後的學術生涯有損，並表示會找一些網頁上公告速度很快的傳統期刊。結果一本審 5 個月退稿，一本審 6 個月退稿，準備應徵的時候，履歷表上還是空空如也。
另外一位學姐也是很認真，不過老師的指導經驗有限，方向比較混亂，差不多在 9 個月左右把文章整理出來，他自己也是希望只要刊登在有分數的期刊就好，但老師希望最大化 impact factor，於是從十幾分的期刊開始投下來，連續幾本被退，應徵的時候也沒論文可呈現。
他們都很認真，花很多時間寫作，也找了老師，為什麼最後還是沒有發表？
答：（蔡依橙）
這兩個例子，剛好都說明了幾項各位社會新鮮人在生涯的前幾年，一定會經歷且遭遇的事。我先說兩個最重要的結論：靠別人不如靠自己；每個人都有自己的利益角度。
預測老年人出院時的身體功能對於後續醫療護理非常重要。朱為民醫師團隊利用台灣老年人的電子健康記錄（EHRs）和老年周全性評估（CGAs），以機器學習開發出出院時身體功能的預測模型。
數據來自台灣中部一家醫學中心的臨床數據庫。分析包括 2012 年 1 月至 2018 年 12 月期間入住急診的老年人，有缺失數據的人則被排除在外。從 EHRs 和 CGAs 的數據中，共輸入了 52 個臨床特徵用於模型構建。使用了 3 種不同的機器學習演算法，包括 XGBoost、隨機森林和邏輯回歸。
結果顯示共有 1755 名老年人納入最終分析，平均年齡為 80.68 歲。線性模型在出院時的身體功能，依照準確度排名依序是 XGBoost（87%）、隨機森林（85%），邏輯回歸（32%）；出院時身體功能的分類模型，隨機森林（94%）、邏輯回歸（92%）和 XGBoost（92%）；XGBoost 和隨機森林的 auROC 達到了 98%，而邏輯回歸的 auROC 為 97%。
前 3 個重要的特徵是日常生活能力（ADL）、入院期間的 ADL 和入院期間的簡易營養評估（MNA）。
朱為民醫師團隊利用 EHRs 和 CGAs 數據所建構的機器學習模型，可以在入院期間準確預測老年人出院時的身體功能，有助於後續的醫療照護安排。
恭喜朱醫師！
