本文中我们将列举两个案例，看看作者是如何应对“数据荒”，把极其有限的数据变形成高质量的研究论文，从有限的临床数据中挖掘出无限的临床价值。希望对大家今后充分利用临床数据产生一些启发。
案例一
参考文献: 《The cold effect of ambient temperature on ischemic and hemorrhagic stroke hospital admissions: A large database study in Beijing, China between years 2013 and 2014-Utilizing a distributed lag non-linear analysis》
数据源：2013.1.1-2014.12.31期间，北京市每日中风患者的入院人数以及每日的气温数据
影响因子：IF=5.7
文章结论：
文章分解：
研究目的：气候变化对于卒中患者就诊量的影响；
分解数据：日期、卒中患者的日就诊量
统计设计：补充气候数据（公网获取每日气温数据）
模型选择：分布式滞后非线性模型，主要基于临床角度1---极寒/极热都易诱发卒中（统计学语言为---温度对于卒中就诊率的影响可能是非线性的）；临床角度2---外界因素对于卒中发病不一定是即时的或者直接的影响（统计学语言---温度对于卒中就诊率的影响可能存在滞后效应或累计效应）；统计角度---两个变量（病例日门诊量和气温）的共同纽带是日期。因此，应该综合临床专业和统计学专业的角度选择模型
文章亮点：从数据处理的角度看文章的亮点，利用极其有限的数据维度（卒中的日就诊量），以时间为依托和纽带（日期），充分利用公开的免费数据（气温），在数据维度极其狭窄的情况下找到恰如其分的统计模型（分布式滞后非线性模型）
统计模型拓展：
“分布式滞后非线性”模型除了用于研究环境/气候对于疾病的影响，还可用于研究某些药物、治疗方法及干预措施对于疾病的滞后效应和累计效应
参考文献：
Yanxia Luo, Haibin Li, Fangfang Huang, Nicholas Van Halm-Lutterodt, et al. 2016.The cold effect of ambient temperature on ischemic and hemorrhagic stroke hospital admissions: A large database study in Beijing, China between years 2013 and 2014dUtilizing a distributed lag non-linear analysis. Environmental Pollution 232 (2018) 90-96
