医学杂志版块

医学杂志版块

健康必读杂志，中国社区医师杂志，中外健康文摘杂志，中国创新医学，中国医学工程，这些杂志都不错，审核录用简单，发表快速。你可以到百度搜索杂志名称，查看详情

ims药品数据来源是哪里？

IQVIA（原IMS）药品数据来源在下文加粗文字中会提到。

看见许多网友还在问有关于IMS药品数据库的问题，殊不知IMS Health 已经不存在了，问IMS药品数据来源也没什么意义！ 给大家普及一下知识点，IMS药品数据库也就是指艾美什(IMS Health)健康，于2016年与Quintiles(昆泰)合并为QuintilesIMS，在2017年改名为IQVIA（艾昆纬）。

接下来我们谈谈IQVIA（原IMS）药品数据库，

大家或许不了解这个数据库怎么样？ 今天笔者就IQVIA（原IMS）药品数据库的产品构成、数据源、数据检索结果、增值服务、社会评价等多个层面进行多维度分析帮助大家对其有一个新的认识。

为了方便大家更直观地了解IQVIA（原IMS）药品数据库，笔者引入一个目前国内客户覆盖最广的药品数据库（药融云医药数据库）作为对比。

1.产品构成

IQVIA（原IMS）药品数据库：由商务咨询、药物研究于开发、综合服务三大版块构成。

药融云医药数据库（pharnexcloud）：药物研发、上市药品、药品销售、市场信息、一致性评价、原料药、医疗器械、生产检验、合理用药、医药文献等10个版块构成。

2.数据源

两者在数据源收集上都涉及数千个数据来源，包含不限于（①医药情报：实验室研究、内部会议、专业报道、专利、商标、技术实施文件、学术会议、技术报告、科技期刊、文献等。②医药数据库：异构资源、基于云计算、云存储的医药大数据处理等。③医药数据：全球各国或地区、资讯、企业公告报道、医疗会议、新闻资讯、投资者压降，公司年度报告、医疗卫生、药企、医学杂志、其它资源等。）

3.数据展示结果

我们将IQVIA数据库在国内最拿得出手的数据(中国医院药品统计报告CHPA )与pharnexcloud 的(全国医院销售数据)一个直观的对比

IQVIA数据库(中国医院药品统计报告) ，基于9454家医院总体(≥100张床位)进行样本设计，样本覆盖255个城市。样本医院只有1000家左右，能推算的总量约8000家。

IQVIA数据库全球医药交易信息由80000多条；

pharnexcloud数据库(全国医院销售数据)，本数据库是基于10000家医院（二级及以上医院）进行样本设计，覆盖全国24个省及所有重点城市地区并分层抽样2200多家，通过专业的计算模型分层放大，样本医院能推算9000多家。这是国内外其它数据库无法比拟的覆盖规模。

pharnexcloud数据库全球医药交易信息19,653（笔者权限不够，只能查到2021年至今的数据），由此可以推算pharnexcloud在全球医药交易信息数据也是高于IQVIA数据库的。

pharnexcloud：①专人对接需求，一对一指导，专业团队解决行业数据问题。②沙龙、巡讲、峰会、项目交易、需求对接等活动支持，VIP加入他们药融圈生态链（目前国内做得非常棒的医药人脉圈）。

pharnexcloud：目前是国内医药企业选择最多的医药数据库，因其产品功能的全面和数据全面而一跃成为现在市场最火热的医药数据库，其中药物研发版块和药品销售数据版块为业内顶尖。

笔者说再多都没用，最主要还是自身带着对医药数据库的需求点，亲身试用对比其数据，才能验证数据来源的可靠性。

2022年国内主流医药数据库有哪些？

目前主要使用的医药数据库分为两大类，一个是免费医药数据库，一个是商业综合类的医药数据库。医药数据库的本质是让用户能在短时间内在一个网站把想要的信息通过检索一览无余，因此，全面性、准确性、及时性是该类数据库的主要指标。

先说免费医药数据库，大大小小的比较多，但真正用户量大，达到一定使用频率的，我们在此推荐三个最全面的：

①：DrugBank数据库，它是加拿大阿尔伯塔大学（University of Alberta）研究人员将详细的药物数据和全面的药物目标信息结合起来,建立的真实可靠的生物信息学和化学信息学数据库。DrugBank包含50万种药物信息，其中包括2653种经批准的小分子药物、1417种经批准的生物技术(蛋白质/肽)药物、131种营养品和6451种实验药物。

②：pharnexcloud，他目前是开放程度高的中文界面医药数据库，包含了全球药品研发管线、审评审批进度、全球临床试验、中国临床试验、药品招投标、集采、一致性评价等大量整合信息。

③：ClinicalTrials，它是一个基于网络的资源，为患者、他们的家庭成员、医疗保健专业人员、研究人员和公众提供了方便地访问关于各种疾病和病症的公共和私人支持的临床研究的信息。该网站由 美国国立卫生研究院的国家医学图书馆(NLM) 维护（NIH），美国国家医学图书馆提供的资源，探索所有 50 个州和 221 个国家/地区的 422,494 项研究。注：所有资料及相关研究仅供参考，未取得相关政府机构评定。

免费数据库涉及数据层面的关联性相对单一、数据深度存在一定局限性，毕竟这类数据库没有像商业数据库那样花上足够多的人力成本及时间成本去清洗、整理、维护数据。

商业类医药数据库往往是高价值数据库的代表。商业类医药数据库特点是功能强大不仅能对学术类信息加以融合处理，还能分析药品全生命周期数据，竞品药品销售详细情况、竞品企业招投标、投融资、集中采购信息等；除此之外还能实时跟踪产品管线最新信息，做到实时调整战略方向，防止做无用功浪费企业资源。现在商业类数据库可以说是医药企业必备的数据库。笔者就国内药企主要使用的商业医药数据库（同时对比两个国外数据库）给大家一一列举。

药融云企业版Pharnexcloud

数据全面性：★★★★★

运营企业：药融云数字科技

上线时间：2020年

数据库数量：218个

产品组成：药物研发库群、上市药品库群、药品销售库群、市场信息库群、一致性评价库群、原料药库群、医疗器械库群、生产检验库群、合理用药库群、医药文献等十个版块构成。

数据来源：各国药品监管机构、试验研究、学术会议报告、文献期刊、异构资源、企业公告各国卫生机构、医学新闻杂志、网络资讯、专利、协会学会等。

数据特色：数据采集近80个主流国家，监控全球10万+医药数据信息源，数据放大模型算法涉及人口学、经济学、发病率、医疗资源分布等各类特征参数。

增值服务：①专人对接需求，团队解决问题。②沙龙、巡讲、峰会、项目交易、需求对接等活动支持，能加入他们药融圈生态链。

优点：全面覆盖医药领域全产业链各环节，数据总量大、数据来源、专业报告、数据算法、结果展示都做得非常好。

缺点：相比较于全球顶尖的cortellis、informa等，pharnexcloud的数据展示结果关联性还有明显的进步空间。

pharnexcloud医药数据库后来居上，进步很快，近年来逐步成为国内医药企业选择较多的医药数据库，因其产品功能的全面和数据全面性得到越来越多的认可，希望能保持这个进步速度。

药智

综合性推荐指数：★★★★☆

运营企业：重庆康洲数据

上线时间：2009年

产品组成：由研发、一致性、生产、上市、市场、用药、药化、中药材、器械等九个版块组成。

数据来源：地区机构、资讯、企业公告报道、医疗会议、公司年度报告、医疗卫生机构、医学杂志、专利、商标、技术实施文件、学术会议、技术报告、科技期刊等。

数据库数量：172个

检索方式、功能点、底层数据架构、界面展示：与insight、Pharnexcloud数据库大体一致。

优点：药物综合报告、审评、临床数据都做得相当不错。而且仅此一家推出了化妆品、食品数据库。

缺点：药品销售数据起步阶段暂不够成熟，全球数据相对量少。（药品销售数据对于药品的立项调研、竞品销售分析、销售战略目标制定都是重中之重）。创新药物收录数量有待提高。

医药魔方

综合推荐指数：★★★★☆

运营企业：北京华彬立成

上线时间：2013年

数据库数量：49个

产品组成：资本透视、全球新药、全球临床、基础数据、市场洞察这五个版块构成。

数据来源：实验室研究、内部会议、专业报道、专利、商标、技术实施文件、学术会议、技术报告、科技期刊、文献、教科书、地区机构、资讯、新闻资讯、公司年度报告等。

产品亮点：资本透视和创新药物版块做得非常不错，在该领域都属于行业佼佼者。

收费：单价在国内偏高

优点：投融资版块、可视化疾病图谱和靶点整合、审评、临床等数据做充分关联、新上线的NextMed板块有一定领先性、其投融资版块做得很好。

缺点：总体数据数量偏少，药物研发也只解读了3万多个药物，比较同类产品丢失部分功能版块，全球数据不够丰富。销售数据模块虽然有，但十分封闭，无任何宣传，对其具体情况业内不了解。

医药魔方作为创新药物和医药投融资数据库目前国内用户沉积多的数据库之一，但其产品功能过于封闭，已成自己的围墙。

药渡

综合推荐指数：★★★☆

运营企业：药渡经纬信息科技

上线时间：2013年

数据库数量：132个

产品组成：由全球药物、全球器械、投资生态、临床研究、专利文献、政策法规、世界药问、数据定制八个版块构成。

数据来源：实验室研究、内部会议、专业报道、专利、商标、技术实施文件、学术会议、技术报告、科技期刊、在线数据库、在线辞典、电子书库、地区机构、资讯、企业公告报道、医疗会议等。

优点：其药物研发信息与国内审评、临床等多个库均有不错的关联，层级结构、标签及界面都做得相当不错。对生物药、化学药等细微标签做了单独优化。

缺点：目前没有药品销售数据，临床、上市药品分析等数据采集方面比较弱，总体数据量在业内偏弱。

药渡作为国内老牌医药数据库之一以全球研发数据为核心，重点发展咨询业务。缺少销售数据其核心版块数据，导致其数据业务只是一直低价在为其咨询业务做支撑。

米内

综合推荐指数：★★★★☆

运营企业：广州标点医药信息

上线时间：2010年

数据库数量：72个

产品组成：药品销售（多层格局，医院、零售）、审评进度、上市药品、临床试验、中标数据、全球新药研发、全球专利、项目进度这个七个版块构成

产品特色：国内药品销售数据领头企业，其医院销售数据以“三大终端六大市场”为基础，分层抽样多等级医院放大至全国。城市公立医院、县级公立医院、实体药店、网上药店、城市社区卫生中心、乡镇卫生院等各类维度齐备。

优点：南方所背景，医院销售数据算法和研发数据都做得非常不错。六大格局在国内首屈一指。近期上线了独家的电商类数据，虽然业界还在争议电商数据可信度，但毕竟先走出了这一步。

缺点：全面性比较弱，销售数据以外的全球数据、研发数据、审批数据相对重视程度很低，版本一直没有大的进展。

米内医药数据库南方所背景其医院销售版块覆盖面最广之一，但其它版块相对薄弱。

丁香园Insight

综合推荐指数：★★★☆

运营企业：杭州观澜网络

上线时间：2013年Insight（2006年总部）

产品组成：临床试验、申报进度、药品库、上市产品、制药企业、招投标、一致性评价、医药新闻、生物制品、全球数据等十个版块构成。

数据来源：内部会议、专业报道、专利、商标、在线数据库、在线词典、电子书库、异构资源共享平台、知识库、地区机构、资讯、企业公告报道、医疗会议、新闻资讯等。

产品特色：其界面小功能开发丰富特别是小图标的应用在国内UI设计上是好的，区别于同类产品。

检索方式、功能点、底层数据架构、界面展示：与药智数据库大体一致。

优点：搜索体验、UI界面小功能、时间轴、注册数据、国内药物审评、上市批文这些国内数据中做得非常不错。

缺点：市场和销售相关数据涉及较少，全球研发数据处于刚起步阶段(全球药物研发数据对于药企来说十分重要可谓是医药行业的风向标，在全球药物格局、药物立项调研、企业发展战略方向制定方面的重要性不言而喻)

Insight作为老牌医药数据库的典型代表，背靠丁香园集团的大树，目前国内用户沉积多的数据库之一，但因其药物研发数据版块、药品市场与销售数据起步晚，影响了其总体优势。

上海医工院PDB

综合推荐指数：★★★

运营企业：上海数图健康医药科技

上线时间：2011年

数据库数量：31个

产品组成：分为药物综合和新药研发监测两个数据库；药物综合数据库包含了国内市场、细分市场、全球市场、国内工业生产、企业经济运行五个版块；新药研发监测数据库包含了全球研发、中国研发、一致性评价、企业竞争，品种筛选分析五个版块。

数据来源：专利、商标、技术实施文件、学术会议、技术报告、科技期刊、文献、教科书、地区机构、资讯、新闻资讯、公司年度报告、pjb等。

优点：工信部背景知名度高国产医药数据库鼻祖，审评、临床等数据有不错的关联展示；新上线的RPDB零售板块有明显的优势提升；RAS医药处方分析系统具备一定独家性。

缺点：数据全面性相对不高，部分工业类数据更新较慢，UI设计过于传统。PDB作为全国老牌医药数据库之一，全球药物研发数据采集处于起步阶段，也许是底层架构设计问题单开了一个CPM（新药研发监测数据库）导致其部分关联性较差。

科睿唯安cortellis

综合推荐指数：★★★★☆

产品组成：Cortellis 数据库包含Cortellis竞争情报、Cortellis早期药物发现、CMC、仿制药、原料药、系统生物学Metacore等等多个模块，主要由竞争信息、疾病简报、监管信息、新闻、药物发现信息这几个版块构成；

数据来源：各大药品监管机构、新闻杂志、网络资讯、文献期刊、学术报告、专利商标、公司年报等。

检索方式、功能点、底层数据架构：这三个维度和informa数据库基本一致，只是样式展示风格不一样。

优点:  在展示结果关联性、专业报告、数据维度方面都做得非常好。

缺点:  缺少系统化药品销售数据，对中国企业管线监控出现不少滞后和少量错误，缺少中国药监局等数据分析。

cortellis医药数据库目前在世界医药领域知名医药数据库之一，因在国内因为其水土不服相比之下使用人群比例不是那么多。

英富曼Informa

综合推荐指数：★★★☆

产品组成：Biomedtracker、Pharmaprojects、Sitetrove、Trialtrave、Datamonitor Healthcare、In Vivo、Medtech Insight、Pink Sheet、Scrip多个版块组成。

数据来源：各国药品监管机构、医疗卫生机构、新闻杂志、网络资讯、文献期刊、学术报告、专利商标、公司年报、搜索引擎、学术会议等。

检索方式、功能点、底层数据架构：这三个维度和cortellis数据库基本一致，只是样式展示风格不一样，更符合国人使用习惯。

优点：可以综合计算药物批准通过率，数据更新历史记录，在新闻数据追溯、展示结果关联性、数据维度方面都做得很好。

缺点：没有销售数据、没有仿制药信息、缺少中国药监局数据解读，中国企业管线跟踪滞后；

Informa医药数据库当前世界主流医药数据库之一，其Pharmaprojects版块Pharnexcloud的’全球药物研发版块’被客户比较得多，因为价格和缺少国内审批等数据因此占有率偏低，目前在国内主要客户人群为高校为主。

一共写了目前国内主要使用9个主流数据库的测评，2个国外医药数据库。每个数据库都各有特色，可以根据自身情况供您选择。

如何分析一篇meta分析的写作技巧

　　1.首先要明白什么是meta分析，以及自己写meta的目的是什么。
　　meta分析中文叫荟萃分析，是利用统计学方法对现有的研究资料进行分析的一种方法。举个简单的例子，如术前血糖控制与手术并发症的关系，假设现有RCT 12个，每篇文章的结果不尽相同，你通过量化分析等到的就是一个样本量更大、理论上更为可靠的结论。当然，这个分析绝对不是死板的，比如你分析的时候可以从手术种类、原先血糖范围、控制后血糖分为、并发症种类进一步分析，这样得到的结果是单篇研究所不具有的。
　　明白了什么是meta，于是大家都发现，这是一种不用“做实验”的写作方式，并且主题源源不断，于是有人把他当成了一种发文章的手段，据说上海某神人曾今一年发过100多分文章，其中不少都是meta。但是话说回来，无论你目的是什么，如果没有对自己的meta分析进行严格的质量控制，或是为了发文章而发文章，没有很好的想法，是很难写出一篇较好的meta分析的。所以，我更主张那些有想法（无论会不会写meta，哪怕是什么都不会写也没关系）去写有意义的meta分析，而不建议那些meta分析熟手、能手大量刷这类文章，这类文章，写一两篇便已足够。
　　永远都是meta分析的灵魂，选题是最重要的！
　　我想，所有准备写meta分析的同学有这样的困惑：为什么我想写的话题都有人发了，而自己找的一些都很难写，或者干脆文章不够？这其实是有多方面原因的，一是meta分析作为一种近几年稳步发展的分析方法，目前已经有很多人写了，所以重要的主题、又有很多RCT的基本都被写了，二是现在不少医学生文献检索能力还没有达到熟练的等级，一个同样的话题，一个人只能搜到三四篇，而有些人可能可以搜到十几篇。但是以上两个都还是次要的，主要的还是对自己学科和领域缺乏持续性的关注，想突击出一个好想法是很难的；而且对自己的领域学习不够深入，就算是有好想法，往往思考到一半就放弃了。
　　我的第一篇也是目前唯一发表的meta其实是自己事先略有关注的，并且发表的还是骨科的Top杂志，而其他一些突击寻找的主题，都被杂志拒稿了。10年开始，当时还在住紫金港，没事逛逛丁香园、JBJSA，了解一些学术动向，但是被两篇新英格兰的文章吸引，就是质疑椎体成形术（PVP）效果的两篇RCTs，后来在Lancet上找到一篇类似的RCT，搜了一下，大概总共有六七篇篇文献，这些文章的结论都是支持PVP的，直到后来11年6月份接触了meta分析，突然想到，以前这么好的话题怎么没有人写meta，我后来查了美国骨外科学会（AAOS）的Guideline，仔细对照了它的参考文献，觉得这是一个很好的争议话题，于是着手搜集资料、写作。因为担心别人抢先，真正的写作修改只花了我两个月时间，但前期搜集资料的时间其实是很长的。11月投稿，今年5月份接受，6月份电子版刊出，期间经历两次修改，peer reviewer的问题非常多，不过态度都还好。刊出以后，令人惊奇的是AAOS则在Research版块首页进行回应 （Headline News 7/27/12 )，坚持Guideline的正确性，虽然是作为反方，但竟然能上美国骨科学会reseach版块的版面还是让我觉得很有成就感。
　　其实回过头来看，我的第一篇meta能被接受的最主要原因不是写作这些次要的，而是选了一个很好的题，引起主编的兴趣，而选择好题目，对以后引用率的影响也是非常有意义的。
　　3.如何进行文献搜索？
　　上面提到了，有个好的想法很重要，那么接下去就是做了，第一步便是搜索。常用的数据库应该在4个以上，其中本人推荐一下四个：Pubmed， Web of science，Embase，Cochrane。其中浙大的同学可能发现Embase学校没买，所以要用别的方法，如淘宝上买或是别校同学代为搜索。合理运用搜索语言或是搜索方法，如布尔逻辑赋、Mesh、Limits等等，增加精度。搜到的文献，就要进行筛选，从标题到摘要到全文，一步步精简。具体搜索文献的方法就不赘述了，有问题的同学可自行翻看当年医学院胡晓君副教授的课件。这里推荐两个好网站
　　（1）读秀，IP识别，浙大的同学可直接登录，里面可以留下邮箱，就会有工作人员帮你搜索文献然后发到你邮箱
　　（2）康健世讯，某附属医院购买的数据库，需要密码（需要可发短信问我哈），不过今年9月份好像会过期
　　搜索时及时保存搜索结果（如Pubmed可以注册一下，就能保存了）。搜索步骤就要在文章中体现成下表

　　4.文献质量评估及数据提取。这个部分其实没什么具体可以介绍的，也是最烦人的一点，仔细阅读文章，找到能用的所有数据。学会转化数据，如：直接从图中测量Mean和SD，将四分位数据转化为Mean+SD，只有Mean的时候如何估计SD等等。实在不行，可以联系原作者，有礼貌地索要数据。事先做好表格，数据往里填，一个格子只用一个数据，等到你把他往分析软件里面搬的时候，就发现有多方变了。文献的质量评价方面，阅读别人的文章，学习别人的评价方式对自己引入的研究进行质量评价，还有别忘了引入文献的基本信息也是要写进去的。文献的质量评价是很重要的，决定了meta的可可信程度，对于低质量的文献，甚至可以在分析中直接删除。

　　我采用的是腰背部手术文献的质量分析表，由十二项组成（具体的见图，不翻译了），每一项质量评价如果该研究有做到就打Y，得一分，累计下来，按从高到低划分质量档次。
　　5.数据分析
　　数据分析是meta分析的重点。目前常用的软件不多，推荐Stata和RevMan。RevMan比较好上手，图片比较好看，而且是Cochrane出品的，被各类杂志认可，缺点是缺少某些复杂的功能。下面以Revman为例：

　　数据栏采用“傻瓜式”输入法

　　上面是输出结果（已经被我PS成比较好看的了）。具体操作不想赘述，详见

　　但是有几点需要说明：
　　（1）异质性：可以用I2来评价，异质性的意思是不同研究间差异太大。如果异质性太大，分析结果就会不可信，解决方法有回归分析和亚组分析
　　（2）随机模型和固定模型：这个很难理解，简单记住：I2大于50%，用随机模型，否则反之。
　　（3）回归分析：Revman中无法直接实现回归分析，可以使用Stata。如果引入文章数量小于10篇，则不能（或无需）进行回归分析。
　　（4）亚组分析：根据不同因素分不同亚组，分开进行分析，如是否是随机性研究，从而可以：1.减少异质性；2.发现因素对结果的影响

　　6.各分析的质量评估
　　这个和前面的文献质量评估是不一样的，是对你的每一个分析的质量进行评估，常用的标准是GRADE（Google就能查到，还有软件，里面有说明，其实这个软件完全是多余的，不过有了确实方面点）

　　还有就是漏斗图，这个我想大家都知道，评价发表偏倚的，也是要的，Revman就可以实现，很好用

　　7.成文与投稿
　　于是，具备以上一些要素，然后你再写点引言、分析就行了，投稿方面与一般的文章无差别，但有以下几点需注意：
　　（1）投稿的杂志选择，是否都接受meta分析。投稿的杂志是不是符合你的心理预期，另外可以结合学校/医院特点，如学校订的Top期刊首先考虑。
　　（2）文章类型的选择。Meta分析在不同杂志被认为是不同类型的文章，一些是Review，也就是综述，而有些则是Article有些是Systemtic review但在ISI中查询可以发现是Article。Article的文章在毕业、晋升等方面与review有很大的不同，所以如果有这个需要的可以用ISI查一下用类型的文章在ISI中显示的类型，因为晋升的话，你就要拿着在学校图书馆开ISI检索证明，所以那个显示什么就是什么。
　　（3）最后一点，meta分析不像实验性研究，很可能被人抢先而你的努力白费了，所以一定要非常快！切记！

lancet怎么读

lancet的读音是英[ˈlɑːnsɪt]，美[ˈlænsɪt]。

一、释义

1、lancet是一个名词，意思是柳叶刀，（医生用的）小刀。

2、lancet的复数形式是lancets。

二、例句

1、The study is in the lancet medical journal.

这项研究发表在柳叶刀医学期刊上。

2、The findings are published on thursday in an online edition of the lancet medical journal.

这项研究报告刊登在周四的柳叶刀医学杂志在线版上。

3、A new paper,published in the lancet , aims to provide some scientific backing for such decisions.

柳叶刀上新发表的一篇论文旨在为这些决定提供一些医学上的依据。

4、The study appears online oct. 7 in advance of publication in the november print issue ofthe lancet oncology.

这项研究发表10月7日提前在网上发表，其印刷版将会发表在柳叶刀11月肿瘤学版块。