分析實務 9.3。以大型電子病歷（Electronic Medical Records, EMR）資料倉儲分析疾病共病網路與性別差異。
理解大型資料、網路節點／邊、共病關係與平台選擇。
Oklahoma State University 的健康系統創新中心（Center for Health Systems Innovation） 使用 Cerner 提供的去識別化電子病歷資料，以 Teradata Aster、結構化查詢語言（Structured Query Language, SQL）及原書所列 SQL 延伸框架與 Gephi 分析男性與女性共病網路。
| 原書資料 | 數值 |
|---|---|
| 獨立患者 | 超過 5,000 萬 |
| 資料期間 | 2000–2015 |
| 檢驗結果 | 超過 24 億筆 |
| 藥物訂單 | 超過 2.95 億筆 |
| 藥物名稱／品牌 | 近 4,500 |
| 女性分析樣本 | 1,200 萬 |
| 男性分析樣本 | 990 萬 |
| 女性網路 | 899 節點、14,810 邊 |
| 男性網路 | 839 節點、12,498 邊 |
以三位數國際疾病分類第九版臨床修訂（International Classification of Diseases, Ninth Revision, Clinical Modification, ICD-9-CM）疾病分類建立節點；依 Salton 餘弦指數（Salton Cosine Index）的相似度建立疾病間邊；比較男女網路密度與疾病關聯模式。
女性比男性多 60 個節點、2,312 條邊。原書指出女性的精神疾病共病較多；部分脂質代謝與慢性心臟疾病的關聯在男性較強。
大型網路可把數百種疾病關係放在同一視圖中，但觀察到的性別差異是研究問題的起點，不能直接推論生物、行為或政策原因。
根據男女節點與邊數計算差異，並將「觀察到的網路差異」與「可能原因」分開；不得自行推斷因果。
問題： 女性網路邊數較多，能否直接解釋成女性健康狀況較差？
參考解答： 不能。原書只說共病網路模式不同，並指出需要進一步生物、行為、臨床與政策研究。