基于WOS的重癥醫(yī)學領域人工智能研究的可視化分析

張開友,王思佳

四川大學華西第二醫(yī)院臨床檢驗科/出生缺陷與相關婦兒疾病教育部重點實驗室,四川成都 610041

有研究報道,重癥監(jiān)護室(ICU)患者的病死率為8.6%～79.0%,而影響患者預后的原因復雜多變[1-2]。在眾多影響因素與不確定環(huán)境下,醫(yī)生和患者家屬在大量復雜的數(shù)據(jù)信息和病情變化面前,需要做出高風險決策;而臨床醫(yī)護人員在治療計劃、最優(yōu)資源分配、工作量確定、護理質(zhì)量評估等方面也面臨重大挑戰(zhàn)[3-4]。近年來,人工智能(AI)在醫(yī)療健康領域中得到廣泛應用,其主要目標是從大數(shù)據(jù)中挖掘隱藏的信息,并幫助醫(yī)務人員做出有效的臨床決策[5]。AI在疾病診斷、癌癥患者篩查、治療選擇、減少用藥錯誤和提高醫(yī)療技術等方面的研究不斷增長[6-9]。在重癥臨床工作中,AI發(fā)揮著不可忽視的作用,因重癥患者需24 h實時監(jiān)測,有大量動態(tài)客觀的數(shù)據(jù)供挖掘,而AI可通過信息提取和機器學習等來加強患者臨床治療的決策制訂、構建病情預測模型、優(yōu)化醫(yī)護工作流程等,也可通過患者實驗室檢測指標、生命體征變化及影像學檢查結果等在關鍵時刻識別重癥患者病情變化,為制訂臨床方案提供依據(jù)。隨著AI在重癥醫(yī)學中應用的劇增,迅速了解該領域的研究內(nèi)容和研究熱點非常重要,因此,本研究采用文獻計量學分析方法對該領域文獻進行可視化分析,以全面概述重癥醫(yī)學領域AI應用的研究趨勢和熱點,為未來AI在重癥患者中的研究提供有意義的方向。

1 材料與方法

1.1數(shù)據(jù)來源和檢索策略 檢索Web of Science數(shù)據(jù)庫(WOS)核心合集,檢索時限為2000年1月1日至2022年7月31日。由2位研究者獨立進行文獻檢索,檢索結果具有一致性。納入標準：摘要符合AI結合重癥醫(yī)學領域的主題;排除標準：科技成果、報紙、會議的文獻報道。

1.2研究方法 采用CiteSpace6.1.3(64-bit)和VOSviewer1.6.18對文獻的國家、機構和作者進行合作網(wǎng)絡分析,對共被引文獻和關鍵詞進行共現(xiàn)分析,從而探尋重癥醫(yī)學領域AI研究的分布、研究熱點和趨勢。根據(jù)研究目的設置CiteSpace的時間跨度為2000-2022年,時間切片為1年。網(wǎng)絡節(jié)點關聯(lián)強度選擇Cosine算法,選擇標準閾值設定為g-index=25。根據(jù)可視化結果選擇最小生成樹算法對可視化網(wǎng)絡進行精簡優(yōu)化。

2 結 果

2.1文獻檢索情況 共檢索文獻3 362篇,剔除重復文獻2篇,非英語文獻49篇,非研究類和綜述類文獻718篇,最終得到有效文獻2 593篇。檢索策略見表1。

表1 2000-2022年AI在重癥醫(yī)學領域研究文獻檢索策略

2.2發(fā)文量分布特征 重癥醫(yī)學領域AI研究發(fā)文量呈逐年增長的趨勢,可分為3個階段,最后一個階段增長迅速,波動較大。(1)2000-2015年：AI在重癥醫(yī)學領域的研究增長緩慢,年平均論文數(shù)28.56篇;(2)2016-2018年：年平均論文數(shù)達117.67篇,與前一時期相比,增長明顯。(3)2019-2022年：年平均論文數(shù)達445.75篇,占整個研究時段發(fā)文量的68.76%(1 783/2 593),呈爆發(fā)式增長。見圖1。

圖1 2000-2022年重癥醫(yī)學領域AI研究年發(fā)文量圖

2.3國家、機構、作者合作強度 所檢索到的文獻包含91個國家、3 745家機構、13 656位作者參與重癥醫(yī)學領域AI的研究。國家發(fā)文量排名前3位的分別是美國(1 027篇)、中國(438篇)、英國(184篇);機構發(fā)文量排名前3位的分別是麻省理工學院(78篇)、哈佛醫(yī)學院(64篇)、匹茲堡大學(53篇),合作密切度排名前3的是麻省理工學院[連線粗細程度(TLS)=53]、哈佛醫(yī)學院(TLS=44)、貝斯以色列女執(zhí)事醫(yī)療中心(TLS=43)。作者發(fā)文量前3位是CELI L A(27篇)、ZHANG Z H(19篇)、LEE J(16篇)。作者之間以麻省理工學院的CELI L A和浙江大學ZHANG Z H等為核心的研究團隊。見表2和圖2～4。

表2 國家、機構和作者發(fā)文量和合作強度

圖2 國家/地區(qū)合作網(wǎng)絡圖

圖3 機構合作網(wǎng)絡圖

2.4共被引文獻分布和聚類結果 對82 624篇參考文獻創(chuàng)建了一個共被引文獻的聚類網(wǎng)絡,在該可視化網(wǎng)絡中,不同的節(jié)點類型組成一個聚類,代表共引文獻的數(shù)量和中心性。具有代表性的引文標簽顯示了每個聚類的研究主題,文獻的共引用頻次及中心性分別見表3～4。CiteSpace生成了一個包含755個節(jié)點和1 244條線條的聚類圖,見圖5。其中,Modularity Q=0.842 9,Silhouette=0.866 7,模塊化Q>0.3,說明聚類結構合理。被引頻率排名前3的文獻作者是JOHNSON A E W(2016年,頻次為297)、SINGER M(2016年,頻次為149)、NEMATI S(2018年,頻次為92),中心性排名前3的文獻作者是CELI L A(2013年,中心性為0.18)、SINGER M(2016年,中心性為0.12)、SAEED M(2011年,中心性為0.11),CELI L A(2013年)和SINGER M(2016年)的頻次分別為15和149,但中心性都>0.1。聚類結果顯示,共被引文獻生成6個聚類標簽,包括#0 sepsis(膿毒癥)、#1 COVID-19、#2 physiologic monitoring(生理監(jiān)測)、#3 asynchronies(異步性)、#4 mortality prediction(病死率預測)、#5 brain injuries(腦損傷),見圖5、6。

圖4 作者合作網(wǎng)絡圖

表3 2000-2022年AI在重癥醫(yī)學領域的高頻次共被引文獻

表4 2000-2022年AI在重癥醫(yī)學領域的共被引文獻的中心性

圖5 共被引文獻聚類視圖

圖6 共被引文獻時間線圖

2.5關鍵詞的分布和聚類結果 共計8 712個關鍵詞被納入研究,machine learning(機器學習)、mortality(病死率)、intensive care unit(ICU)關鍵詞出現(xiàn)頻次超500次,其次risk factors(危險因素)、artificial intelligence(人工智能)、sepsis(膿毒血癥)、critical care(危重護理)、outcome prediction(結局預測)等關鍵詞出現(xiàn)頻次相對較高(>200次),見表5。關鍵詞聚類圖顯示,VOSviewer關鍵詞最小出現(xiàn)頻次閾值為5,符合條件的關鍵詞為784個,包含machine learning(機器學習)、mortality(病死率)、sepsis(膿毒血癥)、critical care(危重護理)、management(管理)和mechanical ventilation(機器通氣)7個聚類標簽。見圖7、8。

圖7 關鍵詞聚類網(wǎng)絡圖

表5 2000-2022年AI在重癥醫(yī)學領域頻次≥100次的關鍵詞分布情況

續(xù)表5 2000-2022年AI在重癥醫(yī)學領域頻次≥100次的關鍵詞分布情況

圖8 關鍵詞時間線圖

3 討 論

CiteSpace和VOSviewer的可視化功能允許對近22年AI在重癥醫(yī)學領域的原始文章進行文獻計量學分析。本研究結果顯示,2000-2022年發(fā)表的關于該主題的科學文章數(shù)量呈增長趨勢。由此可見,AI在重癥醫(yī)學領域的應用已逐漸成為一個重要課題。目前多見單一量化的文獻分析,少見應用文獻計量學研究系統(tǒng)對該領域進行分析和概述的研究;隨著AI在重癥醫(yī)學領域的深度應用,需要及時掌握該領域的重點研究內(nèi)容和熱點,并反饋予臨床。本研究正是契合這一要點,分析近22年AI應用于重癥領域的相關文獻,通過繪制知識圖譜對該領域發(fā)展現(xiàn)況、研究熱點及趨勢進行可視化分析,為未來臨床AI在重癥患者中的研究提供有意義的方向。

3.1國家、機構、作者合作強度分析 本研究顯示,國家發(fā)文量排名前3位的分別是美國(1 027篇)、中國(438篇)、英國(184篇)。TLS反映各國之間合作關系密切程度,以美國為中心開展的研究眾多,其次是英國。機構發(fā)文量排名前3位的分別是麻省理工學院(78篇)、哈佛醫(yī)學院(64篇)、匹茲堡大學(53篇),合作密切度排名前3的是麻省理工學院(TLS=53)、哈佛醫(yī)學院(TLS=44)、貝斯以色列女執(zhí)事醫(yī)療中心(TLS=43)。作者發(fā)文量前3位是CELI L A(27篇)、ZHANG Z H(19篇)、LEE,J(16篇)。說明AI在發(fā)達國家的應用較發(fā)展中國家多,但國家之間、機構間的合作力度不夠,還有待加強,這或許與國家綜合科技實力相關;作者間合作以麻省理工學院的CELI L A和浙江大學ZHANG Z H最為密切。另外,本研究發(fā)現(xiàn)2019-2022年,AI在重癥醫(yī)學領域應用的文獻呈現(xiàn)爆發(fā)式增長,這說明該領域的研究已經(jīng)成為各國、各機構的關注熱點,其研究價值和應用前景都值得研究人員關注。

3.2共被引文獻的分布和聚類分析 本研究顯示,被引頻率排名前3的文獻作者是JOHNSON A E W(2016年,頻次為297)、SINGER M(2016年,頻次為149)、NEMATI S(2018年,頻次為92),中心性排名前3的文獻作者是CELI L A(2013年,中心性為0.18)、SINGER M(2016年,中心性為0.12)、SAEED M(2011年,中心性為0.11),CELI L A(2013年)和SINGER M(2016年)的頻次分別為15和149,但中心性都>0.1,說明這2篇參考文獻的影響力較大。對于聚類分析,共被引文獻生成6個聚類標簽,包括#0 sepsis(膿毒癥)、#1 COVID-19、#2 physiologic monitoring(生理監(jiān)測)、#3 asynchronies(異步性)、#4 mortality prediction(病死率預測)、#5 brain injuries(腦損傷)。圖6時間線圖中,節(jié)點出現(xiàn)的時間表示該聚類首次引用時間,“#5 brain injuries(腦損傷)”聚類出現(xiàn)最早,(2007年),而“#1 COVID-19”出現(xiàn)時間最晚(2019年)。說明近幾年研究人員的關注熱點是膿毒癥、生理監(jiān)測、病死率預測、腦損傷和COVID-19,而這些熱點中蘊含的危險因素識別尤為重要。

3.2.1危險因素識別的AI研究對臨床決策有重要作用 通常,重癥患者病情重且變化快,醫(yī)生和護士期望通過AI技術識別出對患者生命有影響的因素,在病情惡化之前提前采取措施,阻止患者出現(xiàn)生命危險。這類研究包括對病死率和預后的預測、實驗室數(shù)據(jù)和影像學資料中危險信息的識別、住院時長和非計劃再入院率的預測。本研究也發(fā)現(xiàn),AI算法對危重患者膿毒血癥、病死率、出入院等進行預測的內(nèi)容是近年的熱點。有研究表明使用無創(chuàng)參數(shù)來預測ICU患者院內(nèi)早期病死率,可納入變量多達151個,建立的患者病死率預測模型優(yōu)于傳統(tǒng)評分方法,這為ICU患者病死率預測的廣泛應用提供了可能,為制訂準確的臨床決策提供了依據(jù)[10]。同時,部分研究的主要方向為利用AI開發(fā)可識別重癥患者病情變化的電子病歷系統(tǒng)。因此,著眼于危險因素識別的AI研究對臨床決策意義重大。

3.2.2機械通氣報警識別是危險因素中AI研究的主要內(nèi)容 機械通氣是重癥患者治療的重要部分,AI在機械通氣的應用包含對機械通氣患者插管時長和病死率預測、插管定位、拔管后后低血氧飽和度的預測。YANG等[11]開發(fā)一個基于基線變量的機器學習模型對快速淺呼吸指數(shù)的軌跡識別延長機械通氣患者。CHAN等[12]采用機器學習建立機械通氣患者病死率預測模型,急性生理與慢性健康評分、血紅蛋白和清蛋白是預測年病死率的鑒別點。早期準確預測氣管插管位置對危重患者至關重要,基于AI的關鍵點檢測系統(tǒng)發(fā)現(xiàn),氣管插管經(jīng)隆突插入20～55 mm是最佳位置[13]。而機器學習算法可精準預測重癥患者拔管后出現(xiàn)低氧血癥的風險[14]。由此可見,AI與機械通氣的深度融合應用,對重癥患者的精準治療提供了重要參考依據(jù),這一研究內(nèi)容也值得臨床關注。

3.3關鍵詞的分布和聚類分析 本研究顯示,關鍵詞聚類分析中,共出現(xiàn)machine learning(機器學習)、mortality(病死率)、sepsis(膿毒血癥)、critical care(危重護理)、management(管理)和mechanical ventilation(機器通氣)7個聚類標簽。時間軸視圖顯示,幾乎每年都會出現(xiàn)新的關鍵詞,machine learning(機器學習)、deep learning(深度學習)、artificial intelligence(工人智能)等是近2年的熱點詞匯。這說明隨著時間的推移,研究熱點會不斷變化,研究人員需要實時關注。

3.3.1機械學習、深度學習,是AI研究的鮮明特點,并在自動化預測方面有重要作用 DESAUTELS等[15]開發(fā)了基于患者生命體征的機器學習預測模型識別膿毒血癥,該模型只涉及6項基本生命體征,缺少大量臨床數(shù)據(jù);有研究表明,基于機器學習模型,結合人口學特征、生命體征、血液檢測結果、評分系統(tǒng)等變量可以更準確地識別膿毒血癥的發(fā)生[16]。SAWHNEY等[17]研究也表明AI在預測膿毒血癥患者病死率中,格拉斯哥昏迷量表評分、血尿素氮、呼吸頻率、尿量和年齡是重要的因素。這說明AI在膿毒癥自動檢測系統(tǒng)、病死率預測等方面發(fā)揮著重要作用。此外,急性腎損傷(AKI)是危重癥患者常見的并發(fā)癥,其發(fā)生率高達60%,病死率為40%～60%[18],傳統(tǒng)研究對AKI識別和預測有巨大貢獻,但AKI的特異性和病理生理學表現(xiàn)仍是一大挑戰(zhàn)。KOYNER等[19]利用電子健康數(shù)據(jù)開發(fā)了一種預測工具,預測在血清肌酐升高的41 h內(nèi)未進行血液透析時,發(fā)生AKI 2期的可能性較大。因此,AI可能在AKI事件后的AKI軌跡和風險評估中發(fā)揮進一步的作用。與此同時,有研究表明采用機器學習對膿毒癥患者AKI的預測,可用于協(xié)助臨床醫(yī)生識別高?；颊卟嵤┰缙诟深A以降低病死率[20-21],而基于機器學習模型可以預測膿毒癥相關AKI危重患者住院后48、72、120 h及ICU入院后28 d內(nèi)的住院病死風險[22]。

3.3.2AI在臨床領域的廣泛應用可以為臨床研究提供重要數(shù)據(jù) 目前,AI也在不同科室的重癥患者中得到運用。在神經(jīng)外科重癥患者中被用于智能護理信息管理系統(tǒng)的設計和腸內(nèi)營養(yǎng)支持評估等[23];在急診重癥患者中用于分診[24];在兒科重癥患者中用于中心靜脈導管相關深靜脈血栓形成的危險因素識別和患者臨床結局預測[25];也被用于利用呼吸機參數(shù)預測心臟ICU患者快速脫機程序[26]。這說明AI的應用正在臨床領域廣泛開展,其重要的應用參考價值日漸凸顯。同時,筆者也發(fā)現(xiàn)多參數(shù)重癥監(jiān)護智能監(jiān)測Ⅱ已成為機器學習模型構建和驗證的重要數(shù)據(jù)庫。越來越多的研究者利用該數(shù)據(jù)庫數(shù)據(jù)預測重癥患者治療、預后、并發(fā)癥等,為重癥患者的管理、治療和護理提供了依據(jù)。

近二十年AI在重癥醫(yī)學中的應用取得了顯著進步,國內(nèi)外的關注熱點具有一致性,美歐國家處于領先位置,主要表現(xiàn)在發(fā)文量和機構合作密切度上,國內(nèi)機構需要加強與領先機構的合作交流,提升在該領域發(fā)展速度和質(zhì)量。本研究通過對AI在重癥醫(yī)學研究中的可視化分析,發(fā)現(xiàn)當前重癥醫(yī)學領域AI研究的熱點集中在膿毒血癥、生理監(jiān)測、病死率預測、腦損傷和機械深度學習上。而5G的推廣使用,使AI在重癥醫(yī)學中應用的研究不僅關注預測重癥患者的臨床結局,在治療、并發(fā)癥等方面的應用也取得重要的成果,這一結果也促進未來的研究將AI的成果用于實踐。本研究也存在一些局限性。首先,本研究只包括一個數(shù)據(jù)庫中的原創(chuàng)文章和評論;其次,AI在重癥醫(yī)學領域的倫理研究的文獻數(shù)量和影響有限,未被軟件提取熱點和趨勢。