基于高頻關鍵詞共現聚類的遠程醫療研究熱點分析

,

1906年，心電圖發明者Wilhelm Einthoven通過電話為患者提供醫療咨詢，開啟了遠程醫療的先河。而第一個真正意義上的具有醫生和患者交互功能的遠程醫療系統，則是1967年由美國馬薩諸塞州波士頓綜合醫院的一位放射科醫生創建[1]。隨著計算機、通訊以及數據處理技術的不斷發展，遠程醫療在用戶覆蓋范圍和技術方面都取得了良好的發展。

2014年8月21日，國家衛生和計劃生育委員會發布的《關于推進醫療機構遠程醫療服務的意見》(國衛醫發〔2014〕51號)(簡稱《意見》)認為，遠程醫療服務是一方醫療機構(即邀請方醫療機構)邀請其他醫療機構(即受邀方醫療機構)，運用通訊、計算機及網絡技術，為本醫療機構診療患者提供技術支持的醫療活動。遠程醫療作為解決空間距離困境的醫療服務提供方式，不僅可以為邊遠地區的人群提供較高水平的醫療服務，還可以降低醫療成本、縮減醫療時間，并且可以進行醫療數據的多方面共享和整合。

我國人口眾多、幅員遼闊，醫療資源配置不均衡的矛盾較為突出。遠程醫療能夠幫助解決資源配置不均的問題，彌補我國邊遠地區醫療資源的不足，使邊遠地區民眾享受到平等的醫療服務，同時可以借助建設的遠程醫療系統采集國民健康數據，輔助建立國民健康檔案。

Web of Science(WOS)是進行學科領域數據分析研究的首選數據庫。本文應用書目共現分析方法以及雙聚類軟件gcluto對WOS數據庫中遠程醫療領域內近10年的文獻進行分析，旨在挖掘遠程醫療研究熱點，為遠程醫療研究人員提供參考。

1 材料與方法

1.1 數據來源

題錄數據來自SCI核心合集，檢索式為：TS=(“tele* medicine*” OR “tele* health*” OR “remote* medicine*” OR “remote* health*”) OR TS=(“telemedicine” OR “telehealth”)，檢索起始時間為2008年1月1日至2017年11月20日，限定文獻類型為論文(article)、會議錄論文(proceedings paper)、書籍章節(book chapter)以及會議摘要(meeting abstract)，共檢索到9 523篇文獻，將這些文獻的題錄數據以txt格式導出。

1.2 研究方法

共詞分析即分析一對詞在同一對象(文獻、專利等)中出現的頻次，構建共詞矩陣，結合多元統計分析等其他分析方法對這些詞進行分析，是詞頻分析法的重要補充。共現分析的原理與共詞分析相似，但分析內容更加豐富，已經成為情報研究人員揭示研究領域主題、挖掘不同主題之間脈絡關系演變的重要情報研究方法之一[2]。書目共現分析系統(Bibliographic Items Co-occurrence Matrix Builder，BICOMB)作為文本挖掘的基礎工具，可以對中國知網(CNKI)、萬方、WOS等國內外數據庫的題錄數據進行抽取、統計以及共現分析[3]。圖形聚類工具包(Graphical Clustering Tool，gcluto)提供了交互式的可視化雙聚類方法。

將題錄數據導入BICOMB中，抽取數據并進行關鍵詞統計。首先對關鍵詞進行數據清洗，去除對本文無作用的詞，合并內涵相同的關鍵詞后，然后借助詞頻g指數法進行高頻關鍵詞截取。詞頻g指數法選取高頻關鍵詞，可以克服共現分析中關鍵詞選取主觀性強的缺陷。

應用詞頻g指數法選取關鍵詞的步驟為：將清洗后的關鍵詞按照出現頻次降序排列，從最高頻次關鍵詞開始計有g個關鍵詞出現頻次累計不少于g2次，而g+1個關鍵詞出現頻次累計少于(g+1)2次，選取前g個關鍵詞作為詞篇共現矩陣的關鍵詞項[4]。借助此方法，最終選取73個高頻關鍵詞作為詞篇共現矩陣的關鍵詞項(表1)。

表1 遠程醫療領域高頻關鍵詞

續表1

在BICOMB中截取詞頻高于18的關鍵詞生成詞篇共現矩陣，然后對矩陣數據進行清洗。根據表1中的關鍵詞，將無意義的詞項去除、同內涵的詞項合并之后，將txt格式的詞篇共現矩陣導入gcluto中進行雙向聚類。聚類方法選擇重復二分法，相似性計算選擇cosine函數，聚類標準函數設置為12，根據生成的聚類山峰圖不斷調整聚類的類數。

2 結果

2.1 聚類結果概述

對四到十類聚類類數方案比較之后，發現5個類數的聚類方案類內相似度較高，類間相似度較低，為合適的聚類方案。生成的可視化詞篇聚類矩陣如圖1所示。圖1的左側為高頻關鍵詞聚類樹，右側為對應的高頻關鍵詞，橫線隔開的5塊區域，平行右邊的關鍵詞為對應的類內關鍵詞，從上到下5個聚類分別為類2、類4、類1、類3和類0。

遠程醫學高頻關鍵詞聚類山峰見圖2。圖中每個山丘的形狀為高斯曲線，可以粗略表示出類內數據分布的情況。其中山丘的高度與類內文獻相似性成正比，山丘的體積與類內包含的文獻量成正比。只有山丘頂部的顏色是有意義的，偏紅色為較低的類內標準差，偏藍色為較高的類內標準差。

2.2 類內內容

通過對類內關鍵詞的語義關系以及每個類內代表文獻進行解讀后，總結出遠程醫學領域近10年的5個研究熱點。

類0：遠程醫療的評價研究。評價的方面包括移動醫療應用的成本效益、系統的可用性、老年人自我健康管理方面應用評價、發展中國家建設系統的效果評價以及遠程通訊系統技術評價等。如Silvio等人對在發展中國家采取的一種由較發達國家向其提供技術以及醫療資源支持的自下而上的策略來建設可持續的遠程醫療系統的效果進行評估，分析了一項建設在距離巴拿馬城市230公里印第安保留區山區的鄉村遠程醫療系統。該系統提高了當地的衛生服務水平，使兒科、婦產科以及遠程急救服務等成為現實[5]。又如Neufeld等人對遠程醫療診所的精神衛生服務效果進行研究，經過24個月的隨訪，結果發現遠程醫療模式的精神衛生服務效率較傳統方式提高近20%，并且在治療方面具有較好的持續性，說明遠程醫療可以有效提高缺醫少藥地區精神衛生的服務質量[6]。

類1：遠程醫療數據研究。包括數據組織的信息系統、保健監測監護的記錄數據、數據的篩選、急救時醫院可接收數據量以及數據安全隱私保護等。如Durisko等人開發了一個遠程獲取神經心理數據的數據系統，系統可向被測試者提供聽覺以及視覺刺激以采集測試者語言以及動作反應數據。

圖1 遠程醫學領域詞篇共現矩陣可視化圖(部分)

圖2 遠程醫學高頻關鍵詞聚類山峰

采用此系統對16名中風患者進行虛擬神經心理家庭評估，系統完整獲得了被測試者的數據，醫務人員對此數據進行分析，對系統作出了滿意的評估結果[7]。又如Katayama等人于2013年開發了一款可在救護車與醫院之間共享空余床位數等信息的手機應用程序，并對照分析應用開發前(2010-2012年)和開發后(2013-2015年)醫院急診接收率，由85.81%提高到89.07%，大大提高了醫院的急救接收率[8]。

類2：遠程醫療技術及平臺建設研究。包括無線局域網用于疾病管理以提高生活質量、遠程醫學數字成像與輔助診斷平臺、利用低功耗局域網進行數據傳輸以及遠程中風治療平臺的研究等。如Silva等人開發了一種基于云架構的圖片存檔與通訊系統模塊，它可實現與傳統醫學數字成像與傳輸系統設備的交互操作，并在云提供商的系統上實例化了這個模塊且試運行[9]。又如Monteiro等人開發了一個遠程醫療平臺，平臺幫助醫務人員在醫療中心獲得來自遠程援助的關于復雜診斷的診斷意見，在系統架構中設計了JAVA語言編寫的醫療管理信息系統網關，網關在Web服務平臺與影像歸檔和通信系統(Picture Archiving and Communication Systems，PACS)之間起審核作用，提高了進入云醫療社會網絡數據的可信度[10]。

類3：遠程醫療在公共衛生領域的應用及政策研究。包括艾滋病、心血管疾病、高血壓以及凸顯的心理疾病等。如Moeckli等將已經較好應用于丙型肝炎治療的社區健康結果拓展項目的(Extension for Community Health Outcomes，ECHO)遠程醫療模式，應用于艾滋病護理的研究，鼓勵研究人員探討遠程醫療模式運用到此方面的可能性[11]。

類4：傳統醫療技術與遠程醫療技術的交叉結合研究。包括遠程放射學結合影像歸檔和通訊系統、遠程心電圖監控結合遠程病患監測技術、急性中風患者溶栓治療的遠程電話會診以及基于云計算的家庭遠程護理監測等。如Gabriel等人開發了一款6分鐘行走試驗App，通過對103名試驗參與者跟蹤調查發現,這款App可有效測試充血性心力衰竭的嚴重程度，是遠程醫療終端對患者個體進行傳統醫療測試的應用研究[12]。

3 結語

本文利用共詞雙聚類對WOS中遠程醫療領域的論文主題進行了分析，總結了該領域的國際研究熱點。其中比較成熟的研究熱點有：遠程醫療系統建設的評價反饋、醫療信息化大背景下健康數據的收集共享研究、遠程醫療平臺開發以及功能實現等方面的技術研究、公共衛生領域如流行病的遠程醫療應用研究和傳統醫療技術遠程化的研究。遠程醫療可以有效優化資源配置和輔助推進分級診療，尤其在新技術快速發展的時代，研究人員應尋求遠程醫療更加廣闊的發展空間，讓遠程醫療滲入醫療服務活動的各個環節，改善醫療服務質量。