護理預測研究文獻熱點與發展趨勢

朱世琴，鄧 波，羅 歡，鄒樹芳

1.西南醫科大學附屬醫院內分泌科（瀘州 646000）；2.西南醫科大學護理學院（瀘州 646000）

《健康中國2030》要求引導醫療服務逐漸由疾病治療向疾病預防轉變，隨著“5P醫學模式”的發展，臨床研究者可通過建立疾病模型來預測疾病的風險因子及預后，對預測的危險因素提出針對性的干預方案[1]。預測模型是使用數學模型對臨床歷史和現有的數據進行建模，以獲得疾病未來的變化及預后情況，將臨床行為由治療提前到預防[2]。目前常用于預測研究的模型包括回歸模型、決策樹、隨機森林、支持向量機、神經網絡及列線圖模型等[3]。國外主要圍繞心血管疾病、腫瘤治療后并發癥開展預測研究。國內預測研究主要圍繞構建壓力性損傷[4]、老年人跌倒[5]、產后出血[6]與長期護理保險[7]等預測模型，這些模型在單個研究中都具有較好的靈敏度和特異度，為患者疾病的治療和預防提供了新的思路。而護理預測研究相對欠缺，廣度與深度均不足，因此本研究擬通過計量分析，對國內護理預測研究文獻的熱點和發展趨勢進行解析，以期為護理相關研究的開展提供精準選擇與借鑒。

1 數據來源與研究方法

1.1 數據來源

選擇中國知網（CNKI）數據庫。檢索時間從數據庫建庫至2020年8月1日。檢索詞包括：護理、預測研究、預測模型、預警模型、神經網絡、決策樹、隨機森林、回歸模型、支持向量機、機器學習。選擇專業檢索：SU%=“護理”AND SU%=（“預測研究”OR“預測模型”OR“神經網絡”OR“決策樹”OR“隨機森林”OR“回歸模型”OR“預警模型”OR“機器學習”OR“支持向量機”）。共檢索文獻728 篇，排除政府公報、約稿和新聞等，通過Note?Express 整理、去重以及閱讀全文后最終納入文獻676篇。將所有納入文獻以Refworks 的格式導出，以down?load_.txt 的文件名保存，保留文獻的題目、作者、摘要、關鍵詞、所屬機構、期刊、基金和摘要等信息。

1.2 研究方法

本次研究主要使用文獻計量軟件Citespace 5.7 R2和VOSviewer 對數據中的合作者網絡、合作機構網絡、基金網絡、期刊分布網絡以及關鍵詞進行動態、多元和分時段分析[8-9]。因本次研究中第一篇文章發表在1987年，故將Citespace 的分析時段設為1987 年至2020 年，單個時間分區長度為1年；閾值設置為Top=50；以Au?thor（作者）、Keywords（關鍵詞）、Institution（機構）、Source（期刊）、Grant（基金）為網絡節點進行可視化分析。將Citespace 數據以Pajek 格式導出，并導入VOS?viewer軟件中進行圖層疊加分析，以顯示研究主題隨時間的趨勢變化[10]。

2 結果

2.1 年度發文量分布

發文總量與年度發文量能反應一個領域的熱點和趨勢，行業與專業的研究熱點和發展趨勢可從一個時間段內的論文產出量得到反映[11]。從1987年至2020年預測研究發文量呈上升趨勢，尤其是2018年至2020年發文量由54 篇躍升為111 篇，2020 半年發文為52 篇，見圖1。

圖1 年度發文分布情況Figure 1 Distribution of annual publications

2.2 發文期刊分布

本次研究共有302種期刊刊載過護理預測研究的文章。刊文前10 位的期刊中，9 個均為護理期刊，無衛生類綜合期刊，見表1。

表1 刊文期刊分布Table 1 Distribution of published periodicals

2.3 發文機構分布

對納入文獻發文機構進行分析，共592 家單位參與護理預測研究。發文最多的機構是北京協和醫學院，前10位機構發文總量占總發文量的16.86%。聚類分析中一個節點表示一個機構，連線表示機構之間的合作情況，Q值＞0.3顯示聚類結果良好，網絡密度越靠近1越好[12]。本次分析共產生403 個節點，117 條連線，網絡密度為0.0014，Q=0.9769，顯示聚類效果良好，但網絡密度低，顯示機構之間合作研究少，見表2。

表2 發文機構分布Table 2 Distribution of issuing institutions

2.4 發文作者分布

納入文獻中共參與發文的作者為1 573人，發文最多的作者為吳疆，發文10篇。發文5篇及以上的作者共3 人。發文2～ 5 篇共123 人。發文1 篇的作者共1 447人，占比91.99%。聚類結果顯示，目前僅形成了以何宇迪、王德耀、吳疆、劉華平、梁萍和薛繼芳為核心的6個作者群。聚類共產生504個節點，408條連線，網絡密度為0.0032，Q=0.9835，聚類的效果較好。但作者之間網絡密度低，顯示作者之間聯系不緊密，大部分作者仍是散在分布，見圖2。

圖2 發文作者知識網絡圖譜Figure 2 Knowledge network graph of the author

2.5 基金支持分布

基金支持在一定程度上能反應該研究方向的熱度和政策支持力度[13]。全部文獻共獲得163 項基金支持，其中國家級和省部級項目各24 項，各占比14.72%；廳局級項目85 項，占比52.15%；校級與院級項目各15項，各占比9.20%，見表3。

表3 基金資助分布（資助頻次≥2次）Table 3 Distribution of fund support（frequency ≥2）

2.6 關鍵詞分布

關鍵詞是對研究領域主題的高度提煉和概括，對某個領域關鍵詞的頻次、中心度、突發強度的研究可以有效反應該領域某個時間段的研究主題[14]。本次研究共產生586 個節點，1 015 條連線，網絡密度為0.0059，Q=0.9835。結果顯示聚類效果良好，但網絡密度低，說明關鍵詞分布相對較分散。除檢索詞外，出現頻次較高的關鍵詞還有：壓力性損傷、風險/影響因素、護理干預、老年人、產后出血、衛生人力資源、長期護理需求/保險等，見圖3。

圖3 關鍵詞共現網絡圖譜Figure 3 Keywords co-occurrence network atlas

2.7 研究熱點和趨勢分布

在關鍵詞共現分析的基礎上對關鍵詞進行時序分析，2010 年至2015 年，護理預測研究主題主要集中在衛生人力資源管理、壓力性損傷、精神病患者行為和護士工作量等方面，所使用的模型主要是Logistic回歸模型、決策樹與灰色預測模型；2016年至2020年，護理預測研究主題向護理績效、妊娠期高血壓、失能老人、腦卒中、譫妄、心血管疾病以及產后出血轉變，所使用的預測模型向結構方程模型、人工神經網絡（BP 神經網絡/卷積神經網絡）、機器學習與大數據等復雜網絡模型構建轉變，見圖4。

圖4 關鍵詞疊加聚類可視化圖譜Figure 4 Visualization map of keyword superimposed clustering

3 討論

3.1 國內護理預測研究起步早，但發展緩慢，整體發文量偏低

從1987年至2018年，護理領域的預測研究文獻增長緩慢，二十年里年發文量僅從1 篇增加到54 篇。但2018年至2020年發文量增長迅速，兩年時間年發文量由54 篇增加到111 篇，2020 年半年發文量為52 篇。這與《健康中國2030》的提出和推進有關，該戰略的提出推動臨床疾病治療理念由治療向預防前移[15]。隨著疾病譜和慢性病患者人數的逐年遞增，國家公共醫療衛生支出增長迅速，導致醫保基金負擔不斷加重，相較于發病后的治療，提前預知和干預疾病可有效緩解患者和公共衛生資源負擔，因此推動了疾病管理政策向疾病預防傾斜，加速了研究人員在疾病預測模型領域的研究進度[16]。

3.2 研究領域單一，學科分布不均衡，應重視多學科合作團隊的建設

發文期刊是一個領域各研究方向的綜合[17]。護理預測研究領域的文章多發表在護理核心期刊上，雖說明該領域研究的文章質量較好，但文章過度集中在護理領域期刊，反應研究相對局限，缺乏多學科的交叉，尤其是與社會學、信息學和公共衛生領域等學科的交叉。在疾病預防日益重要的大背景下，疾病的預測研究不應局限于單一的護理領域，應涉及基礎醫學、臨床醫學、信息科學、社會學等多個領域。因此在下一步的研究和實踐中，應重點從多學科間的合作入手，構建大健康與護理的結合，增加護理在該領域的創新性，提升該研究領域的豐度，推動多學科聯合成果的產生。

3.3 各區域機構研究發展不平衡，核心研究機構和作者群尚在形成中

研究機構之間的合作可以促進一個研究領域多樣性的發展，拓寬研究方向，進而從整體上把控研究的深度和廣度[18]。護理預測領域的研究多集中在醫科大學及其附屬醫院，集中分布在東中部地區，西部地區研究相對落后。機構聚類分析的結果顯示研究機構之間的合作少，多數為單一研究機構。核心作者群是該領域科研實踐連續性及深入性的縮影，一個研究群體持續關注某一個研究方向，可隨時掌握該方向的最新前沿，得到更加深入的見解[19]。在“護理+預測研究”領域，初步形成了以何宇迪、王德耀、吳疆、劉華平、薛繼芳、梁萍為核心的團隊，其中以何宇迪、吳疆、薛繼芳的研究持續性更高，其團隊分別以老年跌倒、護理人力資源和績效管理、精神病患者為研究主題，在各自領域的研究持續時間都超過5年。僅發過一篇文章的作者偏多，表明國內的研究還未在護理預測領域形成固定的研究方向，作者之間的溝通交流較少。因此，在下一步的研究中應構建研究者之間溝通交流平臺，加強研究者之間的聯系，盡快形成該領域長期的研究方向，以便形成更多有意義的研究主題。

3.4 研究主題亟待擴展，關注研究前沿與趨勢，積極開拓研究新領域

從關鍵詞的圖譜可視化分析可知，除檢索詞外，衛生人力資源、壓力性損傷、老年人、護理干預、精神病患者、Logitic 回歸、決策樹等研究主題出現的頻次較高。其中衛生人力資源、壓力性損傷與老年人跌倒的研究是臨床護理長期的研究主題。2020 年世界衛生大會再次指出投資衛生人力資源，以確保世界人民都能得到安全的衛生服務，強調必須加大對護理人力資源的投資[20]。壓力性損傷是護理傷口研究的主要方向之一，隨著慢性疾病患病率的增加，老年人成為壓力性損傷的高危人群，其住院時間長，醫療費用增加，醫療負擔加重及衛生資源加速消耗。壓力性損傷最有效的措施是進行預防，構建預測模型對壓力性損傷的發生和發展進行有效預測，提前干預[21]。隨著我國老齡化進程的加速，老年人照護需求飛速增加，隨著國家養老政策的推動，老年人護理需求、醫養結合、長期護理保險的預測研究成為了老年人研究領域的新熱點[22]。

關鍵詞疊加聚類圖分析了近十年護理預測研究的主題變化情況：2010年至2015年護理預測研究主要是通過決策樹和Logistic回歸的方式對護理質量、衛生人力資源管理、壓力性損傷和精神病患者行為等進行預測研究。2015 年至2020 年主要是使用灰色預測模型、結構方程模型、人工神經網絡和其它機器學習的方式對老年人、醫養結合需求、產后出血、心血管疾病和單病種付費等進行模型構建。研究主題的變化反映出護理研究熱點向社會熱點、臨床慢性疾病改變，模型構建方式也從經典的線性模型向更貼近臨床真實數據的非線性模型改進，使模型的臨床可使用性得到提高[23]。因此在下一步研究中，應加大機器學習在醫學領域中的切入深度，使人工智能技術結合臨床護理信息系統開展疾病的預測研究，形成護理領域的大數據研究[24]。

4 結論

“護理+預測研究”目前在我國正處于快速發展期。對其進行計量學分析后發現發文量整體較少，研究主要集中在護理學方向，缺乏多學科、跨地域和跨機構的合作，缺乏大范圍的核心作者群體，研究主題相對局限，新興主題處于探索中。因此，后續研究應當增加研究的深度和廣度，注重學科間的交流與合作，并加強作者和機構間的合作，拓展出豐富的研究主題，促進護理預測研究更加系統化、規范化、科學化，推動護理相關研究從理論研究向實證研究轉變，提升護理研究的創新性與深度，進而提高護士群體的積極性和成就感。

（利益沖突：無）