2010—2022年我國風險預測模型護理研究熱點共詞聚類分析

沈芒慧,韓夢月,余永琴,徐芳成琳,梅迎雪

1.寧夏醫科大學,寧夏750004;2.寧夏回族自治區人民醫院

風險預測模型(risk prediction models),即用數學公式來評估特定受試者當前患某種疾病或未來一段時間內發生某個臨床結局的概率[1]。臨床風險預測模型會選擇影響結局變量的因素作為預測因子,根據數據類型對臨床變量進行分析,從而形成風險預測模型用來預測臨床相關的結果或事件[2]。目前,風險預測模型在我國護理研究中逐步得到了應用,發現風險預測模型可以有效識別發病的風險,進而采取相應的措施,減少不良結局發生的風險[3-4]。本研究通過共詞聚類分析法,檢索我國發表的風險預測模型護理相關的文獻,探討其研究熱點及發展趨勢,以促進該研究領域的發展。

1 資料與方法

1.1 數據來源

計算機檢索中國知網、維普數據庫、萬方數據庫收錄的與風險預測模型相關的護理研究文獻。檢索時限為2010年1月1日—2022年12月31日。檢索主題詞為“風險預測模型”“臨床預測模型”和“護理”。文獻的納入標準為國內公開發表的期刊論文、綜述等。排除標準為碩士論文、博士論文、會議論文和重復發表的論文。剔除與“風險預測模型”“護理”主題不符的文獻。

1.2 文獻共詞分析方法

本研究采用共詞聚類分析方法。首先,將納入的513篇文獻導入Bicomb 2.0[5]軟件中,在關鍵字段中選擇關鍵詞作為提取內容。其次,對數據進行清洗,合并含義相同但表達有差異的詞。如將重癥監護病房、重癥監護室合并改寫為ICU,化學藥物治療統一為化療,靜脈血栓形成、下肢深靜脈血栓合并為靜脈血栓栓塞癥等。最后,對清洗后的關鍵詞數據進行統計分析。根據Donohue分界公式,進行高頻關鍵詞截取[6]。T為高低頻關鍵詞的分界詞,I1頻次為1的關鍵詞數量,最后根據公式計算T=21.5,即出現頻次大于21的關鍵詞為高頻關鍵詞,獲得關鍵詞15個,但考慮到聚類的操作性[7],選取頻次>10的關鍵詞,共計25個高頻關鍵詞生成共現矩陣。

1.3 文獻聚類方法

傳統的聚類方法多使用的是單向聚類,只能對行或列即單個對象或單一屬性進行聚類,不適用于群組界限相互滲透的數據分析[8]。而雙聚類方法則可以將行與列的值看作是一個完整的矩陣,然后根據矩陣的特性分別從行(對象)和列(屬性)2個維度同時聚類,可以幫助抓取數據中隱藏的信息[8]。因此,本研究應用雙聚類方法對風險預測模型在我國護理領域的研究熱點進行聚類分析。gCLUTO軟件是由明尼蘇達大學的Rasmussen和Karypis開發的圖形集群工具包,可以對形成的共現矩陣進行雙聚類分析[9]。目前,該工具已廣泛用于計量與聚類分析中[10-12]。因此,本研究將從Bicomb 2.0軟件中導出的文獻共現矩陣導入gCLUTO軟件中,進行聚類分析。選擇重復二分法、余弦相似函數、I2聚類標準函數進行聚類分析,根據類內(ISim)、類間(ESim)相似度調整聚類群數,生成可視化聚類樹狀圖和山丘圖[6]。

2 結果

2.1 發文量

本研究經過去重、剔除無關文獻后共得到513篇文獻。2010—2022年我國風險預測模型護理研究文獻發文量見圖1。

圖1 2010—2022年我國風險預測模型護理研究文獻發文量

2.2 發表文獻的期刊

研究顯示,風險預測模型的護理研究文獻發表于131種期刊中,其中17種期刊的發文量≥5篇。見表1。

表1 我國風險預測模型護理研究文獻發文量≥5篇的期刊(n=513)

2.3 高頻關鍵詞

將我國風險預測模型護理研究文獻中出現頻次≥10次的關鍵詞列為高頻關鍵詞。見表2。

表2 我國風險預測模型護理研究文獻出現的高頻關鍵詞(≥10次)

2.4 高頻關鍵詞聚類

高頻關鍵詞的聚類樹狀圖(見圖2)和可視化山丘圖(見圖3)結果顯示,我國風險預測模型護理研究分為3大類主題,分別是風險預測模型在長期慢性疾病中的風險評估(聚類0)、在高危人群中的風險識別(聚類1)、在重大疾病并發癥中的應用(聚類2)。所列3類研究熱點中,3個山丘基本獨立,表明聚類效果較好。其中聚類2類內部離散度低,主題一致程度高,而聚類0類、聚類1類文獻數量多[11]。

圖2 我國風險預測模型與護理相關研究熱點分布聚類樹狀圖

3 討論

3.1 文獻發表現狀

本研究顯示,在護理領域,我國風險預測模型研究總體來說發表文獻量不多,且起步較晚,2016年之前我國護理界對于風險預測模型的研究成果較為零散,處于起步萌芽階段。2016年之后才逐漸增加對該領域的研究。目前,對于風險預測的研究總體呈上升發展趨勢。本研究顯示,發表相關研究的期刊以核心期刊為主,發文質量相對較高。其中國內發表風險預測模型護理文獻最多的期刊為《中華護理雜志》,占12.67%。其次為《護理研究》與《護理學雜志》,分別占11.70%、6.82%。說明護理界對于風險預測模型的研究處于接受度、重視度較高的發展階段,提示未來護理學者可以把研究目光聚焦該領域,以促進護理學科的發展。

3.2 研究熱點

3.2.1 風險預測模型在重大疾病并發癥中的應用

共詞聚類分析顯示,聚類2生成的山峰,峰頂為紅色,表明該聚類中的文獻研究一致程度較高[13]。該聚類主要涉及的關鍵詞為“腫瘤、癌癥”“手術”“化療”“靜脈血栓栓塞癥”“感染”等,主要研究風險預測模型在重大疾病并發癥中的應用。如陳麗等[14]通過分析老年肺癌化療病人發生骨髓抑制的危險因素,從而構建老年肺癌化療病人發生骨髓抑制風險的預測模型;許娟等[15]通過分析肝胰膽管癌、胃腸道癌術后病人手術部位感染發生的危險因素,構建風險預測模型并進行驗證;周紀云等[16]通過分析血液系統惡性腫瘤病人血栓形成的危險因素,構建風險預測模型。以上研究顯示,風險預測模型作為重大疾病并發癥發生的評估和篩查工具,可早期識別并發癥的危險因素并進行針對性干預,從而預防并發癥的發生。

3.2.2 風險預測模型在長期慢性疾病中的風險評估

聚類0生成的山峰體積較大,峰頂為綠色,表明該類別中的文獻研究一致程度一般[11]。該聚類涉及的關鍵詞主要包括“慢性疾病”“腦卒中”“ICU”“血液透析”“衰弱”“壓力性損傷”“非計劃性再入院”“風險評估”,主要研究風險預測模型在長期慢性疾病中的應用。如俞曉慧等[17]通過系統評價評估可能出現的危險因素,構建糖尿病病人低血糖風險預測模型;尹青[18]為手術室病人在手術中出現壓力性損傷的風險構建并驗證預測模型;賈方容等[19]對慢性阻塞性肺疾病加重期病人30 d內非計劃再入院風險預測模型進行研究,證實風險預測模型的構建可以促進臨床的進步。以上研究表明,風險預測模型可用于對長期慢性疾病可能發生的風險進行評估,為早期干預提供依據,同時為臨床醫護人員選擇或開發適合的風險評估工具提供參考依據。

3.2.3 風險預測模型在高危人群中的風險識別

聚類1生成的山峰體積較大,峰頂也為綠色,表明該類別中的文獻研究一致程度一般[11]。在聚類中主要提及的關鍵詞為“重癥患者”“老年人”“抑郁”“跌倒”“譫妄”等,研究主題可概括為風險預測模型在高危人群中的風險識別。如陳穎勇等[20]應用機器學習算法構建社區老年人認知衰弱風險預測模型,可直觀、方便地甄別社區認知衰弱高風險老年人,為早期篩查與干預提供依據;吉云蘭等[21]探討了嚴重創傷病人發生譫妄的危險因素,利用列線圖模型,預測重癥病人譫妄的發生。應用風險預測模型可以有效識別高危人群,幫助醫護人員針對高危人群采取干預措施,從而預防不良結局的發生。

4 小結

我國對于風險預測模型的護理研究呈上升趨勢,研究熱點主要集中在風險預測模型在重大疾病并發癥中的應用、長期慢性疾病中的風險評估和高危人群中的風險識別。本研究的局限性在于僅檢索分析了國內數據庫的相關文獻。未來可以檢索國外的數據庫,以全面分析風險預測模型在護理領域中的應用現狀及發展趨勢。