基于CiteSpace的我國護理風險預測模型可視化分析

陳 琴,陳 紅,趙麗麗,常 林,馬 麗,李海霞

風險預測模型是指利用數學公式估計特定個體當前患有某病或將來發生某結局的概率,并按照概率的大小分層以供評估者對不同風險概率的群體在臨床實踐中進行針對性的干預[1]。近年來,隨著計算機網絡技術和大數據在醫療領域的廣泛應用以及“5P醫學模式”的發展,將機器學習算法引入護理研究領域構建護理風險預測模型已深受護理研究者的青睞,通過精準預估疾病預后結局、癥狀發生可能性等概率,從而協助醫護人員制訂個性化預防性治護方案[2]。現有護理風險預測模型研究在慢性病進展預測[3-4]、不良事件預估[5-6]、護理教育改革[7]等方面已有大量研究,因此本研究基于CiteSpace軟件對國內護理風險預測模型研究現狀進行可視化分析,總結當前研究熱點與前沿,為后續護理研究者開發護理風險預測模型提供參考依據。

1 資料與方法

1.1 文獻檢索策略

在預檢索的基礎上確定檢索式,對中國知網、萬方數據庫、維普數據庫收錄的關于護理風險預測模型的文獻進行檢索,檢索時限為建庫至2023年4月13日,共獲取584篇文獻,文獻篩選流程見圖1。以萬方數據庫為例,檢索式如下。

圖1 文獻篩選流程圖

#1 風險預測模型OR預測模型OR風險模型

#2 護理

#3 構建

#4 #1 AND #2 AND #3

1.2 文獻納入和排除標準

納入標準:1)我國護理領域所有已經發表的風險預測模型的文獻;2)針對特定的臨床護理問題,通過嚴謹的方法學構建預測模型的文獻。排除標準:1)綜述、系統評價、Meta分析或個案類文獻;2)會議類文獻;3)重復發表的文獻;4)無法獲取全文的文獻;5)未提供預測模型的文獻。

1.3 文獻篩選

首先將檢索的文獻導入NoteExpress軟件進行整理和去重。由2名受過澳大利亞Joanna Briggs Institute(JBI)循證衛生保健研究中心循證方法培訓的研究者嚴格按照納入及排除標準,閱讀文獻題目和摘要進行初篩,然后進一步查閱全文進行復篩。對篩選結果有爭議時,邀請第3名專家進行判定。

1.4 研究方法

本研究使用CiteSpace 6.2.R1軟件對數據源進行統計學分析,從數據庫導出題錄,應用NoteExpress 3.6.0軟件去除重復及與主題不符文獻。將去重后題錄導出,以download_.txt格式命名保存至input文件夾,將數據導入CiteSpace 6.2.R1軟件在Data中轉換為軟件可識別的中國知網(CNKI)格式,導出文件保存至output文件夾中。在CiteSpace 6.2.R1軟件界面中,時間區域為2011—2023年,時間切片為1年,閾值數值設置為Top N%=50%,pruning算法為Pathfinder。選取的節點類型分別為“機構”“作者”和“關鍵詞”,通過構建關鍵詞聚類知識圖譜、突現詞分析圖譜、作者合作網絡可視化圖譜和發文機構合作網絡可視化圖譜,對近年來護理風險預測模型的研究熱點和發展趨勢進行分析。

2 結果

2.1 我國護理風險預測模型發文數量及趨勢情況

2005—2011年發文數量基本穩定,處于探索期,年發文量少于10篇;2012—2018年為逐步增長期,年發文量為20～30篇;2019—2022年呈井噴式增長,年發文量>80篇。

2.2 我國護理風險預測模型核心作者及發文數量作者合作網絡分析

表1 國內發文量排名前10位的核心作者情況

利用CiteSpace 6.2.R1軟件制作作者合作網絡可視化圖譜,時間切片為1,閾值為1,得到269個節點,251條連線。作者合作網絡可視化圖譜見圖2,在可視化圖譜中,節點大小、作者字體大小代表發文量高低,作者之間的聯系粗細代表作者之間關聯度的高低。其中,鄒圣強、陳麗、胡佳民字體及節點最大且連線較多,代表他們發表此類文獻最多且有合作關系;董正惠、祁進芳、李振剛發表相關文獻較多,他們之間也存在合作關系。

圖2 2011—2023年我國護理風險預測模型相關領域的作者合作網絡可視化圖譜

2.3 我國護理風險預測模型研究機構發文情況及合作網絡分析

湖州師范學院發文量最多14篇;其次是江蘇大學、安徽醫科大學發文量分別為9篇和8篇。國內發文量排名前20位的核心研究機構情況見表2。

表2 國內發文量排名前20位的核心機構情況

在CiteSpace 6.2.R1軟件中的institution模塊對文獻的發文機構進行分析,制作發文機構合作網絡可視化圖譜見圖3,時間切片為1,閾值為25,得到165個節點,87條連線,密度為0.006 4。機構發文量的多少與節點大小和機構字體大小成正比。機構之間的聯系粗細代表作者之間關聯度的高低。通過研究發文機構之間的連線能夠清楚地發現,風險預測模型在我國護理領域研究尚未形成機構群,機構間的合作僅存在于醫院護理部與其各病區之間、高校及其附屬醫院,其他機構之間的合作較為分散。

圖3 2011—2023年我國護理風險預測模型相關領域的發文機構合作網絡可視化圖譜

2.4 研究熱點分析

2.4.1 關鍵詞聚類分析

聚類分析是用算法把相同或相近的關鍵詞進行歸納匯總,以此更好反映概念間的關系[9]。CiteSpace依據網絡結構和聚類的清晰度,提供了模塊值(Q值)和平均輪廓值(S值)2個指標,Q>0.3意味著劃分出來的社團結構是顯著的,當S值在0.7時聚類是高效率、令人信服的,若在0.5以上,聚類一般認為是合理的[7]。因此,在關鍵詞共現網絡基礎上進行關鍵詞聚類分析,能夠更直觀地反映風險預測模型在護理領域的研究熱點。通過在CiteSpace.alias中進行文本編輯,合并同義關鍵詞節點,利用CiteSpace 6.2.R1軟件進行關鍵詞共現后運用對數似然比(LLR)算法聚類生成該領域關鍵詞聚類網絡見圖4,此圖譜呈現365個節點,549條連線,且模塊值Q=0.870 5,輪廓值S=0.982 8,表明聚類結果的可信度較高,節點的大小代表聚類的大小。由圖4可知,研究主題主要集中在預后結局和疾病預測方面;重點關注人群為老年人、護士、婦女,這與王晶等[10]的研究結果一致。此外,能夠發現運用機器學習和人工智能建模已經成為護理風險預測模型構建的趨勢。

圖4 2011—2023年我國護理風險預測模型的關鍵詞聚類網絡圖譜

2.4.2 關鍵詞突現分析

突現詞是利用突變詞探測技術生成,代表某研究領域的熱點詞匯,可用來識別該領域的研究熱點與發展趨勢[11]。關鍵詞突現分析,可以了解研究領域的前沿知識熱點和發展演變趨勢。本研究通過CiteSpace 6.2.R1軟件將突現參數γ設置為0.3,最短時間設置為2年,運行Burstness得到19個突現詞,見圖5,顯示這些突現關鍵詞的突現時間和持續時間分布。根據突現結果可以看出,突現持續時間最長的關鍵詞為生活質量,時間為2015—2020年,其次是早產兒;最新出現的突現關鍵詞為失能老人、nomogram model、臨床護理、燒傷和吞咽障礙,表明2019年以來使用工具由回歸模型轉變為nomogram model;同時在護理領域的研究前沿和熱點比較集中在失能老人、臨床護理和預后結局。病人預后轉歸、智能數據挖掘會是未來研究的重點方向。2011—2023年我國護理風險預測模型前15位關鍵詞見表3。

表3 2011—2023年我國護理風險預測模型前15位關鍵詞

圖5 2011—2023年我國護理風險預測模型的關鍵詞突現圖譜

3 討論

3.1 我國的護理風險預測模型研究總體現狀

2011—2023年我國護理風險預測模型相關研究發文量呈上升趨勢,處于蓬勃發展狀態,然而部分文獻未能成功構建預測模型或模型建立后未進行性能評價,其可重復性和外推性有待考察,同時相較于國外發文量較低,因此我國的護理風險預測模型構建研究仍處于相對劣勢。關于護理風險預測模型的文獻多發表于中華護理雜志等文獻質量較高的核心期刊,說明我國學者在護理風險預測模型領域的研究方法已較為成熟。未來隨著風險預測模型研究的深入開展,以及技術的持續更新迭代,發文量預計將會進入下一個循環周期。

3.2 各研究區域發展不平衡,核心作者和機構群尚未形成

從表2看出,我國內部機構文章大多出現于北京、浙江、江蘇、安徽等經濟和醫學相對發達地區,西部地區文章較少,這與其他研究者在護理創新領域的研究統計結果一致[12]。發文量和分布趨勢可以一定程度上反映某領域的研究現狀和水平,因此迫切需要國家政策的支持,加大經濟不發達地區教育及科研資金投入。好的合作能夠推動科學研究正向發展,合作度既能反映研究領域的相互滲透、交叉程度,又能反映研究領域的質和量[13],各學者、機構和地區之間開展合作,利于推動護士科研水平的發展。本研究結果顯示,我國護理風險預測模型研究領域缺乏核心作者和機構群,作者之間及機構之間相互合作匱乏、疏散。因此,亟待加大資金與政策的扶持力度,促進多學科、多機構間的科研學術交流與交互融合發展,促進科研成果轉化。

3.3 研究前沿與熱點

本研究結果顯示,術后護理、老年病人、并發癥、譫妄、機器學習、腦卒中等研究主題出現的頻次較高。說明隨著我國老齡化進程的加速,老年人照護需求飛速增加,加之國家養老政策的推動,老年人護理需求、醫養結合、長期護理風險的預測研究已持續成為老年人研究領域的熱點[14]。其中,由于骨折和卒中的高發病率和高致畸率特點,同時伴隨多種并發癥,嚴重影響老年人的生活質量,因此已成為未來持續關注的重點。有研究表明,關于骨折的臨床研究多集中在圍術期護理、術后康復及舒適護理,且以高齡病人居多[15]。陳旭娟等[16]通過探討老年髖部骨折術后病人肺部感染的影響因素,構建的風險預測模型可以有效預測老年髖部骨折術后病人肺部感染的發生。孫超等[17]研究構建的老年缺血性腦卒中病人非計劃性再入院的風險預測模型可幫助醫務人員早期識別老年缺血性腦卒中病人非計劃性再入院高危人群。術后譫妄是指外科手術后出現的譫妄,是手術后常見并發癥之一[18]。葉麗等[19]研究表明針對不同病人構建不同的術后譫妄風險預測模型有利于醫護人員早期識別并采取差異化護理方案,提示未將“疼痛”作為第五大生命體征納入重要影響因素進行分析,是構建術后譫妄風險預測模型研究的不足之處。

同時,本研究結果表明吞咽障礙和燒傷是當前較前沿的研究主題。神經功能的缺損會直接導致病人吞咽功能減退,因此促進神經功能恢復、降低吞咽障礙發生風險是卒中護理未來重要的研究方向。近年來,燒傷病例仍在上升,死亡率非常高,盡管有關燒傷的研究已相對成熟,但是大面積燒傷合并譫妄的研究很少,而開發和驗證大面積燒傷病人譫妄發作的預測模型更是少見,由此也為基于機器學習的譫妄預測研究提供了方向[20]。

值得注意的是,依托“互聯網+”目前護理領域中應用機器學習算法構建的風險預測模型已經取得一定的成果,汪淑華等[21]研究表明基于機器學習算法預測模型性能在敏感性和準確性上優于傳統Logistic回歸模型;王沛如等[22]研究也表明基于機器學習算法建立的護理人員心理健康狀況預測模型預測價值更高。俞臻梁[23]的研究也得出同樣的結果。構建護理風險預測模型最重要的基礎是前期數據和記錄的準確性和全面性。然而,目前基于機器學習構建模型的研究大部分為回顧性研究,這可能成為建模結果不理想的原因,提示未來開展前瞻性研究構建護理風險預測模型效果更佳。王晶等[24]的研究提示護理研究者應尋求高效的多學科合作,利用信息化技術開展護理風險預測模型研究,不斷創新方法,拓展研究的廣度和深度。

綜上所述,通過基于CiteSpace對我國護理風險預測模型研究進行可視化分析,結果顯示護理風險預測模型的研究和應用仍是目前護理領域研究的熱點。然而,大部分研究為回顧性研究且尚未進行模型性能評價,臨床推廣較少,因此應注重提升護理人員自身數據挖掘知識儲備,培養護理信息技術專業人才,在后續建模時,能夠通過不同科學算法對同一研究問題構建多種模型,再進行模型性能評價尋找最優模型,以便更好地推廣于臨床。我國護理風險預測模型構建研究實踐發展仍然面臨著區域、作者及機構較為分散、合作不緊密、發展不平衡等多方面困難,需要相關政策扶持及機構培訓,從而促進個體及系統層面全方位發展。但是,本研究僅檢索了我國3個數據庫,對我國學者在國外期刊發表的文章未進行分析,研究結果存在一定的偏倚和局限性。