人工智能應用于醫院藥學服務領域的文獻計量學分析Δ

付素琴 ，郝辰業 ，彭駿 #（1.上海市浦東新區東明社區衛生服務中心，上海 0013；.上海健康醫學院圖文信息中心，上海 01318）

在全球健康信息化的大背景下，人工智能（artificial intelligence，AI）正在逐步改變醫療衛生服務的提供方式。AI是一種復雜的計算機系統，其主要功能是分析大量數據，并將分析結果應用于決策過程，以提供更好的信息支持[1]。AI在藥物發現、藥物設計領域的應用已經取得了顯著進展[2]，為藥物發現和藥理、毒理實驗以及個體化治療等研究提供了更有效的支持，同時大大節約了研究成本、縮短了研究周期[3-4]。然而，AI技術在醫院藥學服務領域中的應用起步較晚，用于醫院藥學服務的AI驅動的應用程序和工具的開發仍處于起步階段[5]，目前的智慧藥房仍存在自動化、智能化水平較低等情況[6]，亟須探索AI在醫院藥學服務領域中的應用模式。

為了解AI在醫院藥學服務領域的研究應用情況和發展趨勢，本研究采用文獻計量學的方法對該領域的研究文獻情況進行了可視化總結，并嘗試預測了AI技術與醫院藥學服務緊密結合的全球發展趨勢，以期為藥學工作者更好地理解和利用AI技術、推動醫院藥學服務的創新和發展提供參考。

1 資料與方法

1.1 數據來源

分別在Web of Science（WOS）核心合集數據庫和中國知網（CNKI）中檢索有關AI應用于醫院藥學服務的中英文研究文獻。英文檢索式為：（hospital* OR clinic*OR service* OR manage*）AND（pharm* OR prescript*）AND（“artificial intelligence” OR “machine learning” OR “natural language processing” OR “big data”）；中文檢索式為：“藥” * （“服務” + “臨床” + “醫院” + “管理” + “調劑” + “調配”） * （“人工智能” + “大數據” + “機器學習”）。出版物類型為學術期刊，文獻類型為論著或綜述。各數據庫的檢索年限均為建庫至2023年6月16日。

1.2 納入與排除標準

本研究的納入標準為：文獻內容為AI在醫院藥學服務領域的應用研究。本研究的排除標準為：（1）新聞、報紙、會議、通知、專利、年鑒、成果等類型的文獻；（2）重復發表的文獻；（3）信息不完整的文獻；（4）內容為AI在藥物研發、制藥工程與工藝研究中的應用研究。

1.3 文獻分析方法

采用EndNote 21 Build 17096軟件對納入文獻的年度發文量進行統計分析；采用CiteSpace 6.2.R4軟件對納入文獻的作者、機構進行合作網絡分析，對關鍵詞進行共現分析、聚類分析和突現分析；使用Python 3.11軟件進行可視化處理并繪制相關圖譜。

2 結果

2.1 文獻檢索結果

本研究初檢共檢索到1 328篇英文文獻和218篇中文文獻，按照納入與排除標準篩選后，最終納入了1 190篇英文文獻和178篇中文文獻，其年度發文情況見圖1。

圖1 AI應用于醫院藥學服務領域相關文獻的年度發文量

從圖1的總體趨勢來看，在2010年之前，國內外該領域的研究均相對較少。從2011年開始，英文文獻數量開始超過中文文獻；2015年開始，AI技術的研究開始快速涌入醫院藥學服務領域，國內外在該研究領域的差距也開始隨著時間的推移而逐漸擴大；到2022年，英文文獻數量幾乎是中文文獻的15倍。可以發現，AI在醫院藥學服務領域的應用研究在全球范圍內正處于快速發展期，盡管國內在這一領域的研究數量在逐步增加，但與國外相比發展速度較慢，仍有較大的發展空間。

2.2 文獻期刊來源

對納入文獻發文量排前10位的期刊進行分析，結果發現，發文量排前10位的期刊均為英文期刊（表1），且大部分位于科睿唯安公司發布的期刊引證報告（Journal Citation Reports，JCR）Q1分區，表明這些期刊在相關領域內具有較高的學術水平。在期刊影響因子（journal impact factor，JIF）方面，期刊BriefingsinBioinformatics的影響因子最高，為9.5，其發表的文章在學術界獲得了較廣泛的引用和認可。

表1 AI在醫院藥學服務領域相關文獻的發文量排前10位的期刊信息

分析這10本期刊的學科分布可以發現，該領域的研究展現出較為明顯的跨學科特征，這些研究不僅專注于藥學服務領域，還融合了計算方法在藥學實踐中的創新應用，展現了生物醫學、計算機科學與醫院藥學服務的交織融合，這一特點也反映出AI在醫院藥學服務領域應用中的多元化和復雜性。國內期刊在該領域的發文量較少，從側面反映出國內在AI的深度探索和跨學科整合方面還處于起步階段。

2.3 作者合作關系分析

應用CiteSpace對作者的合作網絡進行分析，可以挖掘出在該研究領域具有影響力的作者，結果見圖2。圖中每個節點代表1個作者，節點之間的連線表示作者之間存在合作關系。

圖2 AI應用于醫院藥學服務領域相關文獻的作者合作網絡

本研究納入的英文文獻中，共包含作者7 026位，其中發表論文10篇以上的作者有3位，發表論文5篇以上的作者有37位；發表論文數量最多的作者為Gumbo（15篇），其次為Pasipanodya（13篇）。由圖2A可見，發文較多的作者之間具有一定的合作關系，形成了一定數量的合作團隊，其中Gumbo和Pasipanodya團隊的研究主要集中在藥動學、藥效學、抗菌藥物敏感性測試以及使用機器學習預測患者病情進展和治療效果等方面[7-8]。

本研究納入的中文文獻中，共包含作者617位，其中發表論文2篇以上的作者有12位。發表論文數量最多的作者為謝雁鳴（3篇），其研究主要集中在利用大數據和AI技術評價中藥的安全性以及精準定位中醫藥辨證論治的療效機制等方面[9]。由圖2B可見，孫茜茜等學者形成的合作網絡作者人數較多，但也僅為一次性合作。可見，國內研究者的集中度較低，研究人數較少且相對獨立，尚未形成具有規模的合作團隊。

2.4 國家及機構合作關系分析

使用Python 3.11軟件，根據國家、機構名稱等提取出國內外文獻中的地區信息，可以得到該領域研究的國家/地區合作網絡（限于篇幅，本文圖略），其中一個國家/地區在該領域的重要性由其中心度（即中介中心性）來表示。

本研究納入的英文文獻來自全球87個國家/地區。不同的國家/地區在研究實力上存在差異（表2）。從表2可以看出，美國在這個領域的文獻產量明顯高于其他國家/地區，英國、德國等歐洲國家在這個領域的文獻產量也較高。同時，這些國家較高的中心度進一步反映了其在該領域研究網絡中的核心位置和廣泛的合作關系。本研究納入的中文文獻則來自全國27個省（自治區、直轄市）。從表2可以看出，北京的發文量最高（28篇），上海（16篇）緊隨其后。這一領域的研究主要集中在我國東部地區，其中北京、上海、廣東、江蘇、浙江5個省份的發文量占納入中文文獻數的50%左右。這可能是因為大數據和AI技術在我國東部沿海地區的研究起步更早、應用更為廣泛，同時，資金和人才在這些地區的聚集也使得這些地區在醫院藥學服務的應用研究上更為活躍。

表2 AI應用于醫院藥學服務領域相關文獻發文量排前5位的國家/地區

英文文獻中各研究機構之間的合作關系也非常緊密。由圖3A可見，國外從事這個領域研究的機構主要為歐美地區的高校和研究機構。其中，美國的哈佛大學（Harvard University，中心度0.16），以58篇的發文量位列第一，且該校合作關系眾多，影響力最大；法國研究型大學聯盟（UDICE-French Research Universities，中心度0.12，發文量44篇）和英國倫敦大學（University of London，中心度0.09，發文量37篇）的學術貢獻也較為顯著，且合作關系廣泛。而從圖3B可見，我國在該領域的研究機構數量較少，機構間的合作關系主要存在于一些國內科研水平較高的醫學院校和醫療機構之間，但合作關系較為薄弱。這可能是因為各個機構之間的合作還處于起步階段，還沒有形成穩定的合作關系。這與前文中我國研究者之間合作較少、尚未形成具有規模的合作團隊結論一致。

圖3 AI應用于醫院藥學服務領域相關文獻的機構合作網絡

2.5 關鍵詞分析

2.5.1 共現性

本研究納入的英文文獻中排前10位的高頻關鍵詞包括machine learning（機器學習）、prediction（預測）、classification（分類）、risk（風險）、models（模型）、pharmacokinetics（藥動學）等，反映出機器學習、預測模型的建立、風險評估以及藥動學分析是目前該領域的研究重點，詳見表3。

表3 AI應用于醫院藥學服務領域相關文獻排前10位的高頻關鍵詞

中文文獻中，合理用藥、處方點評、處方審核、“互聯網+”、中醫藥是比較重要的關鍵詞（表3）。這些關鍵詞反映了我國對于利用AI技術推動合理用藥、處方點評以及處方審核等方面較為關注，同時也表明“互聯網+”和中醫藥在我國醫院藥學服務中的應用研究也得到了較高的重視。

2.5.2 聚類分析

英文關鍵詞聚類結果見表4。Q值表示網絡的模塊度，取值范圍為0～1，Q＞0.3表明該關鍵詞聚類圖具有顯著的網絡聚類結構；該值越接近1，表明關鍵詞聚類間的聯系越密切，聚類效果越好。S值為用于衡量網絡同質性的輪廓值，取值范圍為－1～1，該數值越大，代表該聚類成員的相似性越高，S＞0.7即表示聚類效果令人信服[10]。平均年通過計算該聚類中文章的發表年份獲得，用于估計該聚類的形成時間。聚類標簽采用對數似然比（log-likelihood ratio，LLR）確定。經分析，英文文獻關鍵詞可得到7個聚類標簽，Q＝0.372 9（＞0.3），S＝0.725 4（＞0.7），表明該聚類效果較好，結果可信。分析聚類結果可知，目前國外在該領域的研究多以機器學習、自然語言處理和深度學習等高端技術的開發和應用為主，對預防、風險評估、藥物治療優化等實際醫療服務問題的研究較為集中。從聚類出現的時間來看，2016年，機器學習和AI在該領域的研究逐漸增多，2017年自然語言處理在電子健康記錄領域的應用開始受到關注，到了2020年，深度學習和神經網絡在相關領域的研究開始快速發展。

表4 AI應用于醫院藥學服務領域的英文文獻關鍵詞聚類情況

中文關鍵詞聚類結果見表5。中文文獻的關鍵詞可聚為4類，Q＝0.811 9（＞0.3），S＝0.938 6（＞0.7），聚類效果較好，結果可信。由聚類結果可知，目前國內對于AI在醫院藥學服務領域的應用研究多集中在合理用藥和處方審核等方面。從聚類形成的時間上可以得知，2018年，大數據和信息化在基本藥物領域的研究逐漸增多，合理用藥和處方點評等醫療服務實踐的相關研究也在增加。結合前文關鍵詞共現性分析結果可知，與國外相比，我國的研究更加關注于醫療服務實踐，這也契合了我國在“互聯網+醫療健康”領域的政策導向。

表5 AI應用于醫院藥學服務領域的中文文獻關鍵詞聚類情況

2.5.3 突現分析

對關鍵詞出現的時間分布和變化情況進行分析，可反映該領域的研究前沿和發展趨勢。本研究在分析時，對于英文文獻，設置關鍵詞檢測參數為默認值（γ設為1，最小持續時間為2）；對于中文文獻，由于數量較少，關鍵詞的突現性不明顯，為了便于比較，本研究將突現檢測參數中的γ值調整為0.3，最小持續時間設為1。突現強度排前15位的關鍵詞如圖4所示。

圖4 AI應用于醫院藥學服務領域相關文獻中突現強度排前15位的關鍵詞

由圖4A可見，國外該領域的研究前沿主要為針對藥動學、自然語言處理、大數據、癌癥、電子健康記錄、基因、藥理學和蛋白質的研究。其中，自然語言處理和電子健康記錄突現的時間與前述關鍵詞聚類形成的時間相近。近3年中，基因、藥理學、蛋白質等幾個關鍵詞有較高的突現強度，這提示在精準醫療和個性化醫療日益受到重視的背景下，這些研究主題的重要性進一步提升。

由圖4B可以看出，國內該領域的研究前沿主要為數據挖掘和機器學習的應用，應用領域包括耐藥性、藥占比以及臨床藥師的作用分析等。可見，國內學者對AI在藥學服務領域的應用研究主要集中于探討如何利用數據挖掘和機器學習技術來提升藥學服務的效率和效果等方面。

3 討論

3.1 AI技術在醫院藥學服務領域的應用研究現狀

AI技術在醫院藥學服務領域的應用研究正處于一個快速發展階段，特別是自2015年起，國外在該領域的研究關注度顯著提升，研究主要聚焦于機器學習、自然語言處理和深度學習技術的開發與應用。這些技術廣泛應用于疾病預防、風險評估和藥物治療優化等醫療實務領域，尤其是AI技術在處理電子健康記錄和醫療數據，如藥物屬性、適應證、不良藥物事件的識別等方面取得了一定進展[11]。相比之下，國內研究更側重于醫療服務實踐，這與“互聯網+醫療健康”政策導向相契合，研究重點多聚焦于合理用藥、處方審核等方面。隨著技術的進步，預計未來AI將在醫院藥學服務中扮演更為關鍵的角色。

3.2 我國AI技術應用于醫院藥學服務領域面臨的挑戰與機遇

自2018年以來，盡管AI技術在國內醫院藥學服務領域的研究數量有所增加，但與國際研究相比仍存在一定差距。此外，不論國內外，該領域的研究合作網絡主要集中在頂尖醫學院校和醫療機構之間，這種合作模式的形成與AI技術的復雜性密切相關——AI技術的應用和研究需要強大的計算處理能力，而這一點在當前仍是挑戰之一[12]。同時，藥學工作者需要適應新的技術革新，提升自身的信息素養和技術能力，以適應AI與藥學緊密結合的發展趨勢[13]。

在醫院藥學服務領域，AI技術與傳統中醫藥的結合尤其值得關注，當前中醫藥與AI技術的融合在臨床輔助決策、藥物療效與安全性評價等方面表現活躍[14]。為了更深入地開發中醫藥的綜合療效評估和創新治療手段，研究者們正利用AI技術對中藥配伍關系、組方與臨床病癥的關系進行深入分析[15]。此外，AI技術的本質是通過對大量的數據進行統計分析，以揭示數據中潛藏的有價值的信息模式或趨勢[16]。高質量的臨床試驗和患者反應數據的獲取和分析是構建有效預測模型的關鍵，而如何獲得足夠的數據來指導藥物治療、劑量選擇等藥學服務工作，只靠醫療機構自身的數據很可能是不足的[17]。國家衛生健康委員會在《關于加強全民健康信息標準化體系建設的意見》中也強調了建立全面的健康信息平臺和推進數據共享的重要性，這預示著通過拓寬數據來源獲取高質量數據將有望成為醫院藥學服務領域研究與應用的關鍵動力。

4 結語

隨著科技的飛速發展，AI已成為推動現代醫療進步的關鍵力量。本研究通過文獻計量學分析，揭示了AI在醫院藥學服務應用研究的趨勢與挑戰。AI雖為藥學服務帶來了前所未有的機遇，但同時也伴隨著跨學科知識整合和數據處理能力方面的新挑戰。藥學工作者需要不斷提升自身的技術能力，以適應這一變革。展望未來，期待AI能更深入地融入醫療衛生領域，助力藥學服務的精準化、高效化和安全化發展，進而為全球健康事業的發展做出更大貢獻。