基于CiteSpace的高血壓風險預測模型研究的可視化分析

張亦然,朱 璐,王康美,朱盛財,代 煒,黃 沂

高血壓是全球性的公共衛生問題。雖然病人數量呈現不斷攀升的趨勢,但疾病知曉率、治療率、控制率仍較低。隨著健康中國戰略的實施,心血管疾病的風險評估與危險因素管理得到廣泛重視,早期的評估及預防可以達到疾病防治關口前移的目的[1-2]。同時為減輕全球的疾病負擔,高血壓病風險的早期評估及預警相關模型也在不斷被開發。國內外通過對高血壓疾病相關因素進行調查研究及應用各類數學模型,開發與高血壓相關的疾病風險預測模型,并實現對疾病及其各類并發癥等進行定量預測。為了更加直觀地了解與高血壓相關預測模型的研究進展與趨勢,本研究擬運用CiteSpace軟件進行可視化分析,以期為未來展開更全面的高血壓疾病相關預測研究、模型的臨床轉化應用提供思路。

1 資料與方法

1.1 數據來源與檢索策略

以中國知網為中文數據來源,以布爾邏輯運算符構建檢索式(主題=高血壓OR高血壓患病OR高血壓患者OR高血壓并發癥)AND(主題=預測模型OR預警模型OR風險預測OR預測因子OR模型構建OR風險評估)進行檢索。同時,以Web of Science核心合集為英文數據來源,運用高級檢索,構建檢索式:[TS=(hypertension OR High Blood Pressures OR essential hypertension)] AND [TS=(prediction model OR prognostic model OR risk prediction model)]。檢索時限為2014年1月1日—2023年5月1日,語言僅選擇中文及英文。

1.2 文獻納入標準與排除標準

納入標準:研究主題為與高血壓相關預測模型。排除標準:1)會議摘要、評論、信件、新聞報道等非學術類文章;2)動物類研究;3)重復發表的文章。

1.3 文獻篩選與提取

文獻篩選工作由2名研究者按照檢索策略及納入與排除標準對文獻題目及摘要進行閱讀篩選,有爭議時由第3名研究者裁定,并由第3名研究者將文獻導入CiteSpace 6.1.R6軟件進行格式轉換。

2 結果

2.1 文獻檢索結果

本研究初步檢索得到中文文獻989篇、英文文獻5 671篇。去除重復文獻32篇,按照納入標準和排除標準閱讀題目和摘要后排除6 050篇,最終得到578篇文獻(中文文獻296篇、英文文獻282篇)。

2.2 年發文量分析

國內外高血壓疾病相關預測研究在2014—2017年較少,2018年及以后中英文文獻發文量均逐年上升。其中,中英文文獻在2020—2022年增長速度均明顯加快,在2022年發文量最多(中文文獻n=96,英文文獻n=75),見圖1。

圖1 2014—2023年高血壓風險預測模型研究領域國內外發文量情況

2.3 基于關鍵詞的研究熱點分析

2.3.1 高頻關鍵詞共現

關鍵詞是能夠概括論文主題的詞匯,有益于對文獻主題進行初步了解。本研究將含義相近的中文關鍵詞“高血壓”與“高血壓病”“風險評估”與“風險預測”“影響因素”與“危險因素”“風險因素”“預測模型”與“預警模型”合并。頻次排名前3位的關鍵詞依次是高血壓病、預警模型、風險預測,中心度排名前3位的關鍵詞依次是風險因素、高血壓病、預警模型。將含義相近的英文關鍵詞“prediction model”與“prediction”“risk factor”與“risk”“cardiovascular disease”與“cardiovascular risk”合并。頻次排名前3位的關鍵詞依次是blood pressure、risk score、association,中心度排名前3位的關鍵詞依次是risk score、disease、cardiovascular disease。見表1。

表1 2014—2023年國內外高血壓風險預測模型研究領域高頻關鍵詞及中心性

2.3.2 關鍵詞聚類

使用對數似然比(LLR)算法對國內外高血壓風險預測模型研究的關鍵詞進行聚類分析。CiteSpace依據網絡結構和聚類清晰度,提供了模塊值(Q值)和平均輪廓值(S值)2個指標[1]。本研究中中文關鍵詞聚類的模塊值Q=0.830 4,平均輪廓值S=0.975 5,說明劃分的聚類結構顯著,是高效率、可信服的。在可視化圖譜中顯示,中文文獻關鍵詞聚類排名前3位依次是高血壓病、風險評估、影響因素,英文文獻關鍵詞聚類排名前3位依次是ambulatory、metabolic syndrome、body mass index。見表2。

表2 2014—2023年國內外高血壓風險預測模型研究領域關鍵詞聚類列表

2.3.3 突現關鍵詞

突現關鍵詞是某一時期內出現頻率較高的文獻關鍵詞,可以反映相關研究領域的研究進展及熱點。“老年人”“腦出血”“預測價值”是近年來中文高血壓預測研究的突現關鍵詞,“guideline”“logistic regression”“machine learning”是近年來英文相關研究的突現關鍵詞。見圖2。

圖2 2014—2023年國內外高血壓風險預測模型研究領域中英文關鍵詞突現圖

2.3.4 時間線圖

時間線圖是從時間維度上來表示研究主題演變的視圖。本研究提取中英文聚類高頻詞進行時間縱向分析,結果見圖3、圖4。以中文聚類#8機器學習為例,在2017—2022年出現的中文高頻詞依次是“心血管病”“決策樹”“中醫證型”“痰濕體質”“網絡神經”“社區管理”“腦梗死”。

圖3 2014—2023年國內高血壓風險預測模型研究領域中文聚類高頻詞時間線圖

圖4 2014—2023年國外高血壓風險預測模型研究領域英文聚類高頻詞時間線圖

3 討論

3.1 高血壓風險預測模型的研究現狀

國內外的高血壓疾病相關的預測研究發文量均逐年增長,說明高血壓疾病的早期預警越來越受到關注。我國是發文量最多的國家。相關報告中指出,高血壓病已成為我國重要的公共衛生問題,高血壓管理將直接影響我國心血管疾病如冠心病、腦卒中甚至心血管疾病導致的死亡事件的發生[2-3]。本研究顯示,國內外的研究熱點均集中在對高血壓發病風險及并發癥如輕度認知障礙、衰弱等進行預測。且國內外的高血壓相關預測研究主要包括對不同特征的人群進行疾病的患病風險、共病及不良結局。然而從關鍵詞來看,國內外相關領域的研究側重點有所不同。在人口學特征上,國外研究更為關注兒童及孕產婦[2],而國內更關注老年及農村人口[3],并且在預測模型中納入了中醫特色變量[4]。雖然國內外高血壓風險預測模型研究已經較為豐富,但原始研究數量較少,缺乏模型之間的聯合應用與對比,今后可以進一步完善。

3.2 高血壓風險預測模型的研究熱點分析

3.2.1 高血壓疾病相關預測因素

3.2.1.1 人口學特征

在突現關鍵詞中,“農村人口”“老年人”“children”“women”等是預測因素的研究熱點。中國健康與營養調查(China Health and Nutrition Survey,CHNS)發現,農村地區居民的高血壓患病率增長速度較城市更快,在2012—2015年的調查中,農村與城市高血壓患病率無差別,而2015年時農村高血壓患病率已經高于城市[5]。本研究發現,“農村人口”突現時間正值2014—2016年,這可能是由于我國城市化的推進導致人們不良生活方式的發生,以及醫療質量得到改善,疾病知識在農村人口得到了普及等,使得農村高血壓患病率逐漸約等于城市高血壓患病率。“老年人”是預測研究的高頻關鍵詞,這可能與近年來國內老齡化加劇有關。隨著老齡化社會的到來,我國高血壓防治工作也面臨巨大挑戰。有研究構建了老年高血壓病人并發冠心病的預測模型,預測因子包括年齡、總膽固醇、糖尿病和吸煙等[6]。對于老年高血壓病人而言,嚴重威脅健康的并不是“高血壓”這一疾病,而是由高血壓帶來的各種并發癥。由于生理因素導致的認知功能降低、生活質量下降等,也會影響其高血壓防治的自我效能。因此,如何高效展開老年高血壓病人的健康管理以及提高其依從性、自我效能感是臨床上亟待解決的問題。孕產婦及兒童是國外預測研究的重點人群,如研究通過構建模型發現孕期孕產婦高血壓疾病、孕產婦教育水平、孕前體質指數(BMI)是兒童高血壓發生的預測因子[7]。對子癇的發生及預后進行早期預測,有助于實現母嬰健康、優生優育。目前,子癇前期尚無有效的治療方法,待分娩后癥狀才可得到緩解[8],因此識別危險因子對于開展預防及明確治療時機至關重要,研究者未來可進一步探究有效的預防手段或護理措施并驗證。

3.2.1.2 共病及并發癥

高血壓共病及并發癥是高血壓疾病相關預測研究中的熱點話題。其中,高頻關鍵詞包括腦卒中、冠心病,關鍵詞聚類中有#4糖尿病、#6 atrial fibrillation。有研究表明,我國老年人慢性病共病的患病率高達65.14%[9]。并且,二元共病組合最常見的依次是高血壓+糖尿病、高血壓+冠心病、高血壓+類風濕性關節炎[10]。因此,在病人具有高血壓病、糖尿病等慢性病時,應該警惕與之相關的其他疾病同時發生而形成多元慢性病共病,以此構建預測模型,如國外學者開發的高血壓與糖尿病共病人群心房顫動多變量預測模型[11]。對高血壓共病的預測,有助于對多元共病病人進行早期篩查及預防,研究者可進一步探究多元慢性病共病管理模式。目前已有研究總結了老年慢性病共病的護理模式,包括出院計劃模式、基于互聯網的遠程隨訪模式、最小干擾醫療護理模式等[12],但其有效性還有待考究,未來需要進一步實施。而在本研究中發現腦卒中、腦出血、冠心病是高血壓并發癥預測研究的研究熱點,這與李俊等[13]的研究結果一致,腦血管損害、心臟損害、外周血管損害是發生率最高的高血壓并發癥。目前已有研究對高血壓并發腦出血病人的預后及不良結局進行預測模型的構建,能夠為臨床提供定量的評估方法,對病人進行早期的風險評估,可以進行精確化干預以減少病人不良結局的發生。同時,對于高血壓共病或高血壓并發其他疾病的病人,由于多種疾病的出現增加了病人身體及心理負擔。一項研究表明高血壓和糖尿病共病病人存在明顯不良情緒,其中預測因子包括年齡、收入水平、疾病種類等[14]。因此,對病人提供心理護理也尤為重要。為高血壓并發其他疾病病人進行心理護理,能夠減輕病人焦慮、抑郁情緒,并且提高病人的自我管理能力及生活睡眠質量[15]。

3.2.1.3 預測因子

在我國高血壓疾病的預測因子中,除不良生活習慣、代謝組學等常見因素外,還包含中醫元素特征。本研究中文聚類#0高血壓病的時間線圖上,發現2017年有中醫元素如舌質、舌苔等成為研究熱點。此外,中醫體質也是熱點之一。在吳瓊[16]的研究中通過路徑分析發現,平和質和氣郁質的老年高血壓人群心理彈性能夠預測其生活質量。此外,痰濕體質、氣虛體質、有齒痕、舌下脈絡怒張等中醫特征也構成了模型的預測因子[12]。動態血壓監測是國外研究的熱點,K?h?nen等[17]監測高血壓病人的血流動力學特征,并將全身血管阻力指數納入至預測模型中以對以往的模型進行改善。在國內外高血壓預測模型的相關研究中發現,納入模型的風險因素呈現出高度一致,說明當前研究已較為廣泛及深入,是國內外普遍的高血壓病預測因子,但在不同人群中的預測作用有所區別。

3.2.2 模型構建

運用機器學習方法建立預測模型是國內外近年來的研究熱點。對于預測模型的選擇,主要以Logistic回歸、人工神經網絡、XGBoost等機器學習方法為主。而對于模型的構建方法,當前最常用回歸預測法中的多因素Logistic回歸分析和Cox比例風險函數[18]。此外本研究發現列線圖在國內疾病預測研究中受到青睞。列線圖是復雜統計學可視化的模型,研究將多因素回歸分析確定的預測因子建立并繪制根據病人及高血壓病特征而評估個體風險的列線圖模型[19]。近年來,國內外基于機器學習構建預測模型成為研究熱點,其中有回歸樹及其衍生模型、網絡神經等,如在高血壓人群特征選擇和模型構建時采用了機器學習XGBoost算法,通過生成分類樹為每個人提供了最終的預測風險評分[20]。對比傳統預測模型而言,機器學習算法構建模型的預測性能會更好,但方法較為復雜,在構建模型時存在一定難度。雖然對于模型構建相關研究已經較為豐富,但還應進一步進行模型的應用轉化。目前,只有少數傳統模型在開發后被轉換為風險評分[21]。通過評分而不是復雜的數學公式來呈現風險預測結果,可能會進一步提高模型的臨床應用性。因此,在未來的研究中建議將各類預測模型在實際臨床中進行驗證及應用。

4 小結

本研究通過CiteSpace軟件對國內外高血壓預測模型的相關研究熱點進行圖譜繪制及分析,以關鍵詞為導向對高血壓預測模型相關研究的現狀進行了解,以期為國內相關領域的預測研究和應用提供參考依據。臨床工作中可通過應用預測模型早期識別高血壓病的高危人群,如對老年及慢性共病人群進行針對性健康管理,可降低高血壓病患病率和延緩、減少并發癥的發生,對高血壓病的預防和控制具有重要意義。本研究存在檢索數據庫有限,可能造成文獻遺漏,未來將納入更多文獻了解國內外的研究進展。