特应性皮炎与过敏性鼻炎共病知识景观绘制：一项文献计量学研究

摘要

特应性皮炎和过敏性鼻炎是常见的共病，但它们的共病研究尚待充分阐明。本研究旨在采用文献计量学方法，绘制知识结构图谱，识别研究热点，并追踪该领域不断发展的趋势。

摘要

特应性皮炎（AD）和过敏性鼻炎（AR）是常见的过敏性疾病，且常常共病，具有共同的病理生理机制。本研究检索了过去十年Web of Science（WOS）数据库中关于AD和AR的共病相关出版物。文献计量分析使用包括Microsoft Excel、VOSviewer、CiteSpace和Scimago Graphica等软件工具，分析国家、研究机构、期刊、作者和关键词。结果显示，过去10年共发表了1571篇相关论文，显示出上升趋势。美国贡献了最多的论文（244篇），聚类分析确定了三个主要研究中心，分别是美国、中国和德国。在研究机构方面，中国医科大学产出最多（发表42篇论文）。聚类分析揭示了4个主要机构研究中心，分别代表苏黎世大学、中国医科大学、首尔国立大学和科罗拉多大学。在期刊中， 《过敏 》发表文章最多（56篇），而《过敏与临床免疫学杂志》则展现出最强的学术影响力，平均每篇文章被引用78.77次。论作者，Akdis， Cezmi A.产量最高（15篇论文），而Irvine， Alan D.影响力最大，总引用数为2711次。关键词分析发现了11个主要与免疫调控相关的簇。该方案为研究人员提供了有效策略，以识别潜在的研究空白，并指导未来在这些相互关联的过敏疾病中的研究。

引言

特应性皮炎（AD）和过敏性鼻炎（AR）是两种常见的慢性炎症性过敏性疾病，共同构成了特应性3月^1、2、3的核心组成部分。特应性皮炎是一种慢性炎症性皮肤疾病，伴随遗传性过敏倾向，表现为皮肤屏障功能受损、免疫失调和强烈瘙痒^4,5。过敏性鼻炎是一种由IgE介导的慢性鼻黏膜炎症，源于环境过敏原，通常表现为鼻塞、鼻漏、鼻痒和打喷嚏⁶。近年来，广泛的流行病学和临床研究证实特应性皮炎与过敏性^鼻炎之间存在显著共^病。患者常常同时或顺序发展这两种疾病，这不仅加重疾病负担，还导致生活质量显著下降和医疗成本上升。同时，这两种疾病的关联为研究其发病机制提供了重要线索。学术界普遍认为这两种疾病共享复杂的遗传背景、免疫机制和^{环境因素9}。然而，尽管在特应性皮炎或过敏性鼻炎的基础和临床研究方面取得了显著进展，但关于其共病的系统性和宏观层面研究仍然相对有限。

书目计量学作为一门运用数学和统计方法定量分析学术文献的科学学科，展现出独特的优势¹⁰.它通过分析发表数量、作者、机构、国家/区域合作、关键词共现和文献共引等数据，超越了传统综述固有的主观局限性¹¹。这有助于客观且系统地揭示^{特定领域的研究}成果、知识结构、进化动态及未来方向。将文献计量学应用于特应性皮炎（AD）与过敏性鼻炎（AR）共病的研究领域，有助于研究人员快速掌握该领域的整体格局。本研究结合文献计量学方法，系统回顾过去十年与AD和AR相关的文献。本研究提供了一套可重复的文献计量协议，整合多种软件工具，系统地处理和分析文献数据。通过这种数据驱动的方法，我们全面展示了阿尔茨海默症与增强现实共病领域的知识结构，包括研究热点、协作网络以及过去十年的主题演变。该方法论框架超越传统叙述综述，提供文献的客观和定量综合，为研究者提供了理解该领域现状和未来方向的宝贵工具。

方案

1. 文献检索与获取

1. 访问医学主题词（MeSH）数据库（https://meshb.nlm.nih.gov/）。
2. 分别输入“特应性皮炎”和“过敏性鼻炎”这两个术语，以获取各自受控的词汇和副标题。
3. 基于已识别的MeSH术语和子标题，制定全面的搜索策略。
4. 访问Web of Science（WoS）数据库（https://www.webofscience.com/wos/）。选择“高级搜索”选项。
5. 请在查询框中输入以下搜索策略：TS=（“特应性皮炎”或“特应性湿疹”或“婴儿湿疹”或“特应性神经皮炎”或“播散性神经皮炎”），TS=（“过敏性鼻炎”）。出版日期限制为2015年1月1日至2024年12月31日。
6. 排除非研究文件类型，如会议摘要、会议论文、编辑材料、书籍章节和撤回出版物;仅保留英语文学。
7. 对于作者姓名或机构隶属不一致的出版物，应以第一作者的隶属关系为标准，以确保网络分析的一致性。
8. 将获得的数据集导出为纯文本格式，并存储在计算机上以便后续分析。
9. 记录每年发表文章的数量，点击 “引用报告” 以导出引用次数。
10. 点击“国家/地区”部分中的“查看全部”，将国家出版物输出导出到Excel。
11. 在“出版年份”栏下，点击“查看全部”，然后依次选择“2015”和“精炼”。接下来，点击“国家/地区”栏中的“查看全部”。
12. 记录2015年前十名国家的具体出版物数量。
13. 在第十步之后，记录2015年至2024年间排名前十的国家的年度出版物统计。

2. 年度发表产出和引用频率的趋势分析

1. 打开 Microsoft Excel ，依次输入年份、相应的已发表文章数量和引用次数。
2. 选择输入数据，然后导航到 “插入>图表>组合图表”。将年度发表文章数量设为柱状图，引用计数为折线图。
3. 选择图表，将X轴标题标记为“年份”，Y轴标题标记为“出版物”。
4. 选择数据标签，并设置它们显示具体的数值。
5. 选择该模型并保存为TIFF格式。

3. 国家级出版物成果与跨境研究网络

注：由于VOSviewer在文献计量网络可视化方面的优势，被用于构建国家协作网络。随后，Scimago Graphica被用于生成世界地图，以更清晰地呈现网络数据的地理分布。

1. 启动软件，然后点击：创建→ 基于书目数据创建地图 → 从书目数据库文件中读取数据。
2. 导入纯文本数据集，然后点击“下一步”读取数据。
3. 在“分析类型”字段中，选择“合著”;然后在“分析单位”中选择“国家”，点击“下一步”。将“待选组织数量”中的数值设为22，点击“下一步”，开始数据分析。
4. 右键点击“来源”栏中的数据，导出指标，包括全国出版物产出和引用次数，以便后续数据分析。
5. 点击“完成”生成全国协作网络，然后在左侧工具栏选择“项目”标签查看集群数量。
6. 在左侧工具栏中进入“分析”，选择“最小集群大小”，并调整参数以保持簇数量在适当范围内。
7. 在左侧工具栏中访问“分析”和“布局”部分。调整“吸引力”和“排斥”参数的数值，以优化可视化的尺度。
8. 选择右侧的“可视化”以修改视觉地图的外观。拖动“比例”滑块以调整国家/地区标签至合适大小，使用“标签”控件设置节点尺寸，操作“线路”参数以获得合适的连接线粗细，点击“曲线线”以选择连接线的直线或曲线线。
9. 点击“ 文件>截图>保存 ”导出可视化;然后选择 File > 保存 > GML 以保留 GML 格式文件以备后续使用。
10. 启动软件并导入GML格式文件。
11. 将“lable”列设为“Country”，将“cluster”列的数据类型改为“String”，点击左上角的 可视化 图标。
12. 将“weight”从左侧面板拖到“Size”框，将“cluster”移到“Color”框，然后把“lable”分别放到“标签”、“工具提示”和“单元”框里。
13. 在右侧工具栏的“标记”部分选择“地图”即可生成世界地图;然后使用“边”选项调整连接线曲率，修改“边颜色”以配置节点颜色。
14. 在左侧工具栏选择“颜色”以调整集群颜色;然后配置“图例位置”以修改图例的位置。
15. 点击顶部工具栏的“导出”，将图片保存为PNG格式。

4. 机构出版物产出及合作网络分析

注：VOSviewer被选用于机构协作分析，因为它有效处理大规模文献计量数据，并清晰地可视化机构集群。

1. 启动软件，然后点击：创建→ 基于书目数据创建地图 → 从 书目数据库文件中读取数据。
2. 导入纯文本数据集，然后点击“下一步”读取数据。
3. 在“分析类型”字段中，选择“合著”;然后在“分析单位”中选择“组织”，点击“下一步”。将“将要选择的组织数量”中的数值设置为50，点击“下一步”，然后开始数据分析。
4. 右键点击“来源”栏中的数据，导出指标，包括机构出版物输出和引用次数，以便后续数据分析。
5. 点击“完成”生成机构协作网络，然后在左侧工具栏选择“项目”标签查看集群数量。
6. 在左侧工具栏中进入“分析”，选择“最小集群大小”，并调整参数以保持簇数量在适当范围内。
7. 在左侧工具栏中访问“分析”和“布局”部分。调整“吸引力”和“排斥”参数的数值，以优化可视化的尺度。
8. 选择右侧的“可视化”以修改视觉地图的外观。拖动“比例”滑块以调整机构名称至合适大小，使用“标签”控件设置节点尺寸，操作“线条”参数以实现合适的连接线粗细，点击“曲线线”以选择连接的直线或曲线线。
9. 点击“文件”，然后“截图”，最后选择“保存”来导出可视化。
10. 启动 Microsoft Excel，按发表产出和引用数量排序研究机构，选择前10名机构，识别各自国家，并准备数据集以供可视化展示。
11. 选择包含前十名研究机构的三列数据，按发表产出、各自发表数量和主办国排名前十。然后通过 插入>图表>列状图 ，创建按发表量排名前十的研究机构可视化。
12. 选择数据标签以显示实际数值，并将图表导出为TIFF格式。
13. 选择包含前10个研究机构的引用数、对应引用编号和主办国的数据列。然后通过 插入>图表>柱状图 ，创建按引用数排名前十的研究机构可视化。

5. 期刊发表成果与引用分析

注意：使用VOSviewer软件分析期刊发表结果和引用。

1. 启动软件，然后点击：创建→ 基于书目数据创建地图 → 从 书目数据库文件中读取数据。
2. 导入纯文本数据集，然后点击“下一步”读取数据。
3. 在“分析类型”部分，选择“引用”;然后在“分析单位”中选择“来源”，点击“下一步”。将“来源文档最少数量”字段中的值设为5，将“来源最少引用数”设为0，点击“下一步”，然后继续进行数据分析。
4. 右键点击“来源”栏中的数据，选择“另存为”选项，导出期刊发表结果和引用数，以便后续分析。
5. 点击“完成”生成期刊协作网络地图，然后选择左侧工具栏的“项目”标签查看集群计数。
6. 点击左侧工具栏的“分析”，设置“最小集群大小”参数，以保持簇数量在适当范围内。
7. 在左侧工具栏进入“分析”，然后选择“布局”。调整“吸引力”和“排斥”参数的数值，以实现最佳缩放的可视化效果。
8. 选择右侧的“可视化”以修改视觉地图的外观。拖动“比例”滑块以调整日记名至合适大小，使用“标签”控件设置节点尺寸，操作“线条”参数以实现合适的连接线粗细，点击“曲线线”以选择连接的直线或曲线线。
9. 点击“文件”，然后“截图”，最后选择“保存”来导出可视化。
10. 启动Microsoft Excel，根据发表产出和引用次数计算每本期刊的平均引用数。
11. 选择三列数据（期刊标题、发表产出和平均引用），然后导航到 “插入>图表>列状图 ”，创建比较期刊发表产出与平均引用率的可视化。
12. 选择数据标签以显示实际数值，然后导出图表为TIFF格式。

6. 高生产力作者的协作网络分析

注意：使用VOSviewer软件对高生产力和高被引作者进行协作网络分析。

1. 启动软件，然后点击：创建→ 基于书目数据创建地图 → 从 书目数据库文件中读取数据。
2. 在“分析类型”字段中，选择“合著”;然后在“分析单元”中选择“作者”，点击“下一步”。将“待选组织数量”中的数值设为95，点击“下一步”，开始数据分析。
3. 右键点击“来源”栏中的数据，导出包括高产出作者的发表次数和引用次数在内的指标，以获取后续数据。
4. 点击“完成”生成机构协作网络后，选择左侧工具栏中的“项目”标签查看集群计数。
5. 点击“完成”生成作者协作网络后，选择左侧工具栏的“项目”标签查看集群计数。
6. 在左侧工具栏进入“分析”，然后选择“布局”。调整“吸引力”和“排斥”参数的数值，以实现最佳缩放的可视化效果。
7. 选择右侧的“可视化”以修改视觉地图的外观。拖动“比例”滑块以调整日记名至合适大小，使用“标签”控件设置节点尺寸，操作“线条”参数以实现合适的连接线粗细，点击“曲线线”以选择连接的直线或曲线线。
8. 进入 文件>截图>保存 ，导出可视化内容。
9. 启动 Microsoft Excel，按发表作品排序高生产力作者，挑选前10名作者，并准备这些作品以视觉呈现。
10. 选择前10名高产出作者及其对应发表数量。然后通过 插入>图表>栏图 ，创建一个横轴为作者名字、纵向为发表次数的可视化。启用数据标签显示。最后，右键点击图表并保存为TIFF格式。

7. 关键词共现与主题演变分析

注意：CiteSpace因其在检测研究热点、聚类分析和时间演变模式方面的先进能力，被选中进行关键词分析。

1. 启动软件后，通过CiteSpace的重复删除功能识别并删除了重复记录。进入 数据>导入/导出，将输入目录设置为“input”文件夹，并将输出目录配置为“output”文件夹。
2. 进入“ 重复删除与组织”，同时选择“文章”和“审阅”文档类型，点击“开始”。然后导入纯文本数据集，再次点击“开始”继续。
3. 点击“关闭”退出设置页面，返回主界面。
4. 在主界面点击“新建”，将项目主页设置为 “project”文件夹，将数据目录配置到“data”文件夹，选择“WoS”作为数据源，选择“English”作为首选语言，最后保存设置。
5. 在右侧的时间片面板中，将时间范围设置为2015年1月至2024年12月。选择“关键词”作为节点类型。选择 g-index （k=25） 进行网络扩展。在修剪设置中启用“Pathfinder”、“剪辑切片网络”和“修剪合并网络”选项，以简化和清晰网络可视化。
6. 点击“开始”以启动数据处理。操作完成后，选择“一键聚类标签优化”函数生成关键词聚类图。
7. 在右侧控制面板中调整节点标签和集群标签，以修改可视化中的节点大小等元素。
8. 进入 工具栏 > 标签 > 标签颜色 > 文章标签 以自定义标签颜色;然后在工具栏中选择 节点 选项，修改节点属性，如颜色和形状。
9. 完成调整后，进入 “另存为文件”> ，将图片导出为PNG格式。
10. 在控制面板中进入“布局>时间线”，生成关键词时间线视图。
11. 在控制面板中，调整节点标签和集群标签，以修改节点大小和集群标签大小。
12. 进入 文件 ， 将图片保存 为PNG格式。
13. 在控制面板中进入“ 突发性 ”，依次点击 刷新 和 查看，在数据字段输入“20”，确认选择，生成20个关键词的研究热点分析图。
14. 使用计算机截图工具捕捉并保存前20个关键词的研究热点分析图。

结果

过去十年中，已发表1571篇关于特应性皮炎和过敏性鼻炎的文章。年度发表量整体呈上升趋势，引用频率也稳步增长（见图1）。按国家计算，美国发表文章最多（244篇）。进一步可视化研究集群及各国合作网络，揭示了三大国家研究集群，分别由美国、中国和德国代表。整体研究网络结构呈现了一个多中心模型（见图2）。就机构而言，中国医科大学是研究成果最高的机构（发表42篇论文）（见图3）。按出版量排名前十的机构列于 表1。进一步的聚类分析确定了四个主要研究集群，分别由苏黎世大学、中国医科大学、首尔国立大学和科罗拉多大学代表。关于期刊，按发表量排名前十的期刊列于 表2。《过敏与临床免疫学杂志》的每篇文章平均引用次数最高（78.77次）。期刊协作网络通过VOSviewer进行了可视化。最多产的作者是Akdis， Cezmi A.，发表了15篇研究论文，...

讨论

本研究进行的文献计量分析为AD与AR共病的研究格局提供了全面描绘。这种方法不仅突出全球研究趋势，还识别了关键贡献者、新兴主题以及该重要领域研究的潜在未来方向。

过去十年中，关于AD和AR共病性的出版物呈上升趋势波动，反映了全球对该领域的兴趣日益增长。然而，在2021年达到峰值（182篇）后，销量有所下降，最终在2024年回升到峰值。回顾其他文献计量学研究显示，2021年相关研究的下降是一个普遍现象，13,14,15。这一下降可能与新冠疫情有关。在国家层面，美国是主要贡献者，发表文章最多，其次是中国和德国。这些趋势展示了国际合作的积极作用，尤其是在北美、欧洲和亚洲的研究中心之间。中国医科大学和苏黎世大学等机构成为关键研究中心，促进了大量学术交流，推动了该领域的知识基础发展。对国家、机构和作者的聚类分析揭示了独特的研究中心，进一步凸显...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
CiteSpace	Chaomei Chen，德雷塞尔大学	CiteSpace 6.2.R4 (64-bit) beta Basic	用于关键词共现分析、聚类分析、时间线可视化和爆发检测，以识别研究热点和主题演变。
Scimago Graphica	西班牙国家研究委员会（CSIC）	Scimago Graphica Setup 1.0.49	用于可视化国家合作网络，并基于VOSviewer输出数据生成世界地图。
VOSviewer	荷兰莱顿大学科学与技术研究所	VOSviewer版本1.6.19	用于构建和可视化国家、机构和作者的合作网络，以及期刊引用分析。