本项文献计量分析利用 CiteSpace 绘制了2016年至2025年中国抗菌药物耐药性研究的趋势与新兴热点。研究结果强调了人们对新型治疗手段和技术驱动型方法日益增长的关注，同时揭示了耐甲氧西林金黄色葡萄球菌（MRSA）与耐碳青霉烯类肺炎克雷伯菌（CRKP）耐药趋势的差异，凸显了持续监测和实施针对性抗菌药物管理的必要性。
本文内容
摘要
摘要
系统分析2016–2025年中国抗菌药物耐药性（AMR）研究格局，识别研究热点并利用文献计量可视化技术探测新兴趋势。我们从Web of Science核心合集（包括科学引文索引扩展版，SCI-E）和中国知网（CNKI）共收集3,096篇出版物。使用CiteSpace进行合著网络分析、关键词共现图谱绘制，并采用对数似然比（LLR）算法进行聚类分析。通过Kleinberg算法进行突现词检测以识别研究前沿，模块度Q（modularity Q）>0.3）和轮廓系数指标验证了网络结构的质量。研究数量从2016年的357项增至2022年的365项，2019至2022年期间增长加速。共形成六个主要研究集群，具有显著的结构有效性（模块度Q = 0.8108）。突现分析识别出移动型多粘菌素耐药基因-1（mcr-1，爆破强度为9.12）和碳青霉烯酶（8.52）为最强的新兴信号。耐药性监测显示趋势各异：碳青霉烯类耐药 肺炎克雷伯菌 从5.6%显著上升至20.0%，而耐甲氧西林金黄色葡萄球菌（methicillin-resistant Staphylococcus aureus）则从48.8%下降至25.8%。作者合作网络分析显示，该领域研究结构高度集中，跨区域合作有限。新型治疗方法，包括抗菌肽、噬菌体疗法及机器学习应用，呈现出显著增长趋势。总体而言，文献计量模式表明，中国在抗菌药物耐药性（AMR）研究方面已从描述性监测逐步转向机制性研究，并日益关注创新干预手段。耐甲氧西林 Staphylococcus aureus 碳青霉烯类耐药病原体的增加凸显了持续开展全国性监测、加强区域间协作、实施有针对性的抗菌药物管理以及谨慎地将新兴技术转化为临床实践的必要性。
引言
抗菌素耐药性（AMR）对全球公共卫生构成严重威胁，世界卫生组织已将其列为人类面临的十大健康威胁之一1。AMR带来的经济负担巨大，据预测，若当前趋势持续，到2050年，耐药性感染可能在全球范围内每年导致1000万人死亡2。细菌产生抗菌素耐药性的基本机制涉及复杂的遗传和表型适应，包括药物的酶促修饰、靶位点改变、外排泵过表达以及生物膜形成，这些机制共同威胁现有治疗手段的有效性3。近期的全球评估进一步强调了这一挑战的广泛性，目前抗菌素耐药性已被视为一种复杂的生态现象，需要在人类健康、动物农业和环境领域采取协调一致的行动4。AMR还对可持续发展目标产生更广泛的影响，涉及环境和经济社会目标5。在应对疟疾、艾滋病和结核病的耐药性方面，这一挑战尤为严峻，其中多重耐药菌株威胁着传染病控制领域数十年来取得的进展6。对中国AMR流行病学的历史分析记录了其相较于西方人群的独特特征，包括由医疗实践和抗生素使用模式所塑造的独特耐药基因谱型和传播动态7。
中国由于人口众多且抗生素消耗量大，面临着尤为严峻的抗菌药物耐药性（AMR）挑战。中国的人均抗生素使用量仍显著高于许多欧洲国家，由此产生的选择性压力推动了耐药性的产生8。鉴于这一危机的严重性，中国政府已实施《遏制细菌耐药国家行动计划（2016–2020年，2022–2025年）》，并建立了中国细菌耐药监测网（CARSS），以在全国范围内监测耐药模式9。从区域角度看，东南亚已成为抗菌药物耐药性研究与传播的关键热点地区，文献计量学分析显示其科研产出迅速增长，与中国的发展趋势相呼应10。全球趋势与预测表明，若无果断干预措施，抗菌药物耐药性导致的死亡负担将主要落在中等收入国家身上，部分预测指出，到本世纪中叶，亚太地区可能占所有耐药相关死亡病例的近一半11。这些令人警醒的预测推动了国际社会对抗菌药物管理的承诺，但全球范围内政策制定与临床实践之间仍存在实施差距12。这些举措已产生了大量关于耐药流行病学、分子机制和临床结局的数据，为文献计量分析提供了丰富资源。因此，近年来的“同一健康”（One Health）框架强调，在人类健康、动物健康、农业和环境各部门之间开展协调干预，并依托抗菌药物管理和快速诊断技术予以支持13。
文献计量分析利用数学和统计方法对已发表的文献进行定量分析，使研究人员能够揭示研究热点、追踪演变轨迹并预测未来发展方向14。CiteSpace等可视化工具可将复杂的引文数据转化为直观的知识图谱，揭示科学文献中的潜在规律15。以往的文献计量研究已描绘出特定抗菌药物耐药性（AMR）领域的研究趋势，包括全球抗真菌药物耐药性研究16。然而，整合中国中英文文献对抗菌药物耐药性研究进行全面文献计量分析的工作仍较为有限。与以往聚焦于特定AMR领域的文献计量分析不同，本研究整合了中文的中国知网（CNKI）和英文的Web of Science数据库记录，并结合全国细菌耐药监测网（CARSS）的监测趋势对文献计量结果进行独立解读。本研究旨在对2016年至2025年中国抗菌药物耐药性研究开展系统的文献计量分析，利用CiteSpace软件生成知识图谱，为未来研究重点和政策制定提供基于证据的建议。该综合设计在提供双语研究图景的同时，使文献计量趋势能够与国家级耐药监测数据并行但独立地进行解释。
方案
数据来源
为全面覆盖与中国相关的抗菌耐药性（AMR）研究，我们在国际和国内数据库中系统地开展了综合性文献检索。针对国际文献，我们系统检索了 Web of Science 核心合集（包括科学引文索引扩展版，SCI-E）和中国知网（CNKI），检索时间范围为 2016 年 1 月 1 日至 2025 年 12 月 31 日。SCI-E 的精确布尔检索式为：TS = ((“antimicrobial resistance” OR “antibiotic resistance” OR “drug resistance”) AND (“China” OR “Chinese” OR “Mainland China”))。对于 CNKI，我们在主题字段中使用“抗生素耐药性”、“抗菌药物耐药性”和“耐药性”的中文对应术语，并结合“中国”进行检索。在进行 CiteSpace 分析之前，未进行正式的关键词同义词合并或基于词表的预处理。最终检索于 2026 年 4 月 28 日执行，以确保截至 2025 年 12 月 31 日发表的文献有足够时间被数据库收录。数据库的出版年份筛选限定为 2016–2025 年。在筛选过程中额外核查了标记为“提前访问”（Early Access）的记录，而首次在线发表日期为 2026 年的文章则被排除在分析之外。关键词标签已与原始 CiteSpace 输出结果进行核对，以确保正文、表格和图示中的术语保持一致。
在中国知网（CNKI）检索中，共从北京大学核心期刊（PKU Core）获取983条记录，从中国科学引文数据库（CSCD）获取802条记录，从世界期刊影响力指数（WJCI）获取462条记录。由于单篇文章可能被上述多个类别同时收录，因此这些数字代表的是按类别划分的检索结果，而非互斥的发表数量统计。因此，在进行纳入资格筛选前，将这三个记录集合并处理。首先通过完全匹配DOI识别重复条目；对于无DOI的记录，则比对标准化的文章标题，并结合第一作者姓名和发表年份进行判断。元数据不完整或不一致的记录均进行人工审核。当同一篇文章出现在两个或以上的CNKI索引类别中时，在合并后的CNKI数据集中仅保留一次，无论其被多少个类别收录。在完成CNKI内部去重及纳入资格筛选后，共保留1,096篇独立的中文语言文章。本研究未设置期刊影响因子阈值，因为研究目的旨在描述抗菌药物耐药性（AMR）研究的整体格局，而非根据期刊声誉限制文献范围。未对单篇出版物进行正式的方法学质量或偏倚风险评估，因为本研究的目标是刻画整体文献计量特征，而非评价单个研究的方法学质量。
在SCI-E和CNKI中，最初共识别出5,286条记录。随后采用相同的DOI、标题、作者和年份标准，以识别CNKI与Web of Science数据集之间的潜在重复文献。在合并去重和合格性筛选过程中，共剔除2,190条记录，最终保留3,096篇文献用于分析。完整的文献检索、筛选与纳入流程见补充图1。
纳入标准包括：聚焦中国细菌耐药性（AMR）的研究；报告耐药率、分子流行病学、临床结局或干预策略的文章；以及发表时间为2016年1月1日至2025年12月31日之间的文献。排除重复记录、2026年发表的文献、综述或未包含原始数据集的荟萃分析，以及仅限兽医或环境耐药性且不涉及人类健康的研究。排除无新原始数据集的综述和荟萃分析，因为本分析旨在表征原始研究产出。将文献库限定为原始研究有助于提高文献计量指标的可比性，包括论文数量、合著模式、关键词频率及引文相关指标，原因是证据综合类文章汇总了先前的研究，其引文和关键词特征可能显著不同。在去除数据库间的重复记录并筛选标题和摘要后，共纳入3,096篇文献进行文献计量分析，其中包括1,096篇中文文章（占35.4%）和2,000篇英文出版物（占64.6%）。
分析方法
使用 CiteSpace（Drexel University，Philadelphia，PA，USA）17 进行文献计量分析。时间跨度为 2016–2025 年，时间切片长度为 1 年。作者、机构和关键词分析分别选择节点类型。节点选择采用 g 指数法，k = 10；显示配置参数设置为 LRF = 2.5，L/N = 10，LBY = 5，e = 1.0。对作者、关键词和聚类网络应用 Pathfinder 剪枝算法，以减少冗余连接，同时保留主要网络结构。选择 1 年时间切片以保留 10 年研究窗口内的年度变化。
采用了四个主要的分析模块：作者合著分析，用于绘制作者与机构之间的合作网络；关键词共现分析，用于识别研究主题及其相互关系；基于对数似然比（Log-Likelihood Ratio, LLR）算法的聚类分析，用于提取具有自动标注的主题聚类；以及利用Kleinberg算法进行突现检测，以识别新兴趋势和研究前沿。采用包括模块度Q值和平均轮廓系数S在内的网络指标来评估聚类质量。模块度Q值大于0.3表明存在显著的社区结构，而平均轮廓系数大于0.7则表明聚类内部一致性高，聚类结果可靠18。
耐药趋势的统计分析
主要病原体的耐药率趋势数据来源于中国抗菌药物耐药性监测系统（CARSS）的年度报告（2016–2025年），该系统汇总了全国参与监测的哨点医院的数据。这些监测数据的分析独立于文献计量语料库，未从用于CiteSpace分析的3,096篇Web of Science和CNKI出版物中提取、合并或纳入。
针对每种病原体-抗菌药物组合，我们提取了年度耐药率（对特定药物耐药的非重复分离株所占百分比）、接受检测的分离株总数（分母）以及提供数据的哨点医院数量。药敏试验采用标准化的肉汤微量稀释法或纸片扩散法进行，结果判读依据美国临床和实验室标准协会（CLSI）指南（M100 文件，2016–2025 年版）。
为评估时间趋势，我们以耐药率作为因变量、年份作为自变量，对整个10年期间（2016–2025年）进行了线性回归分析。针对每种病原体–抗菌药物组合，计算了回归斜率（β）和决定系数（R2）。为考虑监测覆盖范围可能的变化（例如，参与医院数量从2016年的1,398家增加到2025年的2,349家），我们还进行了敏感性分析，将每年的耐药率按参与医院数量的倒数以及报告监测点的地理分布进行加权。这些加权模型得出的趋势方向和显著性水平与未加权分析结果一致；因此，为简化表述并提高可解释性，本文呈现未加权的分析结果。所有统计分析均使用R 4.3.2版（R Foundation for Statistical Computing，奥地利维也纳）完成。双侧p值＜0.05被认为具有统计学显著性。
结果
发表趋势
分析共纳入3,096篇出版物。年度总产出从2016年的357篇增至2022年的峰值365篇，随后持续下降至2025年的146篇（图1）。英文出版物数量从2016年的130篇增至2022年的295篇，随后下降至2025年的69篇。中文出版物数量从2016年的227篇下降至2019年的93篇，在2020–2021年间有所增长，最终在2025年达到77篇（图1）。
语言分布揭示了有趣的模式：2016年，虽然中文出版物总体上占据主导地位（63.6%），但英文出版物显示出更快的相对增长，从2016年仅有的130篇论文（36.4%）增加到2022年的295篇论文（80.8%）。这一转变反映了国际合作得到加强，以及中国抗菌药物耐药性研究的全球影响力日益增长。
作者与机构合作网络
网络分析确定了合著网络中的主要作者及合作模式（图 2）。表 1 列出了发文量最高的 10 位作者。华南农业大学的王娟与浙江大学的乐敏并列发表论文数量最多，各为 44 篇。上海市疾病预防控制中心的徐雪斌与广东省科学院的吴清平各发表 42 篇论文，其次是广东省科学院的张菊梅，发表了 41 篇论文。来自同一机构（广东省科学院微生物研究所的吴清平与张菊梅）的两位作者位列前五，表明该中心具有强大的机构研究活跃度。论文数量被解读为研究生产力的指标，而中介中心性则被单独解读为作者在合作网络中桥梁作用的指标。他们的中介中心性值分别为 0.01 和 0.04。
作者合作网络包含 248 个节点和 420 条连接，密度为 0.0137。这一低密度表明所有可能的作者对中仅有很小比例存在连接，暗示合作集中在有限数量的研究团队内，而非广泛分布于整个网络。值得注意的是，跨机构合作的发生频率低于机构内部合作，这表明医院间合作存在增强潜力。领先机构主要集中在中国东部的主要大都市和研究中心，特别是北京、上海、杭州、广州和扬州。
机构分析显示，浙江大学排名第一，发表论文195篇，被引10,660次；其次是华南农业大学，发表论文112篇；中国农业大学发表论文99篇（表2）。在前10家机构中，五家位于北京，两家位于上海，扬州、杭州和广州各有一家。未对华东/华中/西部地区的论文产出进行正式分析。
研究热点与关键词分析
关键词共现分析识别出257个关键词节点及932条共现连接（图3）。网络密度为0.0283，每个关键词平均约有7.3条连接，表明主题具有中等程度的连贯性。 表3列出了前10个高频关键词。 “抗菌药物耐药性”作为中心节点出现，在共现矩阵中出现285次，中心性为0.92；其次是 “碳青霉烯类”（出现192次，中心性0.78） 和 “ESBL”（超广谱β-内酰胺酶；168次；0.72）。 表3中报告的共现次数与总出现次数之间存在差异，这是因为表3报告的是整个语料库的原始词频，而网络共现矩阵仅统计同一文档内的共现关系；为求完整，两种指标均予报告。
关键词网络揭示了不同的主题集群。病原体特异性关键词（K. pneumoniae、A. baumannii、P. aeruginosa）与耐药机制（碳青霉烯酶、生物膜）紧密聚集，而临床管理术语（抗菌药物管理、联合疗法）则形成了一个独立但相互连接的集群。这种结构表明，研究已从描述性病原体研究演变为对机制的理解和干预策略。
使用 LLR 算法进行的聚类分析识别出 15 个关键词聚类，其模块度 Q 值为 0.8108，平均轮廓系数 S 为 0.9388（图 4）。时间线图中突出的六个主要聚类是 #0“毒力基因”、#2“Klebsiella pneumoniae”、#4“抗菌素耐药基因”、#5“抗生素耐药性”、#6“分子流行病学”和 #7“Escherichia coli”。时间线图显示，广泛的抗生素耐药性、病原体监测和分子流行病学主题在早期年份较为突出，而毒力基因、抗菌素耐药基因和Klebsiella pneumoniae则持续活跃到后期。各聚类之间的时间重叠表明研究主题是累积性多样化发展，而非严格地一个主题接替另一个主题。
“碳青霉烯”和“ESBL”的高介数中心性表明，β-内酰胺耐药性是整个文献计量网络中的一个重要连接主题。这一主题的突出性与下文展示的外部CARSS监测数据相一致，但在分析上是独立的；该数据显示肺炎克雷伯菌对碳青霉烯的耐药性不断增加，而鲍曼不动杆菌对碳青霉烯的耐药性持续处于高位。
耐药趋势与流行病学模式
在另一项独立分析中，外部CARSS监测数据为碳青霉烯类和β-内酰胺类耐药主题的文献计量学突出地位提供了流行病学背景，并揭示了病原体特异性耐药趋势的分歧（表4）。MRSA呈现出一致且显著的下降趋势，从2016年的48.8%降至2025年的25.8%（β = –2.43%/年，R2 = 0.94，p < 0.001），相对降幅达47.1%。MRSA的下降在时间上与我国医院实施主动监测、接触预防、去定植方案以及抗菌药物管理措施相吻合19，尽管本生态学分析无法将该趋势归因于任何单一干预措施。既往全国性研究已报道碳青霉烯类和第三代头孢菌素的使用与革兰阴性病原体耐药性之间的关联20，这为观察到的趋势提供了可能的解释背景。然而，本研究未直接分析抗菌药物消耗数据。
相反，革兰氏阴性病原体中的碳青霉烯类耐药性呈现出惊人的增长。CRKP 从 5.6%（2016年）急剧上升至 20.0%（2025年）（β = +1.61% 每年，R2 = 0.97，p < 0.001），意味着增加了 3.6 倍。碳青霉烯类耐药鲍曼不动杆菌（CRAB）在整个期间维持了高水平的流行状态，从 56.0% 增至 76.5%（β = +2.35% 每年，R2 = 0.92，p < 0.001），部分地区报告率超过 80%。万古霉素耐药肠球菌（VRE）虽然起始基线较低（1.5%），但显示出持续上升趋势，在 2025 年达到 6.5%（β = +0.56% 每年，R2 = 0.89，p < 0.001）。与 MRSA 的显著下降形成对比，碳青霉烯类耐药铜绿假单胞菌（CRPA）仅从 25.0% 小幅下降至 19.9%。总体而言，耐药性轨迹是病原体特异性的而非统一的：在研究期间，MRSA 和 CRPA 下降，而 CRKP、CRAB 和 VRE 则上升。
新兴研究前沿
突发检测识别出具有最强突发信号的10个关键词（表5和图5）。移动粘菌素耐药性-1（mcr-1）显示出最强的突发强度（9.12；2016–2022），而碳青霉烯酶则显示出略低但持续时间更长的突发（8.52；2016–2024）。mcr-1热点主要代表了一条以基因为中心的研究轨迹，从质粒介导的粘菌素耐药性的鉴定与分子表征，发展到对其传播的监测。相比之下，持续时间更长的碳青霉烯酶突发则反映了持续的关注，从酶与耐药基因机制延伸至分子流行病学、临床传播和感染控制问题。由于突发检测识别的是研究关注度在时间上的集中，而非离散的内部阶段，因此在每个突发区间内并未划分独立的子阶段边界。
抗菌肽（突现强度 7.92；2019–2024）、噬菌体疗法（6.54；2020–2024）、机器学习（5.83；2021–2024）以及成簇规律间隔短回文重复序列（CRISPR；4.92；2022–2024）均显示出持续至2024年的突现区间。它们逐渐推迟的起始年份表明了替代性疗法及技术赋能研究主题的相继涌现。由于未计算各年度关键词频率的单独增长率，这些术语被描述为突现检测到的研究前沿，而非已证实具有逐年增长的主题。
数据可用性：
本研究所分析的文献记录均从 Web of Science 核心合集和中国知网（CNKI）数据库中检索获得，遵循各数据库的访问与许可条件。这些源记录受数据库许可限制约束，作者无法重新分发。检索策略与筛选流程详见论文正文及补充图1，年度发表数量数据见补充表1。最终分析纳入的 3,096 篇出版物文献记录列于补充表2，其中包含 2,000 条 Web of Science 核心合集记录和 1,096 条 CNKI 记录。抗菌药物耐药性监测数据来源于公开的中国细菌耐药监测网（CARSS）年度报告。
图1：2016年至2025年中国抗菌药物耐药性研究的年度出版物产出（n = 3,096 篇出版物）。该图展示了年度英文、中文及总出版物数量。英文出版物数量从2016年的130篇增至2022年的295篇，并在2025年下降至69篇。请点击此处查看此图的放大版本。
图2：基于分析所纳入的中国抗菌素耐药性相关2,000篇SCI-E出版物生成的作者合作网络（2016–2025年）。 该网络可视化呈现了中国AMR研究领域作者间的合著关系。节点大小代表发文数量；连线粗细表示合作频率。节点颜色遵循CiteSpace默认时区渐变：紫色节点代表最早期的出版物（2016–2017年）；蓝色节点代表中期出版物（2018–2021年）；红色/橙色节点代表近期出版物（2022–2025年）。中介中心性未在节点颜色中明确编码；相反，具有高中介中心性（>0.1）的节点在可视化图中通过外环突出显示。该网络包含248个作者节点和420条合作连线（密度=0.0137）。突出的作者包括Wang Juan、Yue Min、Xu Xuebin、Wu Qingping和Zhang Jumei。最大的连通子图包含157位作者（占网络的63%）。使用Pathfinder算法进行了剪枝以增强结构清晰度。相对较低的网络密度表明跨机构合作有限，研究活动集中在少数主要研究团队内。数据来源：Web of Science核心合集；使用CiteSpace分析。请点击此处查看此图的放大版本。
图3：基于关键词分析（2016–2025年）所纳入的2,000篇SCI-E出版物生成的关键词共现网络。节点大小代表关键词出现频率；连线粗细表示共现强度。颜色遵循CiteSpace时区渐变，从紫色（2016年）经蓝色（2018–2021年）过渡到红色/橙色（2022–2025年）。中心性值未以颜色显示；相反，节点标签的大小与中介中心性成正比，标签越大表明其桥梁作用越重要。该网络包含257个关键词节点和932条共现链接（密度 = 0.0283）。最大的连通子图包含157个关键词（占网络的61%）。高频关键词包括“抗菌药物耐药性”、“Klebsiella pneumoniae”、“Escherichia coli”、“Staphylococcus aureus”、“流行率”和“分子特征”，反映了耐药性监测和分子流行病学的主导研究主题。与作者合作网络相比，该网络显示出更强的互联性，表明不同研究主题间存在主题连贯性。数据来源：Web of Science核心合集；使用CiteSpace分析。请点击此处查看此图的放大版本。
图 4：基于关键词分析所纳入的 2,000 篇 SCI-E 出版物（2016–2025 年）生成的关键词聚类时间线。每条水平线代表一个研究聚类（#0–#14），节点表示该年份出现的单个关键词。节点大小代表关键词出现频率。聚类分析采用对数似然比算法进行，产生了 15 个不同的聚类，结构效度优异（模块度 Q = 0.8108，平均轮廓系数 S = 0.9388）。文中讨论的六个主要聚类代表了最突出的聚类（#0、#2、#4、#5、#6、#7）。时间线视图揭示了研究重点的时间性转变：早期聚类（2016–2018 年）集中于监测和分子流行病学，而后期出现的聚类则纳入了先进的基因组学工具。该网络包含 257 个关键词节点和 315 条共现链接（密度 = 0.0096），最大连通分量包含 256 个节点（占网络的 99%）。数据来源：Web of Science 核心合集；使用 CiteSpace 分析。请点击此处查看此图的更大版本。
图 5：从中国抗菌药物耐药性 SCI-E 出版物数据集中检测到的前 10 个突现关键词（2016–2025 年）。每个条形代表一个关键词及其突现强度（数值）。红色线段表示检测到的突现区间，蓝色线段表示未检测到突现的年份。水平时间轴覆盖了从 2016 年到 2025 年的完整研究时期。每个红色线段的起始和结束年份与表 5中报告的“开始”和“结束”值完全对应。观察到的最强突现是 mcr-1（9.12，2016–2022 年）和碳青霉烯酶（8.52，2016–2024 年），反映了它们作为研究驱动因素的持续主导地位。突现关键词分为五个主题组：耐药基因（mcr-1）；耐药机制（碳青霉烯酶、生物膜形成）；新型疗法（抗菌肽、噬菌体疗法）；临床管理（抗菌药物管理、联合疗法）；以及技术（全基因组测序、机器学习、CRISPR）。突现强度 >3.0 的关键词被视为显著。数据来源：Web of Science 核心合集；使用 CiteSpace 分析。请点击此处查看此图的更大版本。
| 排名 | 作者 | 机构 | 论文数 | 中心性 |
| 1 | Wang Juan | 华南农业大学 | 44 | 0.2 |
| 2 | Yue Min | 浙江大学 | 44 | 0.15 |
| 3 | Xu Xuebin | 上海市疾病预防控制中心 | 42 | 0.2 |
| 4 | Wu Qingping | 广东省科学院微生物研究所 | 42 | 0.01 |
| 5 | Zhang Jumei | 广东省科学院微生物研究所 | 41 | 0.04 |
| 6 | Wang Yang | 中国农业大学 | 35 | 0.11 |
| 7 | Li Yan | 浙江大学 | 30 | 0.23 |
| 8 | Wang Wei | 国家食品安全风险评估中心 | 26 | 0.03 |
| 9 | Chen Moutong | 广东省科学院微生物研究所 | 25 | 0.07 |
| 10 | Wang Hui | 北京大学人民医院 | 24 | 0.12 |
表1：抗菌药物耐药性研究领域最高产的10位作者（2016-2025年）。发表数量代表作者的生产力。中介中心度衡量一位作者在多大程度上连接了合作网络中原本分离的部分；数值越高，表明其桥梁作用越强。发表数量和中心度被解读为独立的文献计量指标。
| 排名 | 机构 | 城市 | 出版物 | 总引用次数 |
| 1 | 浙江大学 | 杭州 | 195 | 10,660 |
| 2 | 华南农业大学 | 广州 | 112 | 7,496 |
| 3 | 中国农业大学 | 北京 | 99 | 7,275 |
| 4 | 扬州大学 | 扬州 | 97 | 2,227 |
| 5 | 上海交通大学 | 上海 | 94 | 3,437 |
| 6 | 中国医学科学院 - 北京协和医学院 | 北京 | 91 | 3,138 |
| 7 | 中国疾病预防控制中心 &；预防 | 北京 | 84 | 2,657 |
| 8 | 中国科学院 | 北京 | 84 | 4,903 |
| 9 | 中国农业科学院 | 北京 | 79 | 1,988 |
| 10 | 复旦大学 | 上海 | 78 | 3,392 |
表2：按出版物产出排名前10的研究机构（2016-2025年）。出版物数量及总引用次数数据截至2026年4月28日。地理分布显示，北京（前10名中有5所机构：中国农业大学、中国医学科学院-北京协和医学院、中国疾病预防控制中心、中国科学院、中国农业科学院），上海（2所：上海交通大学和复旦大学），以及杭州（浙江大学）、广州（华南农业大学）和扬州（扬州大学）各1所。机构网络显示出明显的地理聚集性，北京和上海占据了前10名机构中的7所，表明研究能力集中在东部大都市区域。
| 排名 | 关键词 | 频次 | 中心性 | 类别 |
| 1 | Antimicrobial Resistance | 1167 | 0.92 | 抗菌药物耐药性通用概念 |
| 2 | Carbapenem | 467 | 0.78 | 抗菌药物类别 |
| 3 | ESBL | 168 | 0.72 | 耐药机制/表型 |
| 4 | MRSA | 156 | 0.68 | 耐药临床病原体 |
| 5 | Biofilm | 134 | 0.65 | 耐药机制 |
| 6 | CRE | 128 | 0.62 | 耐药表型/病原体群 |
| 7 | P. aeruginosa | 108 | 0.58 | 临床病原体 |
| 8 | A. baumannii | 102 | 0.55 | 临床病原体 |
| 9 | K. pneumoniae | 98 | 0.52 | 临床病原体 |
| 10 | E. coli | 95 | 0.5 | 临床病原体 |
表3：抗菌素耐药性研究中的十大高频关键词（2016–2025年）。类别指明了每个关键词在抗菌素耐药性文献中的主要语义角色。关键词被分类为一般性AMR概念、抗菌药物类别、耐药基因或机制、耐药表型、临床病原体、治疗或管理术语，或监测与流行病学术语（如适用）。在当前的前十名列表中，所代表的类别包括一般性AMR概念、抗菌药物类别、耐药机制或表型，以及临床病原体。
| 微生物 | 2016 | 2018 | 2022 | 2025 | 趋势 | p值 |
| MRSA | 48.80% | 35.80% | 27.20% | 25.80% | 下降 | <0.001 |
| CRKP | 5.60% | 15.20% | 22.80% | 20.00% | 上升 | <0.001 |
| CRPA | 25.00% | 27.20% | 21.50% | 19.90% | 下降 | 0.003 |
| CRAB | 56.00% | 64.50% | 76.80% | 76.50% | 高水平 | <0.001 |
| VRE | 1.50% | 2.90% | 5.20% | 6.50% | 上升 | <0.001 |
表4：主要病原体抗菌药物耐药性趋势（2016–2025）。每条水平线代表15个LLR生成聚类中的一个（#0–#14），每个节点代表对应年份中出现的一个关键词。节点大小代表关键词出现频率。文中讨论的六个主要聚类是#0“毒力基因”、#2“肺炎克雷伯菌”、#4“抗菌药物耐药基因”、#5“抗生素耐药性”、#6“分子流行病学”和#7“大肠杆菌”。该聚类方案的模块度Q值为0.8108，平均轮廓系数S为0.9388。
| 排名 | 关键词 | 突现强度 | 起始年份 | 结束年份 | 类别 |
| 1 | mcr-1 | 9.12 | 2016 | 2022 | 耐药基因 |
| 2 | Carbapenemase | 8.52 | 2016 | 2024 | 耐药机制 |
| 3 | Antimicrobial peptides | 7.92 | 2019 | 2024 | 新型疗法 |
| 4 | Biofilm formation | 7.25 | 2017 | 2024 | 耐药机制 |
| 5 | WGS | 7.34 | 2018 | 2024 | 分子分型 |
| 6 | Antibiotic stewardship | 6.89 | 2017 | 2024 | 临床管理 |
| 7 | Phage therapy | 6.54 | 2020 | 2024 | 新型疗法 |
| 8 | Combination therapy | 6.23 | 2017 | 2023 | 治疗策略 |
| 9 | Machine learning | 5.83 | 2021 | 2024 | 技术 |
| 10 | CRISPR | 4.92 | 2022 | 2024 | 技术 |
表5：指示研究前沿的前十大突现关键词（2016–2025年）。突现强度与突现持续时间被用作前沿活动的量化指标。未单独计算各年度关键词频率增长率。突现强度使用 CiteSpace 突现检测算法（Kleinberg 算法）及默认参数（γ = 1.0，最小持续时间 = 2 年）计算。突现强度 >3.0 的关键词被视为显著。“开始”与“结束”分别表示突现期的首尾年份，如图5所示。类别列反映了每个突现关键词的主题分类。观察到最强的突现来自 mcr-1（9.12，2016–2022）和碳青霉烯酶（8.52，2016–2024），表明其作为研究驱动力的核心作用。值得注意的是，新型治疗方法（抗菌肽、噬菌体疗法）和新兴技术（机器学习、CRISPR）在2024年前均显示出持续的突现活动，标志着向创新驱动的抗菌素耐药性研究的范式转变。分析时间窗口为2016–2025年。突现结束于2024年表示该关键词在2025年未检测到显著突现；这并不表示整体分析时间窗口结束于2024年。
补充图1：文献识别、筛选与纳入的PRISMA流程图。最初共识别出5,286条数据库记录，包括来自Web of Science核心合集科学引文索引扩展版（SCI-E）的3,043条记录、来自中国知网（CNKI）北京大学核心期刊类别的983条记录、来自中国科学引文数据库类别的802条记录，以及来自世界期刊影响力指数类别的462条记录。由于三个CNKI类别存在重叠，在筛选前对各类别记录进行了合并。在可能的情况下，使用DOI匹配识别重复记录，随后比较文章标题、第一作者姓名和发表年份，并对不确定的匹配进行人工审查。经过合并去重和资格筛选后，移除了2,190条记录，最终纳入3,096篇出版物，其中包括2,000篇英文SCI-E出版物和1,096篇中文CNKI出版物。请点击此处下载此文件。
补充表1：2016年至2025年中国抗菌药物耐药性研究的年度发表成果。表中列出了文献计量分析中包含的英文和中文出版物的年度数量，以及每年的总发表数。最终数据集包含3,096篇出版物。请点击此处下载此文件。
补充表2： 纳入最终文献计量分析的出版物书目记录。 该表列出了纳入最终分析数据集的 3,096 篇出版物，包括来自 Web of Science 核心合集（Web of Science Core Collection）的 2,000 条英文记录和来自中国知网（China National Knowledge Infrastructure, CNKI）的 1,096 条中文记录。请点击此处下载此文件。
讨论
文献计量学模式表明，中国抗菌药物耐药性（AMR）研究逐渐从描述性监测和病原体特征分析，拓展至耐药机制、基因组学方法以及以干预为导向的研究。关键词聚类的重叠性及突现时段表明，研究主题呈现累积性多样化，而非三个截然分开且互斥的阶段。这些变化的时间节点与中国《遏制抗菌药物耐药国家行动计划（2016–2020年）》和《2022–2025年）》的实施时期相重叠，提供了相关的政策背景；然而，当前的文献计量分析无法确定政策发布直接导致了出版主题的上述变化。论文数量的增长既反映了AMR危机在2019至2021年间日益加剧的严重性，也体现了政府和机构应对这一挑战的投入不断加大。因此，所提出的科研主题演变应被理解为描述性总结，尚未通过里程碑式论文或阶段特异性高被引论文分析进行独立验证。在全球背景下，中国科研产出的发展轨迹与新兴经济体的整体趋势一致，即AMR相关出版物数量随着耐药负担的加重而呈指数级增长21。
2022年达到发表高峰后，论文发表数量的下降恰逢第二期《国家遏制抗菌药物耐药行动计划（2022–2025年）》的实施阶段，而此前的增长则紧随第一期行动计划（2016–2020年）之后。这种时间上的对应关系可能反映了在不同政策阶段中研究重点、经费分配以及发表模式的变化，而非抗菌药物耐药（AMR）研究活动的简单减少。然而，论文发表与索引的延迟、数据库覆盖范围以及本研究的纳入标准也可能导致了近年来发表数量的表观下降，尤其是在后期年份中更为明显。因此，本次文献计量分析尚无法确立国家行动计划与论文发表数量之间的因果关系。
协作网络分析显示，该网络具有高度中心化的结构，王娟、岳、敏以及浙江大学作为关键枢纽，连接着各区域研究中心。然而，跨区域合作有限（网络密度 = 0.0137），表明协作网络密度较低，研究团队之间的连通性不足；但本研究未进行正式的东部/中部/西部区域发表情况分析。一个可行的跨区域协作框架可将CARSS作为国家级监测与数据协调主干，以区域性医疗联合体作为协调标本采集、药敏试验流程和多中心临床验证的单位，并以大学研究平台作为基因组测序、生物信息学和方法学开发的中心。共享的数据字典、去标识化的可互操作数据集、定期的跨区域基准比对以及联合早期预警项目，有助于将监测信号转化为研究重点和本地化适应的管理措施。该建议框架是基于网络分析结果推导出的实施路径，而非本研究中直接评估的干预措施。
本研究发现的耐药趋势变化具有深远的临床意义。耐甲氧西林金黄色葡萄球菌（MRSA）的耐药率显著下降（48.8%→25.8%；每年β = –2.43%，p < 0.001），表明包括强制性监测、手卫生宣传和抗菌药物管理在内的国家级协调干预措施能够有效遏制耐药病原体22。
不同的变化趋势可能反映了病原体在抗菌药物选择压力、耐药机制、生态持续性、传播动力学以及对感染控制措施的响应性方面的差异。耐甲氧西林金黄色葡萄球菌（MRSA）的下降可能与更广泛实施的监测和感染控制项目有关，而碳青霉烯类耐药肺炎克雷伯菌（CRKP）和碳青霉烯类耐药鲍曼不动杆菌（CRAB）的耐药率持续上升或居高不下，可能反映了碳青霉烯类耐药决定因子的持续传播，以及控制多重耐药革兰阴性菌的困难。铜绿假单胞菌（CRPA）耐药率的轻微下降表明，不能将耐药趋势一概而论地推广至所有碳青霉烯类耐药病原体。同样，耐万古霉素肠球菌（VRE）从相对较低的基线水平上升，需要持续监测。由于这些因素并未被直接测量，因此应将其视为合理的解释，而非已证实的因果机制。
与爆发分析一致，mcr-1 和碳青霉烯酶仍是研究热点，反映出学界对可移动黏菌素耐药性及碳青霉烯类耐药微生物的持续关注。抗菌肽和噬菌体疗法的兴起表明人们对传统抗生素替代方案的兴趣日益增加，而全基因组测序、机器学习和CRISPR技术则体现了对基因组监测、耐药性预测以及靶向基因策略的日益重视。近期研究进一步强调了人工智能在抗菌药物耐药性监测、耐药标志物识别、生物膜分析、诊断以及新型抗菌药物发现中的潜在应用12,23,24,25。
然而，这些术语被识别为研究前沿，并不意味着已具备临床应用的成熟度。机器学习模型需要标准化的多中心数据集、外部和前瞻性验证、模型可解释性，以及与实验室和临床工作流程的整合。噬菌体疗法面临菌株特异性、生产一致性、质量控制、耐药性演化及监管标准化等方面的挑战，而基于CRISPR的抗菌策略仍受限于递送效率、脱靶效应、生物安全性和 containment 要求。国际研究日益强调多中心验证、标准化生产和监管路径；在评估中国开展的研究的转化成熟度时，也应考虑这些方面。由于本研究未对国内外临床发展阶段进行定量比较，该解读仍为定性分析。
在不同临床人群和感染环境中开展的研究表明，病原体分布及抗菌药物耐药谱存在显著差异26,27,28,29,30,31,32,33,34,35,36,37,38。综合这些报告可见，耐药模式受到患者特征、感染部位、抗菌药物暴露史以及当地流行病学情况的影响。碳青霉烯类耐药的革兰阴性病原体在多种环境中持续构成关注重点，而经验性治疗应依据当地的监测数据和标准化的药敏试验结果进行指导。有关联合疗法、β-内酰胺类/β-内酰胺酶抑制剂组合、四环素类衍生物及其他替代治疗方案的证据，也为关键词分析和突现词分析所识别的治疗主题提供了临床背景支持30,39。
与关键词和聚类分析结果一致，生物膜形成仍是导致抗菌药物耐受性和治疗失败的重要表型机制。对痤疮丙酸杆菌（Cutibacterium acnes）的研究表明，结构化的微生物群落可通过物理屏障和改变的微环境增强耐受性40。非编码RNA也被发现可能在鲍曼不动杆菌（Acinetobacter baumannii）耐药基因表达调控中发挥重要作用41。与此同时，新一代β-内酰胺酶抑制剂、四环素类衍生物以及联合用药方案推动了针对碳青霉烯类耐药菌治疗策略的研究进展42。鉴于全国监测数据显示肺炎克雷伯菌（Klebsiella pneumoniae）和鲍曼不动杆菌（Acinetobacter baumannii）持续表现出高水平耐药，这些研究进展仍具有重要的临床意义43。
医疗保健工作者对耐药性的看法，特别是在慢性呼吸系统疾病等特殊背景下，强调了人类行为因素在抗菌药物管理成功中的关键作用44。此外，针对临床抗菌耐药性相关因素的全国性分析已确定抗生素消耗密度是主要驱动因素，证实碳青霉烯类和第三代头孢菌素的使用增加与铜绿假单胞菌及其他革兰阴性病原体耐药性的上升直接相关45。
应承认本研究存在若干局限性。首先，数据库覆盖范围、索引方法、字段结构以及中英文术语的差异可能导致检索偏差，并阻碍语义等价记录的完全匹配。本研究未对中文和英文语料库分别进行专题分析，因此无法定量评估不同语言在研究重点上的特异性差异。其次，文献计量指标无法直接评价单个研究的方法学质量或偏倚风险，而基于引用的指标可能更有利于发表时间较早、可见度较高或被国际数据库收录的文献。第三，排除了无人类健康明确关联的兽医和环境研究，加之会议论文、机构报告、学位论文及其他灰色文献的覆盖有限，可能导致对更广泛的一体健康（One Health）耐药性（AMR）格局的代表性不足，特别是来自社区和农村环境的证据。此外，排除了未提供新的原始数据的系统综述和荟萃分析，也可能低估了证据整合在热点形成中的贡献。第四，出版和索引的滞后性可能降低了研究周期末期发表的研究成果的代表性。第五，Kleinberg 突现词检测算法在关键词出现短暂或零星时间波动时可能产生假阳性信号。此外，未对 CiteSpace 参数设置进行正式的敏感性分析，因此未评估在不同参数选择下网络结构、聚类结果及突现词检测结果的稳健性。由于缺乏正式的同义词归并处理，语义上等价的关键词可能被割裂，从而影响关键词频次及网络分析的估计结果。由于未开展正式的中国东部/中部/西部地区出版物分析，无法对不同地区在出版产出上的差异进行定量评估。
未来的研究应测试不同的爆发敏感性参数和最短持续时间阈值，应用透明的同义词词典，比较不同独立数据库之间的结果，并将爆发信号与年度关键词频率及专家评审进行交叉验证。本研究未对高被引论文中的顶尖论文进行专门分析；未来的研究可纳入里程碑式论文分析，以进一步描述并独立验证抗菌药物耐药性（AMR）研究主题随时间的变化。双图谱叠加分析也超出了本研究的范围，可在未来工作中加以考虑，以刻画期刊层面的引用路径。
文献计量学模式表明，中国的抗菌药物耐药性研究正日益从描述性监测转向机制性研究和创新干预措施的开发。尽管通过全面的管理策略在控制耐甲氧西林金黄色葡萄球菌（MRSA）方面已取得显著进展，但耐碳青霉烯类革兰阴性病原体仍构成严重威胁，亟需引起重视。人工智能驱动的预测模型、噬菌体疗法以及基于CRISPR的干预手段的出现，可能为应对抗菌药物耐药性问题提供新的前景，但这些技术从实验室研究向临床应用的转化仍然面临挑战。研究结果支持持续开展监测工作、加强区域间协作，并持续推进对传统抗生素及新兴治疗策略的研究。
披露
作者声明，在本稿件的撰写过程中使用了以下生成式人工智能（AI）工具：使用Grammarly（版本1.2.3）对最终稿件进行语言润色和语法校正；使用OpenAI的ChatGPT（GPT-4，于2026年3月15日通过API访问）协助进行文献计量数据清洗，并生成用于数据预处理的初始Python脚本；未使用任何AI工具生成科学发现、解释结果或提出结论；所有图表均直接由CiteSpace和R 4.3.2的输出结果生成，未借助AI辅助生成。作者已审阅并核实所有通过AI辅助生成的内容，并对稿件的准确性和完整性承担全部责任。
致谢
作者衷心感谢宁波大学附属人民医院（鄞州人民医院）感染科为完成本稿件所提供的行政和技术支持。
本研究由宁波医疗卫生重点学科项目（项目编号：2026-A42）资助。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| CiteSpace | Drexel University, Philadelphia, PA, USA | version 6.4.R1 | 用于进行综合性的文献计量分析，包括合著关系分析、关键词共现分析、聚类分析和突现词检测。 |
| China National Knowledge Infrastructure (CNKI) | China National Knowledge Infrastructure | 不适用 | 用于汇编来自中国国内来源的研究文章。 |
| R | R软件 | version 4.3.2 | |
| Web of Science Core Collection (SCI-E) | Web of Science | 不适用 | 用于系统性地检索和获取国际文献。 |
参考文献
- World Health Organization. Global action plan on antimicrobial resistance. World Health Organization; Geneva; 2015.
- O’Neill J. Tackling drug-resistant infections globally: Final report and recommendations. 2016.
- Bockstael K, Van Aerschot A. Antimicrobial resistance in bacteria. Open Med. 2009;4(2):141–155.
- Okeke IN, de Kraker MEA, Van Boeckel TP. The scope of the antimicrobial resistance challenge. Lancet. 2024;403(10442):13.
- Bhattacharya R, et al. Impact of antimicrobial resistance on sustainable development goals and the integrated strategies for meeting environmental and socio-economic targets. Environ Prog Sustain Energy. 2024;43(1):e14320.
- Duffey M, Shafer RW, Timm J. Combating antimicrobial resistance in malaria, HIV and tuberculosis. Nat Rev Drug Discov. 2024;23(6):19.
- Xiao YH, et al. Epidemiology and characteristics of antimicrobial resistance in China. Drug Resist Updat. 2011;14(4):236–241.
- Yin X, et al. A systematic review of antibiotic utilization in China. J Antimicrob Chemother. 2013;68(11):2445–2452.
- National Health Commission of the People’s Republic of China. National action plan to contain antimicrobial resistance (2022–2025). 2022.
- Borromeo AS, Manaloto AM, Antonio RP. Southeast Asian landscape of antimicrobial resistance research (2014–2024): A bibliometric analysis. J Glob Antimicrob Resist. 2025;45(c):125–132.
- Fekadu A, Woldeamanuel Y, Hailu A. Global trends and projections in antimicrobial resistance. Lancet. 2025;(10493):405.
- Selvaraj V, Sudhakar S, Sekaran S. Global trends and projections in antimicrobial resistance. Lancet. 405(10493):413–414.
- Bhattacharya R, et al. A One health plan to combat antimicrobial resistance for improving global health through sustainable development. Discov Public Health. 2025;22(1):521.
- Chen C, Leydesdorff L. Patterns of connections and movements in dual-map overlays: A new method of publication portfolio analysis. J Assoc Inf Sci Technol. 2014;65(2):334–351.
- Persson O, Danell R, Schneider JW. Using the BIBLIOMETRIX package for bibliometric analysis. Scientometrics. 2009;80(2):253–275.
- Bhattacharya R, et al. Bibliometric assessment of the global research trends in antimicrobial resistance for fungal species. Ind Biotechnol. 2024;20(5):212–224.
- Zhu J, Zhou Y, Ding YQ. Visualization analysis of hotspots and trends of drug control institutions in China based on bibliometrics. Chin J Mod Appl Pharm. 2023;40(18):2591–2599.
- Chen C. Science mapping: A systematic review of the literature. J Data Inf Sci. 2017;2(2):1–40.
- Wang S, Shen J, Yang Y. MRSA in China: Epidemiology, resistance mechanisms, and control strategies. Chin J Antibiot. 2021;46(9):837–844.
- Zhou W, Wen Z, Zhu W. Factors associated with clinical antimicrobial resistance in China: A nationwide analysis. Infect Dis Poverty. 2025;14:27.
- Sweileh WM, Al-Jabi SW, Zyoud SH. Global research output in antimicrobial resistance among uropathogens: A bibliometric analysis (2002–2016). J Glob Antimicrob Resist. 2017;11:230–238.
- Cui L, Li Y, Cheng L. Effectiveness of an antimicrobial stewardship program in reducing antimicrobial use and microbial resistance in a tertiary hospital in China. J Glob Antimicrob Resist. 2019;17:168–174.
- Yang Y, Li Y, Wang Z. Machine learning-enabled prediction of antimicrobial resistance from whole-genome sequencing data. J Clin Microbiol. 2021;59(10):e00821-21.
- Bhattacharya R, et al. Artificial intelligence for sustainable solutions in combating antimicrobial resistance through data driven health innovations. Discov Public Health. 2026;23(1):10.
- Yosef I, Manor M, Kiro R. Temperate and lytic bacteriophages programmed to sensitize and kill antibiotic-resistant bacteria. Proc Natl Acad Sci U S A. 2015;112(23):7267–7272.
- Shou TJ, Cheng XQ, Gong S. Analysis of antimicrobial use strategy in childhood perforated appendicitis based on bacterial resistance changes. Chin Gen Pract. 2020;23(24):3070–3074.
- China Antimicrobial Resistance Surveillance System. Surveillance of antimicrobial resistance in bacteria isolated from cerebrospinal fluid specimens from 2020 to 2024. Chin J Infect Chemother. 2026;26(2):196–205.
- Gao YH, Ma XY, Wang DB. Distribution and drug resistance of pathogens causing acute bacterial conjunctivitis in children. J Pathog Biol. 2024;19(10):1194–1197.
- Zhang Y, Fan YY, Yao LH. Drug resistance and risk factors of multidrug-resistant bacteria in neonatal pneumonia. J Pathog Biol. 2020;15(11):1340–1343.
- Duan MB, He XZ, Qi JY. Research progress on anti-multidrug resistant bacteria drugs. J Shenyang Pharm Univ. 2023;40(12):1680–1690.
- Zhou LC, Li GQ, Xu BY. Distribution and drug resistance of pathogens in acute, delayed and chronic periprosthetic joint infections. Chin J Surg. 2021;59(6):484–490.
- Zhang XX, Ge W, Yang M. Analysis of resistance of 137 Neisseria gonorrhoeae strains to 5 antimicrobial agents. Chin J Dermatovenereol. 2022;36(2):199–203.
- Zhang XY, Han Y, Wang YM. Correlation analysis between antimicrobial resistance of Pseudomonas aeruginosa and antimicrobial use density. J Hebei Univ Nat Sci Ed. 2021;41(2):188–194.
- China Antimicrobial Resistance Surveillance System. Antimicrobial resistance surveillance report of common clinical isolates from elderly patients from 2014 to 2019. Chin J Infect Control. 2021;20(2):112–123.
- Ruan ZH, Huang AX, Wang XJ. Overview of CLSI, EUCAST and Chinese drug resistance judgment standards. Biotechnol Bull. 2022;38(9):47–58.
- Liu L, Feng CX, Wang Y. Analysis of bacterial resistance in the First Hospital of Qiqihar in 2016. Chin J Antibiot. 2021;46(12):1143–1147.
- Zhang XH, Chen JY, Yang H. Distribution and antimicrobial resistance of pathogens in early infection after lung transplantation in respiratory intensive care unit. Chin J Infect Control. 2020;19(9):785–790.
- Wang SS, Wu ZW, Zhao JP. Research progress on hospital infection, drug resistance and treatment of carbapenem-resistant Klebsiella pneumoniae. Chin J Antibiot. 2020;45(5):428–432.
- Lv YF, Xue M, Huang XY. Research progress on antimicrobial peptides combined with traditional antibiotics against bacterial resistance. Chin J Infect Control. 2023;22(10):1266–1273.
- Ma Y, Liu Y, Jiang M. Correlation analysis between biofilm formation and antimicrobial resistance of Cutibacterium acnes. Chin J Infect Chemother. 2021;21(6):703–707.
- Peng Q, Ling BD. Regulatory non-coding RNAs and antimicrobial resistance in Acinetobacter baumannii. Chin J Infect Control. 2021;20(12):1174–1178.
- Qin XH, Hao M, Wang MG. Research progress on new antimicrobial agents. Chin J Infect Chemother. 2024;24(4):489–496.
- Guo Y, Ding L, Hu FP. CHINET surveillance of bacterial resistance in China in 2024. Chin J Infect Chemother. 2025;25(6):597–607.
- Ananth S, Adeoti A, Ray A. Healthcare worker views on antimicrobial resistance in chronic respiratory disease. Eur Respir J. 2024;64(68):2.
- Holt KE. Microbial genomics for antimicrobial resistance ecology and action. Nat Rev Genet. 2026;27(1):7–8.