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。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
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。
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。
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。
访问受限。请登录或开始试用以查看此内容。
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。
访问受限。请登录或开始试用以查看此内容。
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
访问受限。请登录或开始试用以查看此内容。
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...
访问受限。请登录或开始试用以查看此内容。
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。
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。
访问受限。请登录或开始试用以查看此内容。
| 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。 |
访问受限。请登录或开始试用以查看此内容。