Forschungsartikel

Kartierung der Wissenslandschaft von Muskelerkrankungen bei rheumatoider Arthritis: Eine bibliometrische und bioinformatische Studie

DOI:

10.3791/70373

⸱

21. April 2026

 ,  ,  , 
1Department of TCM Rheumatology, China-Japan Friendship Hospital, 2School of Acupuncture-Moxibustion and Tuina, Beijing University of Chinese Medicine, 3Department of Integrated TCM and Western Medicine for Pulmonary Diseases, China-Japan Friendship Hospital

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie verwendet bibliometrische Analysen, um die aktuelle Forschungslandschaft der rheumatoiden arthritisassoziierten Muskelerkrankungen abzugrenzen, und nutzt darüber hinaus bioinformatische Ansätze, um gemeinsame Gene und angereicherte Wege zwischen rheumatoider Arthritis und Myositis zu untersuchen.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie führte eine bibliometrische Analyse von Publikationen zur Komorbidität zwischen rheumatoider Arthritis (RA) und Muskelstörungen durch, die aus der Web of Science Core Collection-Datenbank stammte, zwischen dem 1. Januar 2015 und dem 31. Dezember 2024. Durch die Untersuchung der wichtigsten Merkmale der veröffentlichten Artikel zielte die Studie darauf ab, globale Forschungshotspots in diesem Bereich zu identifizieren. Mit Werkzeugen wie VOSviewer, CiteSpace, Scimago Graphica und Excel wurde eine visuelle Analyse der Forschungslandschaft durchgeführt. Die Analyse zeigte, dass die jährliche Publikationsproduktion in diesem Bereich eine zyklische Schwankung aufwies. Die Vereinigten Staaten führten bei der Gesamtzahl der Veröffentlichungen, gefolgt von China. Verlagsinstitutionen bildeten regionale Kollaborationsnetzwerke mit bedeutenden Ausstrahlungseffekten. Das Karolinska Institut und das Karolinska Universitätskrankenhaus in Schweden belegten mit 50 bzw. 30 Veröffentlichungen den ersten und zweiten Platz. Bezüglich spezifischer Forschungsthemen identifizierte die Keyword-Cluster-Analyse 12 thematische Cluster, darunter Myositis, Tumornekrosefaktor und Stoffwechsel. Da Myositis ein Forschungshotspot innerhalb der Komorbidität von RA und Muskelstörungen ist, setzten wir GeneCards zudem ein, um die Korrelation zwischen RA und Myositis hinsichtlich Genexpression und -wege zu analysieren und die Ergebnisse grafisch darzustellen. Das GeneCards-Screening identifizierte 359 gemeinsame Gene. Die Analyse des Protein-Protein-Interaktionsnetzwerks zeigte, dass Gene wie TNF, IL6 und IFNG zentrale Positionen einnehmen. Die KEGG-Anreicherungsanalyse zeigte, dass die Signalwege TNF, JAK-STAT und IL-17 eine entscheidende Rolle spielen.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Rheumatoide Arthritis (RA) ist eine chronische autoimmune Entzündungserkrankung, die durch symmetrische Gelenkbeteiligung gekennzeichnet ist und eine globale Prävalenz von etwa 0,5–1 % aufweist. Der zentrale pathologische Mechanismus der RA ist eine abweichende Aktivierung des Immunsystems, die zu anhaltender Entzündung der Synovialmembran und einer Kaskade von gelenkspathologischenVeränderungen führt. Obwohl das Synovium das Hauptziel der RA ist, geht die Erkrankung oft mit verschiedenen systemischen Manifestationen einher, darunter Herz-Kreislauf-Erkrankungen, Osteoporose und muskelbezogene Erkrankungen 6,7,8,9. Unter diesen sind RA-bedingte muskuläre Veränderungen wie Muskelatrophie, verminderte Muskelkraft und Myositis in den letzten Jahren allmählich zu einem Forschungsschwerpunkt geworden. Diese Komplikationen verschärfen nicht nur funktionelle Beeinträchtigungen und verringern die Lebensqualität, sondern beeinflussen auch die Krankheitsprognose und die Behandlungsansprache 10,11,12,13. Obwohl Muskelerkrankungen bei Patienten mit RA klinisch verbreitet sind, bleiben die spezifischen Hotspot-Bedingungen unklar, und die zugrunde liegenden komorbiden molekularen Mechanismen sind noch nicht systematisch aufgeklärt. Darüber hinaus rechtfertigen die globalen Forschungstrends und die Wissensstruktur auf diesem Gebiet eine weitere systematische Untersuchung14.

Im vergangenen Jahrzehnt wurden bedeutende Fortschritte in der Forschung zu RA-bedingten Muskelerkrankungen erzielt, angetrieben von Fortschritten in biologischen Therapien, gezielten Behandlungen und der Rehabilitationsmedizin 15,16,17. Eine umfassende Analyse des sich verändernden Forschungsschwerpunkts, der kollaborativen Netzwerke und der Entwicklung von Kernthemen innerhalb der akademischen Gemeinschaft fehlt jedoch weiterhin. Bibliometrie, eine quantitative Methode zur Analyse wissenschaftlicher Literatur, kann Forschungstrends, Beiträge von Ländern und Institutionen, Keyword-Hotspots und interdisziplinäre Dynamiken innerhalb eines bestimmten Fachgebietsaufzeigen. Visualisierungstechniken wie Co-Occurrence-Netzwerke und Clustering-Analysen bieten zudem intuitive Einblicke in die Entwicklung von Wissensstrukturen. Die bioinformatische Analyse ermöglicht eine tiefgehende Analyse biologischer Daten, um potenzielle Krankheitspathogenese und wichtige regulatorische Wege auf molekularer Ebene aufzudecken. Die Integration dieser beiden Ansätze erleichtert den Aufbau eines umfassenden Forschungsrahmens, der sich von makroskopischen Wissenskarten bis hin zu mikroskopischen molekularen Netzwerken erstreckt und so neuartige multidimensionale Perspektiven zum Verständnis der Pathogenese von RA-assoziierten Muskelerkrankungen sowie zur Identifizierung potenzieller Interventionsziele bietet.

Basierend auf der Web of Science-Datenbank verwendet diese Studie bibliometrische Werkzeuge wie VOSviewer, CiteSpace, Scimago Graphica und Excel, um systematisch jährliche Publikationsvolumen, nationale und institutionelle Beiträge, das gemeinsame Vorkommen von Schlüsselwörtern und aufkommende thematische Trends im Bereich RA im Zusammenhang mit muskelbezogenen Erkrankungen zu analysieren. Zusätzlich wurde die GeneCards-Datenbank eingesetzt, um gemeinsame Gene und angereicherte Signalwege zu analysieren, die sowohl mit Myositis als auch RA assoziiert sind. Die Ergebnisse zielen darauf ab, neue Einblicke in mechanistische Erkundung, klinische Interventionen und interdisziplinäre Zusammenarbeit in Bezug auf muskelbezogene Erkrankungen im Zusammenhang mit RA zu liefern.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Der gesamte Arbeitsablauf dieser Studie ist in Abbildung 1 dargestellt, die die sequentiellen Schritte der Literatursuche, bibliometrischen Analyse, Identifikation gemeinsamer Gene, Aufbau des Protein-Protein-Interaktionsnetzwerks und Analyse der Weganreicherung darlegt.

Literatursuchstrategie
Die Literaturrecherche wurde am 22. Juni 2025 in der Web of Science (WOS) Core Collection Datenbank19 durchgeführt. Die Suche beschränkte sich auf den Science Citation Index Expanded (SCI-Expanded) und den Social Sciences Citation Index (SSCI), die Veröffentlichungen vom 1. Januar 2015 bis zum 31. Dezember 2024 abdeckten. Die spezifischen Suchbegriffe und die entsprechende Anzahl der Ergebnisse sind in Tabelle 1 angegeben. Nach der ersten Suche wurden Dokumenttypen wie Sitzungsabstracts, Konferenzbeiträge, Redaktionsmaterialien, Buchkapitel und zurückgezogene Veröffentlichungen ausgeschlossen. Anschließend wurden nur noch Unterlagen in englischer Sprache sowie im Typ "Artikel" oder "Review Article" für weitere Analysen aufbewahrt.

Bibliometrische Analyse
Bibliometrische Analyse und Visualisierung erfordern die Unterstützung spezifischer Softwaretools, deren Details in der Materialtabelle enthalten sind. Diese Studie zielt darauf ab, eine Wissenskarte des interdisziplinären Forschungsfeldes zu erstellen, das Myositis und rheumatoide Arthritis überbrückt. Der analytische Umfang umfasst die Analyse von Publikationstrends im letzten Jahrzehnt, Muster internationaler Zusammenarbeit und kollaborativer Netzwerke, akademischen Einfluss bei Institutionen/Zeitschriften/Autoren, Kernstichwörter, die Forschungshotspots widerspiegeln, sowie die Analyse von Zitationsnetzwerken.

Die jährlichen Publikationszahlen wurden zunächst aus der Web of Science-Datenbank exportiert und zur Erstellung statistischer Diagramme verwendet, die Publikationstrends darstellen. Die abgerufenen Literaturdaten wurden dann zur Analyse in die Software VOSviewer importiert: Im Modul "Co-authorship" wurden die Optionen für "Autoren", "Organisationen" und "Länder" nacheinander ausgewählt, um Autoren-Kollaborationsnetzwerke, institutionelle und Länder-Kollaborationsnetzwerke zu generieren; im Modul "Zitation" wurde die Option "Quellen" gewählt, um Zeitschriften-Kollaborationsnetzwerke zu schaffen; im Modul "Co-citation" wurden "Cited Sources" und "Cited Authors" ausgewählt, um Kollaborationsnetzwerke für zitierte Zeitschriften und Netzwerke für Cited-Author-Kollaborationen zu erhalten. Um internationale Kollaborationsbeziehungen intuitiver zu visualisieren, wurde das Länder-Kollaborationsnetzwerk mit der Software Scimago Graphica weiter ästhetisch optimiert, um die visuelle Klarheit und Interpretierbarkeit zu verbessern20.

Die Analyse von Keyword-Hotspots und interdisziplinären thematischen Begriffen wurde mit der CiteSpace-Software21 durchgeführt. Der Pathfinder-Algorithmus wurde für das Netzwerk-Pruning ausgewählt, wobei der Zeitraum von Januar 2015 bis Dezember 2024 festgelegt ist und in monatliche Zeitabschnitte unterteilt ist. Der Knotentyp wurde als "Keyword" konfiguriert, was eine schlüsselwortbasierte Cluster-Karte der Forschungshotspots, repräsentative thematische Begriffe für jeden Cluster und die 20 am häufigsten auftretenden Hotspot-Keywords lieferte. Die Zitationsnetzwerkanalyse folgte einem ähnlichen prozeduralen Ablauf, bei dem nur die Änderung des Knotentyps zu "Zitierte Referenz" erforderlich war, um die entsprechende Analyse durchzuführen.

Identifikation gemeinsamer Gene
Basierend auf bibliometrischer Analyse zeigte das Schlüsselwort "Myositis" eine bedeutende Bedeutung im interdisziplinären Forschungsbereich der Muskelpathologie und rheumatoider Arthritis. Daher wählte diese Studie Myositis und rheumatoide Arthritis als Forschungsobjekte aus, um überlappende Genanalysen durchzuführen. Das spezifische Verfahren war wie folgt: Zuerst wurden Zielgene, die mit Myositis und rheumatoider Arthritis assoziiert sind, aus der GeneCards-Datenbank22 abgerufen. Um die Vollständigkeit der Analyse zu gewährleisten, legte diese Studie keine Relevanzpunkt-Schwelle fest und schloss alle berichteten Gene ein, die mit den Krankheiten assoziiert sind, wodurch zwei entsprechende Gensätze konstruiert wurden. Durch den Vergleich dieser beiden Sets wurden überlappende Gene identifiziert. Diese überlappenden Gene wurden letztlich als "RA-Myositis-komorbiditätsbezogene Gene" definiert und dienten als Kerndatensatz für spätere Analysen.

Aufbau des Protein-Protein-Interaktionsnetzwerks (PPI)
Mit der Abfragefunktion "Multiple Proteins" in der STRING-Datenbank reichten wir die Liste "RA-myositis-comorbidity-related genes" zur Analyse23 ein. Der Organismus wurde auf "Homo sapiens" gesetzt, mit einer Mindest-Interaktions-Schwelle von ≥0,700 (mittlere Sicherheit). Die daraus resultierenden Daten des Protein-Protein-Interaktionsnetzwerks wurden anschließend zur Visualisierung in Cytoscape importiert. Durch die Anpassung von Knotenformen und -farben über das STYLE-Panel wurde ein klar visualisiertes Protein-Protein-Interaktionsnetzwerk-Diagramm erzeugt.

Signalweganreicherungsanalyse
Der spezifische Workflow für die Analyse der Pfadanreicherung verlief wie folgt. Zunächst wurde die Kyoto Encyclopedia of Genes and Genomes (KEGG) Signalweganreicherungsanalyse auf dem gemeinsamen Gensatz mit dem clusterProfiler-Paket in R Software24 durchgeführt. Die statistische Signifikanz wurde durch den hypergeometrischen Test bewertet, und p-Werte wurden für mehrfache Tests mit der Benjamini-Hochberg-Methode angepasst, um die Fehlentdeckungsrate zu kontrollieren. Wege mit einem bereinigten p-Wert < 0,05 wurden als signifikant angereichert angesehen und für weitere Analysen beibehalten. Signalwege, die mit bestimmten menschlichen Krankheiten oder allgemeinen Stoffwechselprozessen zusammenhängen, wurden dann manuell ausgeschlossen, um die Analyse auf die Kern-Signalmechanismen zu konzentrieren. Die gefilterten Signalwege und ihre zugehörigen Gene wurden anschließend in die Cytoscape-Software importiert, um ein Interaktionsnetzwerk25 zu erstellen. Der Algorithmus "yFiles Organic Layout" wurde angewendet, um eine klare hierarchische Struktur zu erzeugen. Visuelle Attribute wurden im STYLE-Panel weiter optimiert: Die Farbintensität der Knoten wurde auf die Signifikanz der Anreicherung abgebildet, die Knotengröße wurde nach der Anzahl der Kerngene in jedem Pfad gewichtet, und die Kantendicke wurde mit dem Jaccard-Ähnlichkeitskoeffizienten zwischen den Signalwegen gewichtet, um den Grad der Genüberlappung widerzuspiegeln. Letztlich wurde ein KEGG-Signalweg-Interaktionsnetzwerk für eine umfassende Analyse gewonnen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Jährliche Anzahl der Veröffentlichungen
Eine Suche in der WOS-Datenbank ergab, dass in den letzten zehn Jahren insgesamt 1.352 Forschungsarbeiten zu RA und muskelbezogenen Studien veröffentlicht wurden. Nach der Ausschlussprüfung von Dokumententypen wie Sitzungsabstracts, Konferenzbeiträgen, Redaktionsmaterialien, Buchkapiteln und zurückgezogenen Veröffentlichungen wurden nur Artikel und Übersichtsartikel beibehalten, was zu 1.274 Veröffentlichungen führte. Weitere Be...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die bibliometrische Analyse zeigt eine deutliche, phasenweise Entwicklung des Forschungsschwerpunkts in diesem Bereich: Während sich frühe Studien hauptsächlich auf die grundlegende Erforschung der Mechanismen der Gelenkentzündungen konzentrierten, hat sich der Fokus zunehmend auf umfassende Forschungsrichtungen verlagert, die die Einrichtung klinischer Bewertungssysteme, die Aufklärung molekularer Signalwege und die Entwicklung gezielter Interventionsstrategien für systemische Komorbidi...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben keine Interessenkonflikte zu erklären.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde von der Nationalen Naturwissenschaftlichen Stiftung Chinas unterstützt (Zuschussnummer 81704050).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
CiteSpaceDrexel Universitäthttps://citespace.podia.comKeyword-Clustering, Burst-Erkennung und Referenz-Co-Citation-Analyse
clusterProfilerR-Paket / Bioleiterhttps://bioconductor.org/packages/clusterProfilerKEGG-Anreicherungsanalyse des Signalwegs
ZytoscapeNationales Institut für Allgemeine Medizinische Wissenschaften (NIGMS)https://cytoscape.orgVisualisierung von PPI-Netzwerken und KEGG-Signalweg-Interaktionsnetzwerken
ExcelMicrosoft Corporationhttps://www.microsoft.com/excelDatenorganisation, statistische Diagramme und Analyse jährlicher Publikationstrends
GeneCardsWeizmann-Institut für Wissenschaftenhttps://www.genecards.orgEntnahme von Zielgenen für rheumatoide Arthritis und Myositis
R SoftwareDie R-Stiftunghttps://www.r-project.orgStatistische Berechnung, Datenanalyse und Erstellung von Anreicherungsdiagrammen
Scimago GraphicaScimago Laborhttps://www.graphica.appVisualisierung und ästhetische Optimierung von Länderkooperationsnetzwerken
STRINGSwiss Institute of Bioinformatics (SIB) et al.https://string-db.orgAufbau des Protein-Protein-Interaktionsnetzwerks (PPI)
VOSviewerUniversität Leidenhttps://www.vosviewer.comAufbau von Kollaborationsnetzwerken (Autoren, Institutionen, Länder) und Analyse von Zeitschriften-Kozitationen

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Brown, P., Pratt, A. G., Hyrich, K. L. Therapeutic advances in rheumatoid arthritis. BMJ. 384, e070856(2024).
  2. Finckh, A., et al. Global epidemiology of rheumatoid arthritis. Nat Rev Rheumatol. 18 (10), 591-602 (2022).
  3. Weyand, C. M., Goronzy, J. J. The immunology of rheumatoid arthritis. Nat Immunol. 22 (1), 10-18 (2021).
  4. Di Matteo, A., Bathon, J. M., Emery, P. Rheumatoid arthritis. Lancet. 402 (10416), 2019-2033 (2023).
  5. Gravallese, E. M., Firestein, G. S. Rheumatoid arthritis—common origins, divergent mechanisms. N Engl J Med. 388 (6), 529-542 (2023).
  6. England, B. R., Thiele, G. M., Anderson, D. R., Mikuls, T. R. Increased cardiovascular risk in rheumatoid arthritis: mechanisms and implications. BMJ. 361, k1036(2018).
  7. Minisola, S., Pepe, J., Cipriani, C. Rheumatoid arthritis, bone and drugs: a dangerous interweave. Ann Rheum Dis. 80 (4), 409-410 (2021).
  8. Bennett, J. L., et al. Rheumatoid sarcopenia: loss of skeletal muscle strength and mass in rheumatoid arthritis. Nat Rev Rheumatol. 19 (4), 239-251 (2023).
  9. Zhao, Y., Chen, G. Y., Fang, M. Research trends of rheumatoid arthritis and depression from 2019 to 2023: a bibliometric analysis. J Multidiscip Healthc. 17, 4465-4474 (2024).
  10. Farrow, M., et al. Muscle deterioration due to rheumatoid arthritis: assessment by quantitative MRI and strength testing. Rheumatology (Oxford). 60 (3), 1216-1225 (2021).
  11. Qu, Y., et al. Development and validation of a predictive model assessing the risk of sarcopenia in rheumatoid arthritis patients. Front Immunol. 15, 1437980(2024).
  12. Cano-García, L., et al. Sarcopenia and nutrition in elderly rheumatoid arthritis patients: a cross-sectional study. Nutrients. 15 (11), 2440(2023).
  13. Chen, G. Y., et al. Mechanisms of total glucosides of paeony in alleviating methotrexate-induced liver injury. Drug Des Devel Ther. 19, 3407-3423 (2025).
  14. Ding, Q., et al. Signaling pathways in rheumatoid arthritis: implications for targeted therapy. Signal Transduct Target Ther. 8 (1), 68(2023).
  15. Aletaha, D., Smolen, J. S. Diagnosis and management of rheumatoid arthritis: a review. JAMA. 320 (13), 1360-1372 (2018).
  16. Chen, G. Y., et al. Network pharmacology analysis and experimental validation of total flavonoids of Rhizoma Drynariae in rheumatoid arthritis. Drug Des Devel Ther. 16, 1743-1766 (2022).
  17. Pavlov-Dolijanovic, S., et al. Elderly-Onset Rheumatoid Arthritis: Characteristics and Treatment Options. Medicina (Kaunas). 59 (10), 1878(2023).
  18. Ninkov, A., Frank, J. R., Maggio, L. A. Bibliometrics: methods for studying academic publishing. Perspect Med Educ. 11 (3), 173-176 (2022).
  19. Li, K., Rollins, J., Yan, E. Web of Science use in published research and review papers 1997–2017. Scientometrics. 115 (1), 1-20 (2018).
  20. Chen, H., Chen, F., Luo, J., Chen, S. Research trends in emergency department overcrowding: a bibliometric study. Technol Health Care. 33 (3), 1159-1168 (2025).
  21. Du, Q., et al. Protocol for conducting bibliometric analysis using CiteSpace and VOSviewer. STAR Protoc. 5 (3), 103269(2024).
  22. Stelzer, G., et al. The GeneCards Suite: from gene data mining to disease genome sequence analyses. Curr Protoc Bioinformatics. 54, 1.30.1-1.30.33 (2016).
  23. Szklarczyk, D., et al. The STRING database in 2023: protein–protein association networks. Nucleic Acids Res. 51 (D1), D638-D646 (2023).
  24. Dessau, R. B., Pipper, C. B. R—project for statistical computing. Ugeskr Laeger. 170 (5), 328-330 (2008).
  25. Shannon, P., et al. Cytoscape: a software environment for biomolecular interaction networks. Genome Res. 13 (11), 2498-2504 (2003).
  26. Su, C. M., et al. Melatonin regulates rheumatoid synovial fibroblast inflammation. J Pineal Res. 76 (6), e13009(2024).
  27. Nygaard, G., Firestein, G. S. Restoring synovial homeostasis in rheumatoid arthritis. Nat Rev Rheumatol. 16 (6), 316-333 (2020).
  28. Xiao, Z. X., Miller, J. S., Zheng, S. G. Advances in autoantibodies in autoimmune diseases. Autoimmun Rev. 20 (2), 102743(2021).
  29. Wu, D., et al. Systemic complications of rheumatoid arthritis. Front Immunol. 13, 1051082(2022).
  30. Deane, K. D., Holers, V. M. Rheumatoid arthritis pathogenesis, prediction, and prevention. Arthritis Rheumatol. 73 (2), 181-193 (2021).
  31. Lekieffre, M., et al. Joint and muscle inflammatory disease: a scoping review. Semin Arthritis Rheum. 61, 152227(2023).
  32. Tian, J., et al. Methotrexate-loaded nanomedicine in rheumatoid arthritis. Acta Biomater. 157, 367-380 (2023).
  33. Hysa, E., et al. Vitamin D and muscle status in autoimmune rheumatic diseases. Nutrients. 16 (14), 2329(2024).
  34. Xu, L., et al. Metabolomics in rheumatoid arthritis: advances and review. Front Immunol. 13, 961708(2022).
  35. Østergaard, M., Boesen, M. Imaging in rheumatoid arthritis. Radiol Med. 124 (11), 1128-1141 (2019).
  36. Chen, Z., Bozec, A., Ramming, A., Schett, G. Anti-inflammatory cytokines in rheumatoid arthritis. Nat Rev Rheumatol. 15 (1), 9-17 (2019).
  37. Liu, W., et al. Sinomenine inhibits rheumatoid arthritis progression. Front Immunol. 9, 2228(2018).
  38. Miyabe, Y., Miyabe, C., Luster, A. D. LTB4 and BLT1 in inflammatory arthritis. Semin Immunol. 33, 52-57 (2017).
  39. Konzett, V., Aletaha, D. Management strategies in rheumatoid arthritis. Nat Rev Rheumatol. 20 (12), 760-769 (2024).
  40. Yang, D., et al. Research trends in heart failure and anxiety comorbidity. J Multidiscip Healthc. 18, 7175-7191 (2025).
  41. Colina, M., Campana, G. Precision medicine in rheumatology. J Clin Med. 14 (5), 1735(2025).
  42. Peilin, Z., et al. Inflammatory cytokines and rheumatoid arthritis. Postgrad Med J. 101 (1194), 313-320 (2025).
  43. Zamri, F., de Vries, T. J. TNF inhibitors in rheumatoid arthritis. Front Immunol. 11, 591365(2020).
  44. Pandolfi, F., et al. Interleukin-6 in rheumatoid arthritis. Int J Mol Sci. 21 (15), 5238(2020).
  45. Rong, H., et al. IL1B polymorphisms and rheumatoid arthritis risk. Int Immunopharmacol. 83, 106401(2020).
  46. Navarro-Compán, V., et al. IL-17 pathways in inflammatory diseases. Front Immunol. 14, 1191782(2023).
  47. Chen, G., Yan, Z., Wang, Y., Tao, Q. Rheumatoid arthritis and fibromyalgia: bibliometric study. J Multidiscip Healthc. 18, 6811-6827 (2025).
  48. Liu, X. R., et al. Isorhamnetin inhibits rheumatoid arthritis progression. Chin J Integr Med. 30 (4), 299-310 (2024).
  49. Niu, X., et al. Tectoridin suppresses inflammatory signaling in RA. Tissue Cell. 77, 101826(2022).
  50. Li, W., et al. Mangiferin and cinnamic acid alleviate rheumatoid arthritis. Front Immunol. 13, 912933(2022).
  51. Wang, Y., et al. Research trends in JAK inhibitors for ulcerative colitis. J Multidiscip Healthc. 18, 6755-6771 (2025).
  52. Bertrand, D., et al. Methotrexate and etanercept in early RA: CareRA2020 trial. RMD Open. 10 (3), e004535(2024).
  53. Simon, L. S., et al. The JAK/STAT pathway in rheumatoid arthritis. Semin Arthritis Rheum. 51 (1), 278-284 (2021).
  54. Hodge, J. A., et al. Mechanism of action of tofacitinib. Clin Exp Rheumatol. 34 (2), 318-328 (2016).
  55. Yang, Y. J., et al. Tubson-2 decoction in rheumatoid arthritis. Phytomedicine. 116, 154875(2023).
  56. Mao, D., et al. HDAC2 in rheumatoid arthritis progression. Environ Toxicol. 38 (7), 1743-1755 (2023).
  57. Kurowska-Stolarska, M., Alivernini, S. Synovial macrophages in rheumatoid arthritis. Nat Rev Rheumatol. 18 (7), 384-397 (2022).
  58. Day, J., et al. Periarticular myositis in inflammatory arthritis. JCI Insight. 10 (7), e179928(2025).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Bibliometrische AnalyseMyositisTNF SignalisierungJAK STAT SignalwegIL 17 SignalwegProtein InteraktionsnetzwerkGenexpression

Verwandte Artikel