Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Diese bibliometrische Analyse hatte zum Ziel, die Forschungslandschaft von Diabetes mellitus und metabolischer Umprogrammierung (2016–2025) anhand von 6.864 Artikeln zu kartieren. Es zeigt ein rasantes Wachstum, Chinas führende Publikationszahl, aber moderaten akademischen Einfluss sowie eine Verschiebung hin zu Darmmikrobiota, maschinellem Lernen und Multi-Omics-Integration.
Diabetes mellitus (DM) ist eine globale Gesundheitskrise. Die metabolische Neuprogrammierung verändert die zelluläre Energieproduktion und spielt eine Schlüsselrolle bei der DM-Pathogenese, doch ein systematischer Überblick über Forschungstrends, Kooperationsnetzwerke und aufkommende Grenzen auf diesem Gebiet fehlt. Diese Studie führte eine bibliometrische Analyse von 6.864 englischsprachigen Artikeln und Übersichtswerken durch, die zwischen 2016 und 2025 veröffentlicht wurden und von Web of Science, PubMed, Scopus und Embase abgerufen wurden. Der analytische Arbeitsablauf umfasste: (1) jährliche Analyse von Publikationstrenden, (2) Kartierung der Zusammenarbeit zwischen Ländern und Institutionen und Institutionen, (3) Ko-Autoren- und Zeitschriften-Co-Autoren- und Co-Citation-Analyse, (4) Referenz-Co-Citation und Burst-Erkennung sowie (5) Analyse von Schlüsselwort- und Thementrends unter Verwendung von drei bibliometrischen Analysetools. Die Jahrespublikationen blieben von 2016 bis 2024 unter 800, überstiegen aber 2025 1.000, was auf ein raschtes Wachstum hinweist. China steuerte mit 50 % den größten Anteil der Veröffentlichungen bei und stellte viele der führenden Institutionen, doch die Zentralisierungsanalyse zeigte, dass die Vereinigten Staaten und europäische Länder weiterhin bei akademischem Einfluss und Wissensbildung führend sind. Die Wissensstruktur basiert auf drei Kernfundamenten: Insulinresistenz, oxidativem Stress und mitochondrialer Funktion. Neue Forschung konzentriert sich auf Darmmikrobiota, maschinelles Lernen und metabolische Umprogrammierung. Keyword-Bursts und Themen-Trendkarten zeigen einen Paradigmenwechsel von statischer Phänotypbeobachtung hin zur dynamischen, multi-omics-integrierten Systemmedizin. Soweit wir wissen, hat sich keine frühere bibliometrische Studie speziell auf die Schnittstelle von DM und metabolischer Umprogrammierung konzentriert; Diese Studie liefert somit die erste dedizierte Abbildung dieses Fachgebiets. Obwohl China beim Publikationsvolumen dominiert, zeigen Zentralitätskennzahlen Raum für stärkere internationale Zusammenarbeit und akademische Führung. Zukünftige Bemühungen sollten die interdisziplinäre Zusammenarbeit fördern und die Übersetzung von Grundlagen bis Klinisch unterstützen. Diese Studie bietet eine objektive Referenz für Forschungsmanagement und strategische Planung.
Schnelle gesellschaftliche Veränderungen in den letzten Jahrzehnten haben Ernährungsmuster und Lebensweisen erheblich verändert. Diese Veränderungen haben zu einem stetigen Anstieg der globalen Prävalenz von Diabetes mellitus (DM) beigetragen. Als wachsende öffentliche Gesundheitskrise stellen DM und die damit verbundenen Komplikationen eine ernsthafte Bedrohung für die Bevölkerungsgesundheit dar. Zu diesen Komplikationen gehören unter anderem Herz-Kreislauf-Erkrankungen und Nierenerkrankungen im Endstadium. Sie verringern die Lebensqualität der Betroffenen erheblich1. Derzeit gilt es als die neunthäufigste Sterbeursache weltweit, und DM betrifft weltweit etwa 1 von 11 Erwachsenen,2. DM ist eine chronische Stoffwechselerkrankung, die hauptsächlich durch eine unzureichende Insulinproduktion oder die beeinträchtigte Insulinreaktion des Körpers verursacht wird, was zu anhaltend hohen Blutzuckerwerten3 führt. Die Pathogenese von DM und seinen Komplikationen ist hochkomplex, wobei stoffwechselbedingte Mechanismen weiterhin ein zentraler Schwerpunkt der aktuellen Forschung bleiben.
Metabolische Umprogrammierung bezeichnet den Prozess, bei dem Zellen ihre Stoffwechselwege verändern, um die Energieproduktion zu steigern, hauptsächlich durch mitochondriale oxidative Phosphorylierung (OXPHOS) und Glykolyse4. Das klassische Beispiel für metabolische Umprogrammierung ist der "Warburg-Effekt", der erstmals 1927 von Professor Otto Warburg vorgeschlagen wurde. Er beobachtete, dass Tumorzellen selbst unter ausreichenden Sauerstoffbedingungen ATP durch Glykolyse5 erzeugen können. Über den Krebs hinaus trägt die metabolische Umprogrammierung durch diese Prozesse zur Entstehung zahlreicher Krankheiten bei, darunter Schwangerschafts-DM, diabetische Nephropathie, Sepsis, Arteriosklerose, Schlaganfall und Hepatische Fibrose 4,6,7,8,9,10. DM ist eine chronische Stoffwechselstörung, die durch Hyperglykämie gekennzeichnet ist und durch unterschiedliche Grade von Insulinresistenz und beeinträchtigter Insulinsekretionverursacht wird. Der Zusammenhang zwischen metabolischer Umprogrammierung und DM ist gut belegt: Nährstoffüberschüsse führen zu einem abnormalen Lipidstoffwechsel in Leber und Muskel, was die Insulinresistenz fördert, während die Bauchspeicheldrüsen-β-Zellen unter metabolischen Störungen und sekretorischen Dysfunktionen durch Lipotoxizität, Stress des endoplasmatischen Retikulums und Amyloidablagerungen leiden, was zusammen den Beginn vonDM-12 verursacht.
In den letzten Jahren hat der rasante Fortschritt von Einzelzelltechnologien und Multi-Omics-Analysen einen bedeutenden Paradigmenwechsel in der Stoffwechselforschung ausgelöst. Das Fachgebiet hat sich über statische Beobachtung hin zu dynamischer, mechanistischer Forschung entwickelt, was neue Möglichkeiten eröffnet, die Pathogenese von DM zu klären und potenzielle therapeutische Ziele zu identifizieren. Trotz dieses Fortschritts existiert jedoch derzeit keine systematische Synthese globaler Forschungstrends, wichtiger Mitwirkender und kollaborativer Netzwerke. Eine erste Suche in großen Datenbanken (PubMed, Web of Science, Scopus) mit Begriffen wie "Diabetes mellitus" und "metabolischer Umprogrammierung" ergab keine vorherige bibliometrische Studie zu diesem Thema. Noch wichtiger ist, dass bestehende narrative Übersichtsarbeiten, systematische Übersichtsartikel und Metaanalysen sich darauf konzentriert haben, spezifische molekulare Mechanismen oder klinische Ergebnisse zusammenzufassen, aber keine ganzheitliche, datenbasierte Kartierung der Evolution, Wissensstruktur oder aufkommenden Grenzen des Fachgebiets geliefert haben. Folglich bleibt die aktuelle Wissensstruktur in diesem Bereich weitgehend unerforscht. Im Gegensatz zu einer narrativen Rezension, die subjektiv sein und von der Expertise des Autors abhängig sein kann, bietet bibliometrische Analyse eine reproduzierbare, quantitative und unvoreingenommene Methode, um groß angelegte Publikationsmuster, Kollaborationsnetzwerke und Forschungstrends zu erfassen. Stattdessen offenbart er die intellektuelle, soziale und konzeptuelle Struktur eines Forschungsfeldes im Laufe der Zeit. Daher kann bibliometrische Analyse zeigen, was ein Fachgebiet studiert hat, wer beigetragen hat, wie Wissen fließt und wohin es sich entwickelt. Es ist jedoch wichtig zu erkennen, was diese Methode nicht offenbaren kann. Die bibliometrische Analyse bewertet weder die Qualität noch die Validität einzelner Studien, noch kann sie klinische Wirksamkeit oder mechanistische Kausalität bewerten. Es hängt auch von der Abdeckung und Genauigkeit der zugrundeliegenden Datenbanken ab und kann nicht-englische Literatur, Preprints oder aufstrebende Zeitschriften übersehen. Daher dient die bibliometrische Analyse als makroökonomisches Kartierungswerkzeug, das traditionelle Methoden zur Evidenzsynthese ergänzt und nicht ersetzt.
Soweit wir wissen, hat sich keine frühere bibliometrische Studie speziell auf die Schnittstelle von DM und metabolischer Umprogrammierung konzentriert. Die Studie zielt darauf ab, wissenschaftliche Literaturdaten in großem Umfang zu nutzen, um systematisch die Evolution, intellektuelle Grundlagen, Hotspot-Dynamiken und aufkommende Grenzen in diesem Forschungsgebiet aufzudecken. Die Ergebnisse sollen eine objektive Grundlage und strategische Erkenntnisse für zukünftige wissenschaftliche Fortschritte und Forschungsplanung liefern.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Datenquelle und Suchstrategie
Um die Abdeckung zu verbessern und die Quellenverzerrung der Literatur zu verringern, wurden vier elektronische Datenbanken durchsucht: Web of Science (einschließlich der Web of Science Core Collection, WoSCC), PubMed, Scopus und Embase. Der Veröffentlichungszeitraum war vom 1. Januar 2016 bis zum 31. Dezember 2025 begrenzt. Es wurden nur Originalforschungsartikel und Übersichtsartikel auf Englisch aufgenommen. Die Suchbegriffe konzentrierten sich auf zwei Konzepte: "Diabetes mellitus" (DM) und "metabolische Umprogrammierung". Die Suchstrategien und alle während des Screening-Prozesses verwendeten Ausschlusskriterien sind in Abbildung 1 zusammengefasst.
Die genauen Suchstränge, die für jede Datenbank verwendet werden, sind unten aufgeführt:
Web of Science (WoSCC):
TS=((Diabetes ODER "diabetes mellitus" ODER "Typ-1-Diabetes" ODER "Typ-2-Diabetes") UND ("metabolische Umprogrammierung" ODER "metabolische Umstrukturierung" ODER "Glukosestoffwechsel" ODER "Warburg-Effekt" ODER "zellulärer Stoffwechsel" ODER "mitochondriale Dysfunktion"))
*Filter: Veröffentlichungsjahre: 2016-2025; Dokumententypen: Artikel, Rezension; Sprache: Englisch.*
PubMed:
("Diabetes mellitus"[Titel/Zusammenfassung] ODER "Typ-2-Diabetes"[Titel/Zusammenfassung] ODER "Typ-1-Diabetes"[Titel/Zusammenfassung] ODER "T2DM"[Titel/Zusammenfassung] ODER "T1DM"[Titel/Zusammenfassung]) UND ("metabolische Umprogrammierung"[Titel/Zusammenfassung] ODER "metabolisches Umprogramm"[Titel/Zusammenfassung] ODER "metabolische Umstrukturierung"[Titel/Zusammenfassung] ODER "Warburg-Effekt"[Titel/Zusammenfassung] ODER "zellulärer Stoffwechsel"[Titel/Zusammenfassung] ODER "zellulärer Stoffwechsel" [Titel/Zusammenfassung] ODER "mitochondriale Dysfunktion"[Titel/Zusammenfassung])
*Filter: Veröffentlichungsdatum: 01.01.2016 – 31.12.2025; Artikeltyp: Artikel, Rezension; Sprache: Englisch.*
Scopus:
TITLE-ABS-KEY ("diabetes mellitus" ODER "Diabetes" ODER "Typ-1-Diabetes" ODER "Typ-2-Diabetes" ODER "T1DM" ODER "T2DM") UND TITLE-ABS-KEY ("metabolische Umprogrammierung" ODER "metabolisches Reprogramm" ODER "mitochondriale Dysfunktion" ODER "metabolische Umstrukturierung" ODER "Warburg-Effekt")
*Filter: Veröffentlichungsjahr: 2016-2025; Dokumenttyp: Artikel, Rezension; Sprache: Englisch.*
Embase:
("diabetes mellitus'/erfahrung ODER "diabetes mellitus":ab,ti ODER 'Typ-2-Diabetes':ab,ti ODER 'Typ-1-Diabetes':ab,ti) UND ("metabolische Umprogrammierung":ab,ti ODER 'metabolisches Reprogramm':ab,ti ODER 'Warburg-Effekt':ab,ti ODER 'metabolische Remodellierung':ab,ti)
*Filter: Veröffentlichungsjahr: 2016-2025; Dokumententypen: Artikel, Rezension; Sprache: Englisch.*
Alle während des Screening-Prozesses verwendeten Ausschlusskriterien sind in Abbildung 1 zusammengefasst. Die aus jeder Datenbank abgerufenen Datensätze wurden im Klartext exportiert, einschließlich vollständiger bibliografischer Informationen (Titel, Autoren, Zeitschrift, Veröffentlichungsjahr, Abstract, Schlüsselwörter und zitierte Quellen).
Deduplizierungs- und manuelles Screening-Verfahren
Um die Reproduzierbarkeit sicherzustellen, wurde ein schrittweises Deduplizierungs- und manuelles Screening-Verfahren eingeführt: Zunächst wurden alle aus den vier Datenbanken exportierten Klartextdateien in eine Referenzverwaltungssoftware importiert, und die automatische Deduplizierung erfolgte mit der Funktion "Referenzen > Duplikate finden"; anschließend wurden die deduplizierten Datensätze im Excel-Format mit dem Exportstil "Alle Felder anzeigen" exportiert und manuell anhand von Titeln und Abstracts geprüft. Die Einschlusskriterien waren originelle Forschungs- oder Übersichtsartikel, die Diabetes (jede Art) und metabolische Umprogrammierung (einschließlich Glykolyse, oxidative Phosphorylierung, den Warburg-Effekt oder mitochondriale Stoffwechselanpassung) klar behandelten und auf Englisch verfasst wurden. Ausschlusskriterien umfassten Leitartikel, Leserbriefe, Konferenzzusammenfassungen, Fallberichte, Tierstudien, die nicht mit Menschen zu tun hatten, sowie Studien, die sich ausschließlich auf das metabolische Syndrom konzentrierten, ohne Diabetes zu behandeln. Insgesamt wurden 6.864 Datensätze in die bibliometrische Analyse aufgenommen (Supplementary File 1).
Software und Methoden für bibliometrische Analysen
Diese Studie verwendete drei bibliometrische Analysetools (Table of Materials), um systematisch Autoren, Institutionen, Quellen, Titel, Schlüsselwörter, zitierte Referenzen und weitere detaillierte Informationen aus den Artikeln zu untersuchen. Die Rohdaten der 6.864 Studien (Supplementary File 1) dienten als Eingabe für alle drei Softwarewerkzeuge. Bibliometric Software #1 ist ein auf Java basierendes kostenloses Software-Tool und unterstützt Forscher bei der Analyse, Visualisierung und Interpretation wissenschaftlicher Literatur, Wissensnetzwerke, kollaborativen Beziehungen und Forschungshotspots13. Bibliometrische Software #2 ist ein Visualisierungstool für wissenschaftliche Bibliometrie und Wissenskartierung, das hauptsächlich eingesetzt wird, um Entwicklungstrends, Forschungshotspots und kollaborative Netzwerke in akademischen Bereichenaufzuzeigen 14. Bibliometrische Software #3 ist ein R-Paket für scientometrische Analyse und Wissenskartierung, das zum Import, zur Analyse und Visualisierung bibliografischer Datenverwendet wird. Die detaillierten Betriebsabläufe und spezifischen Parametereinstellungen für jede Software sind in der Materialtabelle aufgeführt.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Analyse der Publikationstrends (2016–2025)
Von 2016 bis 2025 wurden insgesamt 6.864 Publikationen zu DM und metabolischer Umprogrammierung veröffentlicht, die sich über einen Zeitraum von zehn Jahren erstreckten. Abbildung 2A zeigt die jährlichen Publikationstrends in diesem Forschungsfeld. Zwischen 2016 und 2024 lag die jährliche Produktion unter 800 Artikeln. Im Jahr 2025 überschritt die Zahl erstmals 1.000. Zum aktuellen Datum hat die ...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diese Studie kartiert systematisch die intellektuelle, soziale und konzeptionelle Struktur dieses aufkommenden Fachgebiets im vergangenen Jahrzehnt. Basierend auf 6.864 Veröffentlichungen aus vier Datenbanken zeigen die Ergebnisse ein rasches Wachstum der jährlichen Produktion, eine dominante, aber moderat zentralisierte Rolle Chinas beim Publikationsvolumen sowie eine Wissensstruktur, die auf Insulinresistenz, oxidativem Stress und mitochondrialer Funktion basiert. Neue Grenzen umfassen...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Die Autoren geben an, dass sie keine bekannten konkurrierenden finanziellen Interessen oder persönlichen Beziehungen haben, die die in diesem Artikel berichtete Arbeit beeinflusst haben könnten.
Diese Arbeit wurde von der Gesundheitskommission der Provinz Jilin (2024A070) und dem Wissenschafts- und Technologiebüro der Stadt Jilin (20230406225) unterstützt.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| VOSviewer (version 1.6.20) | Centre for Science and Technology Studies (CWTS), Leiden University, Niederlande | https://www.vosviewer.com/ | Menüpfad für Co-Autoren-Analyse: Erstellen > Erstellen Sie eine Karte basierend auf bibliografischen Daten > Daten aus bibliografischen Datenbankdateien lesen > TXT-Dateien auswählen > Analysetyp: Co-Autorschaft > Analyseeinheit: Autoren (oder Organisationen) > Zählmethode: Vollständige Zählung > Mindestanzahl von Dokumenten: 5 > Anzahl der zu wählenden Elemente: bis zu 1000 > Klicken Sie auf “Weiter” > Ausgewählte Elemente überprüfen > Klicken Sie auf “Karte erstellen” > Wählen Sie Visualisierungsparameter (Attraktion=2, Abstoßung=0, Clusterauflösung=1,00) > Speichern als.png oder.txt. Menüpfad für Co-Zitationsanalyse: Erstellen > Erstellen Sie eine Karte basierend auf bibliografischen Daten > Analysetyp: Co-Zitation > Analyseeinheit: Zitierte Referenzen > Mindestanzahl der Zitationen: 10 > Die restlichen Schritte sind wie oben. |
| CiteSpace (version 6.3.R1) | Chaomei Chen, Drexel University, USA | https://citespace.podia.com/ | Nachdem Sie die Analyse durch Auswahl von Schlüsselwort oder Zitierte Referenz in den Knotentypen ausgeführt haben, klicken Sie auf Burstness und setzen Sie den Top N-Parameter auf 20, um die Top 20 Burst-Schlüsselwörter oder Burst-Referenzen mit der höchsten Häufigkeit oder Zitationsanzahl zu erkennen. |
| bibliometrix (version 4.1.2) | Massimo Aria und Corrado Cuccurullo; R-Paket | https://www.bibliometrix.org/ | Führen Sie in RStudio library(bibliometrix) und biblioshiny() aus; führen Sie in der geöffneten biblioshiny Weboberfläche die folgenden Operationen sequenziell durch: Daten über “Daten > Importieren” importieren, indem Sie die Datei auswählen, das Format auf “RIS” oder “BibTeX” einstellen und dann auf “Konvertieren” und anschließend auf “Starten” klicken; jährliche wissenschaftliche Produktion über “Deskriptive Analyse > Jährliche wissenschaftliche Produktion > Generieren” generieren; Länderkooperationsnetzwerk über "Kooperation > Länderkooperationsnetzwerk > Generieren" generieren; eine thematische Karte über "Konzeptuell > Thematische Karte" generieren, indem Sie die Mindestworthäufigkeit auf 5 und die Anzahl der Cluster auf 3 einstellen und dann auf "Generieren" klicken; ein Keyword-Burst-Diagramm über “Konzeptuell > Keyword Burst > ReferencePublicationYearSpectra > Generieren” generieren |