Visuelle bibliometrische Analyse von Forschungsschwerpunkten und Trends bei Antibiotikaresistenzen in China

Zusammenfassung

Diese bibliometrische Analyse erfasst mithilfe von CiteSpace die Forschungstrends und aufkommenden Schwerpunkte zur antimikrobiellen Resistenz in China von 2016 bis 2025. Die Ergebnisse zeigen eine zunehmende Aufmerksamkeit für neuartige Therapeutika und technologiebasierte Ansätze sowie kontrastierende Trends bei der Resistenz gegenüber MRSA und CRKP auf und unterstreichen die Notwendigkeit einer fortgesetzten Überwachung und gezielter antimikrobieller Therapiestrategien.

Zusammenfassung

Um das Forschungslandschaft der antimikrobiellen Resistenz (AMR) in China von 2016 bis 2025 systematisch zu analysieren, Hotspots zu identifizieren und aufkommende Trends mithilfe bibliometrischer Visualisierungstechniken zu erkennen, sammelten wir 3.096 Publikationen aus der Web of Science Core Collection (einschließlich Science Citation Index Expanded, SCI-E) und der China National Knowledge Infrastructure (CNKI). Mit CiteSpace führten wir eine Koautorenschafts-Netzwerkanalyse, eine Schlüsselwort-Ko-Okkurrenz-Kartierung sowie eine Clusteranalyse unter Verwendung des Log-Likelihood-Quotienten-(LLR-)Algorithmus durch. Die Erkennung von Ausbrüchen mittels Kleibergs Algorithmus identifizierte Forschungsvordergründe, während Modularitäts-Q-(>0,3) und Silhouettenmetriken die strukturelle Netzwerkqualität bestätigten. Die Zahl stieg von 357 im Jahr 2016 auf 365 im Jahr 2022, wobei sich das Wachstum nach der Periode 2019–2022 beschleunigte. Sechs große Forschungscluster entstanden, die eine signifikante strukturelle Gültigkeit aufwiesen (Modularität Q = 0,8108). Die Burst-Analyse identifizierte mobilisiertes Colistin-Resistenz-1 (mcr-1, Burst-Stärke 9,12) und Carbapenemase (8,52) als stärkste aufkommende Signale. Die Resistenzüberwachung zeigte divergierende Trends: Carbapenem-resistente Klebsiella pneumoniae nahmen alarmierend von 5,6 % auf 20,0 % zu, während Methicillin-resistente Staphylococcus aureus von 48,8 % auf 25,8 % zurückgingen. Die Analyse des Autorennetzwerks ergab eine stark zentralisierte Struktur mit begrenzter länderübergreifender Zusammenarbeit. Neuartige Therapeutika, einschließlich antimikrobieller Peptide, Phagentherapie und Anwendungen des maschinellen Lernens, zeigten ein signifikantes Aufkommen. Insgesamt deuten die bibliometrischen Muster darauf hin, dass die AMR-Forschung in China sich von deskriptiver Überwachung hin zu mechanistischen Untersuchungen entwickelt hat und zunehmend innovativen Interventionen Beachtung schenkt. Der kontrastierende Rückgang von Methicillin-resistenten Staphylococcus aureus und der Anstieg carbapenemresistenter Erreger unterstreichen die Notwendigkeit einer fortgesetzten nationalen Überwachung, stärkerer interregionaler Zusammenarbeit, gezielter antimikrobieller Stewardship sowie einer vorsichtigen Übertragung aufkommender Technologien in die klinische Praxis.

Einleitung

Die antimikrobielle Resistenz (AMR) stellt eine gravierende Bedrohung für die globale öffentliche Gesundheit dar, wobei die Weltgesundheitsorganisation sie als eine der zehn größten gesundheitlichen Bedrohungen für die Menschheit einstuft¹. Die wirtschaftliche Belastung durch AMR ist erheblich; Prognosen zufolge könnten resistente Infektionen bis zum Jahr 2050 jährlich weltweit 10 Millionen Todesfälle verursachen, wenn sich die derzeitigen Trends fortsetzen². Die grundlegenden Mechanismen der antimikrobiellen Resistenz bei Bakterien umfassen komplexe genetische und phänotypische Anpassungen, darunter enzymatische Arzneimittelmodifikation, Veränderungen an Zielstrukturen, Überexpression von Effluxpumpen und Biofilmbildung, die gemeinsam die Wirksamkeit des bestehenden therapeutischen Wirkstoffspektrums gefährden³. Jüngste globale Bewertungen haben den umfassenden Charakter dieser Herausforderung weiter unterstrichen, wobei antimikrobielle Resistenz heute als komplexes ökologisches Phänomen anerkannt wird, das koordinierte Maßnahmen im Bereich der menschlichen Gesundheit, der Tierhaltung und der Umwelt erfordert⁴. AMR hat darüber hinaus weitere Auswirkungen auf die nachhaltige Entwicklung, einschließlich ökologischer und sozioökonomischer Ziele⁵. Die Herausforderung ist besonders akut bei der Bekämpfung der Resistenz gegen Malaria, HIV und Tuberkulose, wo multiresistente Stämme jahrzehntelange Fortschritte in der Kontrolle von Infektionskrankheiten gefährden⁶. Historische Analysen der AMR-Epidemiologie in China haben im Vergleich zu westlichen Populationen spezifische Merkmale dokumentiert, darunter einzigartige Resistenzgenprofile und durch medizinische Praktiken sowie Antibiotikaverbrauchsmuster geprägte Übertragungsdynamiken⁷.

China steht aufgrund seiner großen Bevölkerung und des hohen Antibiotikaverbrauchs vor besonders schwerwiegenden Herausforderungen im Zusammenhang mit antimikrobieller Resistenz (AMR). Der Antibiotikaverbrauch pro Kopf liegt in China weiterhin deutlich über dem vieler europäischer Länder, was einen Selektionsdruck erzeugt, der die Entwicklung von Resistenzen vorantreibt⁸. Angesichts der Schwere dieser Krise hat die chinesische Regierung den Nationalen Aktionsplan zur Eindämmung der antimikrobiellen Resistenz (2016–2020, 2022–2025) eingeführt und das Chinesische Überwachungssystem für antimikrobielle Resistenz (CARSS) eingerichtet, um Resistenzmuster landesweit zu überwachen⁹. Aus regionaler Sicht hat sich Südostasien als kritischer Hotspot für AMR-Forschung und -Verbreitung herausgebildet, wobei bibliometrische Analysen einen rapide wachsenden Forschungsoutput zeigen, der dem von China ähnelt¹⁰. Globale Trends und Prognosen deuten darauf hin, dass ohne entschlossenes Eingreifen die Sterblichkeitsrate durch AMR mittelständische Länder überproportional betreffen wird; einige Prognosen legen nahe, dass die Region Asien-Pazifik bis Mitte des Jahrhunderts fast die Hälfte aller resistenzbedingten Todesfälle ausmachen könnte¹¹. Diese ernüchternden Prognosen haben internationale Verpflichtungen zur verantwortungsvollen Anwendung von Antimykotika beschleunigt, obwohl weltweit weiterhin Lücken zwischen der politischen Festlegung und der klinischen Umsetzung bestehen¹². Diese Initiativen haben umfangreiche Daten zur Resistenzepidemiologie, zu molekularen Mechanismen und klinischen Ergebnissen generiert, die eine reichhaltige Grundlage für bibliometrische Analysen bieten. Aktuelle One-Health-Modelle betonen daher koordinierte Maßnahmen in den Bereichen menschliche Gesundheit, Tiergesundheit, Landwirtschaft und Umwelt, unterstützt durch verantwortungsvolles Antibiotikamanagement und schnelle Diagnosetechnologien¹³.

Die bibliometrische Analyse, die mithilfe mathematischer und statistischer Methoden veröffentlichte Literatur quantitativ auswertet, ermöglicht es Forschenden, Forschungsschwerpunkte zu identifizieren, Entwicklungsverläufe nachzuvollziehen und zukünftige Forschungsrichtungen vorherzusagen¹⁴. Visualisierungswerkzeuge wie CiteSpace verwandeln komplexe Zitationsdaten in anschauliche Wissenskarten und machen verborgene Muster in der wissenschaftlichen Literatur sichtbar¹⁵. Frühere bibliometrische Studien haben Forschungstrends in bestimmten AMR-Bereichen kartiert, darunter die globale Forschung zur Antimykotikaresistenz¹⁶. Eine umfassende bibliometrische Analyse, die sowohl chinesisch- als auch englischsprachige Forschungsergebnisse zur AMR in China integriert, ist jedoch bisher begrenzt. Im Gegensatz zu früheren bibliometrischen Analysen, die sich auf spezifische AMR-Bereiche konzentrierten, integriert die vorliegende Studie chinesischsprachige CNKI- und englischsprachige Web-of-Science-Datensätze und interpretiert die bibliometrischen Ergebnisse jeweils separat im Kontext der nationalen CARSS-Überwachungsdaten. Ziel dieser Studie ist es, eine systematische bibliometrische Analyse der AMR-Forschung in China für den Zeitraum 2016–2025 durchzuführen, mithilfe der CiteSpace-Software Wissenskarten zu erstellen und evidenzbasierte Empfehlungen für zukünftige Forschungsschwerpunkte und die Entwicklung von Richtlinien abzuleiten. Dieser kombinierte Ansatz bietet eine zweisprachige Darstellung des Forschungslandschafts und ermöglicht es gleichzeitig, bibliometrische Trends unabhängig von, aber im Vergleich zu, nationalen Resistenzüberwachungsdaten zu interpretieren.

Protokoll

Datenquellen

Es wurde eine umfassende Literaturrecherche in internationalen und nationalen Datenbanken durchgeführt, um eine globale Abdeckung der AMR-Forschung im Zusammenhang mit China sicherzustellen. Für die internationale Literatur durchsuchten wir systematisch die Web of Science Core Collection (einschließlich Science Citation Index Expanded, SCI-E) und die China National Knowledge Infrastructure (CNKI) vom 1. Januar 2016 bis zum 31. Dezember 2025. Exakte Boolesche Abfrage für SCI-E: TS = ((„antimicrobial resistance“ ODER „antibiotic resistance“ ODER „drug resistance“) UND („China“ ODER „Chinese“ ODER „Mainland China“)). Bei CNKI wurde das Fachgebiet mit den chinesischen Äquivalenten von „antibiotic resistance“, „antimicrobial resistance“ und „drug resistance“ kombiniert mit „China“ durchsucht. Vor der CiteSpace-Analyse wurde keine formale Zusammenführung von Schlüsselwortsynonymen oder thesaurusbasierte Vorverarbeitung durchgeführt. Die endgültige Suche wurde am 28. April 2026 durchgeführt, um ausreichend Zeit zu gewährleisten, damit Veröffentlichungen bis zum 31. Dezember 2025 in den Datenbanken indiziert werden konnten. Der Filter für das Veröffentlichungsjahr in der Datenbank war auf den Zeitraum 2016–2025 beschränkt. Datensätze mit der Kennzeichnung „Early Access“ wurden zusätzlich während der Sichtung geprüft, und Artikel mit einem ersten Online-Veröffentlichungsdatum im Jahr 2026 wurden von der Analyse ausgeschlossen. Die Schlagwortbezeichnungen wurden anhand der ursprünglichen CiteSpace-Ausgabe überprüft, um eine konsistente Terminologie im Text, in Tabellen und Abbildungen sicherzustellen.

Für die CNKI-Suche wurden 983 Datensätze aus den Peking University Core Journals (PKU Core), 802 aus der Chinese Science Citation Database (CSCD) und 462 aus dem World Journal Clout Index (WJCI) abgerufen. Da ein einzelner Artikel in mehr als einer dieser Kategorien indiziert sein kann, stellen diese Zahlen kategoriespezifische Abrufdatensätze dar und sind keine sich gegenseitig ausschließenden Publikationszahlen. Die drei Datensatzgruppen wurden daher vor der Eignungsprüfung zusammengeführt. Doppelte Einträge wurden zunächst durch exakte DOI-Übereinstimmung identifiziert. Bei Datensätzen ohne DOI wurden normalisierte Artikelüberschriften zusammen mit dem Namen des Erstautors und dem Erscheinungsjahr verglichen. Datensätze mit unvollständigen oder widersprüchlichen Metadaten wurden manuell überprüft. Wenn derselbe Artikel in zwei oder mehr CNKI-Indizierungskategorien erschien, wurde er unabhängig von der Anzahl der Kategorien, in denen er indiziert war, nur einmal im kombinierten CNKI-Datensatz beibehalten. Nach der innerhalb von CNKI durchgeführten Entfernung von Duplikaten und der Eignungsprüfung verblieben 1.096 eindeutige Artikel in chinesischer Sprache. Es wurde keine Schwelle für den Journal Impact Factor angewandt, da der Zweck dieser Studie darin bestand, das gesamte Forschungsgebiet der antimikrobiellen Resistenz (AMR) zu charakterisieren, anstatt den Korpus anhand des Ansehens der Zeitschriften einzuschränken. Eine formale Bewertung der methodischen Qualität oder des Bias-Risikos einzelner Publikationen wurde nicht durchgeführt, da das Ziel dieser Studie darin bestand, das gesamte bibliometrische Landschaftsbild zu beschreiben, anstatt die methodische Qualität auf Studienebene zu bewerten.

Insgesamt wurden in SCI-E und CNKI zunächst 5.286 Datensätze identifiziert. Anschließend wurden dieselben Kriterien basierend auf DOI, Titel, Autor und Jahr angewandt, um mögliche Überschneidungen zwischen den Datensätzen von CNKI und Web of Science zu ermitteln. Während der kombinierten Entfernung von Duplikaten und der Eignungsprüfung wurden insgesamt 2.190 Datensätze ausgeschlossen, sodass 3.096 Publikationen für die Analyse verblieben. Der vollständige Prozess der Literatursuche, -prüfung und -auswahl ist in Supplementary Figure 1 dargestellt.

Einschlusskriterien waren: Studien zur bakteriellen AMR in China; Artikel, die Resistenzzahlen, molekulare Epidemiologie, klinische Ergebnisse oder Interventionsstrategien berichteten; sowie Veröffentlichungen zwischen dem 1. Januar 2016 und dem 31. Dezember 2025. Doppelte Einträge, Veröffentlichungen aus dem Jahr 2026, Übersichtsarbeiten oder Metaanalysen ohne originäre Datensätze sowie Studien, die sich ausschließlich auf tierärztliche oder umweltbezogene AMR ohne Bezug zur menschlichen Gesundheit beschränkten, wurden ausgeschlossen. Übersichtsarbeiten und Metaanalysen ohne neue Primärdatensätze wurden ausgeschlossen, da die Analyse darauf ausgelegt war, originäre Forschungsleistungen zu charakterisieren. Die Beschränkung des Korpus auf Originalforschung verbessert die Vergleichbarkeit bibliometrischer Indikatoren, einschließlich Publikationszahlen, Koautorenschaftsmuster, Häufigkeiten von Schlüsselwörtern und zitatsbezogenen Maßen, da Artikel zur Evidenzsynthese frühere Studien zusammenfassen und möglicherweise deutlich abweichende Zitations- und Schlagwortprofile aufweisen. Nach Entfernung von Duplikaten über die Datenbanken hinweg und der Sichtung von Titeln und Abstracts wurden insgesamt 3.096 Publikationen für die bibliometrische Analyse eingeschlossen, darunter 1.096 Artikel in chinesischer Sprache (35,4 %) und 2.000 Publikationen in englischer Sprache (64,6 %).

Analytische Methoden

Für die bibliometrische Analyse wurde CiteSpace (Drexel University, Philadelphia, PA, USA)¹⁷ verwendet. Der untersuchte Zeitraum umfasste die Jahre 2016–2025 bei einer Zeitscheibenlänge von einem Jahr. Die Knotentypen wurden getrennt für die Analysen von Autor, Institution und Schlüsselwörtern ausgewählt. Bei der Knotenauswahl kam der g-Index mit k = 10 zum Einsatz; die angezeigte Konfiguration verwendete außerdem LRF = 2,5, L/N = 10, LBY = 5 und e = 1,0. Die Pfadfinder-Bereinigung wurde auf die Netzwerke von Autoren, Schlüsselwörtern und Clustern angewendet, um überflüssige Verbindungen zu reduzieren und gleichzeitig die wesentliche Netzwerkstruktur beizubehalten. Die einjährige Zeitscheibe wurde gewählt, um jährliche Veränderungen innerhalb des zehnjährigen Untersuchungszeitraums zu erfassen.

Vier Hauptanalysemodule wurden verwendet: die Koautorenanalyse zur Abbildung von Kollaborationsnetzwerken zwischen Autoren und Institutionen; die Analyse des gemeinsamen Auftretens von Schlüsselwörtern, um Forschungsthemen und deren Beziehungen zu identifizieren; die Clusteranalyse mithilfe des Log-Likelihood-Quotienten-(LLR-)Algorithmus zur Extraktion thematischer Cluster mit automatischer Beschriftung; sowie die Erkennung von Ausbrüchen („burst detection“) anhand von Kleinsberg-Algorithmus, um aufkommende Trends und Forschungsgrenzen zu identifizieren. Netzwerkmetriken wie die Modularität Q und der durchschnittliche Silhouettenwert S dienten der Bewertung der Clusterqualität. Ein Modularitätswert Q größer als 0,3 weist auf eine aussagekräftige Community-Struktur hin, während ein durchschnittlicher Silhouettenwert über 0,7 auf eine hohe innere Konsistenz der Cluster und eine zuverlässige Clusterzuordnung hinweist¹⁸.

Statistische Analyse von Resistenztrends

Trends der Resistenzraten für bedeutende Krankheitserreger wurden aus den jährlichen Berichten des China Antimicrobial Resistance Surveillance System (CARSS) (2016–2025) abgeleitet, die Daten aus teilnehmenden Sentinel-Krankenhäusern landesweit zusammenfassen. Diese Überwachungsdaten wurden unabhängig vom bibliometrischen Korpus analysiert und weder aus den 3.096 Publikationen in Web of Science und CNKI, die für die CiteSpace-Analysen verwendet wurden, extrahiert, noch darüber zusammengefasst oder darin eingeschlossen.

Für jede Pathogen-Antimykotikum-Kombination haben wir die jährliche Resistenzrate (Prozentsatz der nicht-duplizierten Isolate, die gegenüber dem angegebenen Wirkstoff resistent sind), die Gesamtanzahl der getesteten Isolate (Nenner) sowie die Anzahl der sentinelles Krankenhäuser, die Daten beigetragen haben, extrahiert. Die Empfindlichkeitsprüfung wurde mittels standardisierter Brühenmikroverdünnung oder Scheiben-Diffusionsmethoden durchgeführt, wobei die Interpretationen auf den Richtlinien des Clinical and Laboratory Standards Institute (CLSI) (M100-Dokumente, Ausgaben 2016–2025) basierten.

Zur Beurteilung zeitlicher Trends führten wir eine lineare Regressionsanalyse durch, wobei die Resistenzrate als abhängige Variable und das Jahr als unabhängige Variable verwendet wurden, über den gesamten Zeitraum von 10 Jahren (2016–2025). Die Regressionssteigung (β) und das Bestimmtheitsmaß (R²) wurden für jedes Pathogen-Antimikrobiellum-Paar berechnet. Um mögliche Veränderungen der Überwachungsabdeckung zu berücksichtigen (z. B. die Erweiterung von 1.398 Krankenhäusern im Jahr 2016 auf 2.349 Krankenhäuser im Jahr 2025), führten wir zusätzlich Sensitivitätsanalysen durch, bei denen die Resistenzrate jedes Jahres invers zur Anzahl der teilnehmenden Krankenhäuser und zur geografischen Verteilung der Berichterstattungsstellen gewichtet wurde. Diese gewichteten Modelle ergaben Trendrichtungen und Signifikanzniveaus, die mit den ungewichteten Analysen übereinstimmten; daher werden aus Gründen der Einfachheit und besseren Interpretierbarkeit die ungewichteten Ergebnisse dargestellt. Alle statistischen Analysen wurden mit R Version 4.3.2 (R Foundation for Statistical Computing, Wien, Österreich) durchgeführt. Ein zweiseitiger p-Wert <0,05 wurde als statistisch signifikant angesehen.

Ergebnisse

Publication trends

A total of 3,096 publications were included in the analysis. Total annual output increased from 357 publications in 2016 to a peak of 365 in 2022 and subsequently declined continuously to 146 in 2025 (Figure 1). English-language output increased from 130 publications in 2016 to 295 in 2022 before decreasing to 69 in 2025. Chinese-language output decreased from 227 publications in 2016 to 93 in 2019, increased during 2020–2021, and ended at 77 in 2025 (Figure 1).

The linguistic distribution revealed interesting patterns: while Chinese-language publications dominated overall (63.6%) in 2016, English publications showed faster relative growth, increasing from merely 130 papers (36.4%) in 2016 to 295 papers (80.8%) in 2022. This shift reflects enhanced international collaboration and the growing global impact of Chinese AMR research.

Author and institutional collaboration networks

Network analysis identified the principal authors and collaboration patterns in the co-authorship network (Figure 2). Table 1 presents the 10 most prolific authors. Wang Juan from South China Agricultural University and Yue Min from Zhejiang University were tied for the highest publication output, with 44 publications each. Xu Xuebin from the Shanghai Municipal Center for Disease Control and Prevention and Wu Qingping from the Guangdong Academy of Sciences each published 42 papers, followed by Zhang Jumei from the Guangdong Academy of Sciences with 41 papers. Two authors from the same institution (Wu Qingping and Zhang Jumei at the Institute of Microbiology, Guangdong Academy of Sciences) are among the top five, indicating strong institutional research activity at this center. Publication count was interpreted as an indicator of research productivity, whereas betweenness centrality was interpreted separately as an indicator of an author’s bridging role within the collaboration network. Their betweenness centrality values were 0.01 and 0.04, respectively.

The author collaboration network comprised 248 nodes and 420 links, with a density of 0.0137. This low density indicates that only a small proportion of all possible author pairs were connected, suggesting that collaborations were concentrated within a limited number of research groups rather than broadly distributed across the network. Notably, cross-institutional collaborations were less frequent than intra-institutional partnerships, suggesting potential for enhanced inter-hospital cooperation. The leading institutions were concentrated primarily in major eastern metropolitan and research centers, particularly Beijing, Shanghai, Hangzhou, Guangzhou, and Yangzhou.

Institutional analysis showed that Zhejiang University ranked first, with 195 publications and 10,660 citations, followed by South China Agricultural University with 112 publications and China Agricultural University with 99 publications (Table 2). Among the top 10 institutions, five were located in Beijing, two in Shanghai, and one each in Yangzhou, Hangzhou, and Guangzhou. No formal East/Central/West China publication-output analysis was performed.

Research hotspots and keyword analysis

Keyword co-occurrence analysis identified 257 keyword nodes with 932 co-occurrence connections (Figure 3). The network density was 0.0283, with an average of approximately 7.3 connections per keyword, indicating moderate thematic coherence. Table 3 lists the top 10 high-frequency keywords. “Antimicrobial Resistance” appeared as the central node with 285 occurrences in the co-occurrence matrix and a centrality of 0.92, followed by “Carbapenem” (192 occurrences, centrality 0.78) and “ESBL” (extended-spectrum β-lactamase; 168; 0.72). The discrepancy between co-occurrence counts and total occurrence counts in Table 3 arises because Table 3 reports raw term frequencies from the full corpus, whereas the network co-occurrence matrix counts only co-occurrences within the same document; both metrics are reported for completeness.

The keyword network revealed distinct thematic clusters. Pathogen-specific keywords (K. pneumoniae, A. baumannii, P. aeruginosa) clustered tightly with resistance mechanisms (carbapenemases, biofilm), while clinical management terms (stewardship, combination therapy) formed a separate but connected cluster. This structure suggests that research has evolved from descriptive pathogen studies toward mechanistic understanding and intervention strategies.

Cluster analysis using the LLR algorithm identified 15 keyword clusters with a modularity Q of 0.8108 and a mean silhouette S of 0.9388 (Figure 4). The six principal clusters highlighted in the timeline were #0 “virulence gene,” #2 “Klebsiella pneumoniae,” #4 “antimicrobial resistance genes,” #5 “antibiotic resistance,” #6 “molecular epidemiology,” and #7 “Escherichia coli.” The timeline shows that broad antibiotic-resistance, pathogen-surveillance, and molecular-epidemiology themes were prominent during the earlier years, while virulence genes, antimicrobial-resistance genes, and Klebsiella pneumoniae remained active into the later period. The temporal overlap among the clusters indicates cumulative diversification of research themes rather than a strictly sequential replacement of one theme by another.

The high betweenness centrality of “Carbapenem” and “ESBL” indicates that β-lactam resistance served as an important connecting theme across the bibliometric network. This thematic prominence was consistent with, but analytically independent from, the external CARSS surveillance data presented below, which showed increasing carbapenem resistance in Klebsiella pneumoniae and persistently high carbapenem resistance in Acinetobacter baumannii.

Resistance trends and epidemiological patterns

In a separate analysis, the external CARSS surveillance data provided epidemiological context for the bibliometric prominence of carbapenem- and β-lactam-resistance topics and revealed divergent pathogen-specific resistance trends (Table 4). MRSA demonstrated a consistent and significant decline from 48.8% in 2016 to 25.8% in 2025 (β = –2.43% per year, R² = 0.94, p < 0.001), representing a 47.1% relative reduction. The decline in MRSA was temporally consistent with the implementation of active surveillance, contact precautions, decolonization protocols, and antimicrobial-stewardship measures in Chinese hospitals¹⁹, although the present ecological analysis cannot attribute the trend to any single intervention. Previous nationwide studies have reported associations between the use of carbapenems and third-generation cephalosporins and resistance among Gram-negative pathogens²⁰, providing a possible explanatory context for the observed trends. However, antimicrobial-consumption data were not directly analyzed in the present study.

Conversely, carbapenem resistance in Gram-negative pathogens showed alarming increases. CRKP rose dramatically from 5.6% (2016) to 20.0% (2025) (β = +1.61% per year, R² = 0.97, p < 0.001), representing a 3.6-fold increase. carbapenem-resistant Acinetobacter baumannii (CRAB) maintained high-level epidemic status throughout the period, increasing from 56.0% to 76.5% (β = +2.35% per year, R² = 0.92, p < 0.001), with some regions reporting rates exceeding 80%. vancomycin-resistant enterococci (VRE), though starting from a low baseline (1.5%), showed a consistent upward trend reaching 6.5% in 2025 (β = +0.56% per year, R² = 0.89, p < 0.001). In contrast to the marked decline in MRSA, carbapenem-resistant Pseudomonas aeruginosa (CRPA) showed only a modest decrease from 25.0% to 19.9%. Overall, the resistance trajectories were pathogen-specific rather than uniform: MRSA and CRPA declined, whereas CRKP, CRAB, and VRE increased during the study period.

Emerging research frontiers

Burst detection identified the 10 keywords with the strongest burst signals (Table 5 and Figure 5). Mobilized colistin resistance-1 (mcr-1) showed the strongest burst (9.12; 2016–2022), whereas carbapenemase showed a slightly lower but longer-lasting burst (8.52; 2016–2024). The mcr-1 hotspot primarily represented a gene-centered research trajectory, progressing from the identification and molecular characterization of plasmid-mediated colistin resistance toward surveillance of its dissemination. In contrast, the longer carbapenemase burst reflected sustained attention extending from enzyme and resistance-gene mechanisms to molecular epidemiology, clinical transmission, and infection-control concerns. Because burst detection identifies the temporal concentration of research attention rather than discrete internal stages, separate subperiod boundaries were not assigned within each burst interval.

Antimicrobial peptides (burst strength 7.92; 2019–2024), phage therapy (6.54; 2020–2024), machine learning (5.83; 2021–2024), and clustered regularly interspaced short palindromic repeats (CRISPR; 4.92; 2022–2024) all showed sustained burst intervals ending in 2024. Their progressively later onset years indicate the sequential emergence of alternative therapeutic and technology-enabled research topics. Because separate annual keyword-frequency growth rates were not calculated, these terms are described as burst-detected research frontiers rather than as topics with demonstrated year-on-year growth.

DATA AVAILABILITY:

The bibliographic records analyzed in this study were retrieved from the Web of Science Core Collection and the China National Knowledge Infrastructure (CNKI) under their respective database access and licensing conditions. These source records are subject to database licensing restrictions and cannot be redistributed by the authors. The search strategy and screening procedures are reported in the manuscript and Supplementary Figure 1, while annual publication counts are provided in Supplementary Table 1. The bibliographic records of the 3,096 publications included in the final analysis are provided in Supplementary Table 2, comprising 2,000 Web of Science Core Collection records and 1,096 CNKI records. The antimicrobial-resistance surveillance data were derived from publicly available China Antimicrobial Resistance Surveillance System (CARSS) annual reports.

Figure 1: Annual publication output of antimicrobial resistance research in China from 2016 to 2025 (n = 3,096 publications). The figure presents annual English-language, Chinese-language, and total publication counts. English-language output increased from 130 publications in 2016 to 295 in 2022 and declined to 69 in 2025. Please click here to view a larger version of this figure.

Figure 2: Author collaboration network generated from the 2,000 SCI-E publications on antimicrobial resistance in China included in the analysis (2016–2025). The network visualizes co-authorship relationships among authors publishing on AMR in China. Node size represents publication count; line thickness indicates collaboration frequency. Node colors follow the CiteSpace default time-zone gradient: purple nodes represent the earliest publications (2016–2017); blue nodes represent the middle period (2018–2021); and red/orange nodes represent the recent publications (2022–2025). Centrality is not explicitly encoded in node color; instead, nodes with high betweenness centrality (>0.1) are highlighted with an outer ring in the visualization. The network comprises 248 author nodes and 420 collaboration links (density = 0.0137). Prominent authors include Wang Juan, Yue Min, Xu Xuebin, Wu Qingping, and Zhang Jumei. The largest connected component contains 157 authors (63% of the network). Pruning was performed using the Pathfinder algorithm to enhance structural clarity. The relatively low network density indicates limited cross-institutional collaboration, with research activities concentrated within a few major research groups. Data source: Web of Science Core Collection; analyzed using CiteSpace. Please click here to view a larger version of this figure.

Figure 3: Keyword co-occurrence network generated from the 2,000 SCI-E publications included in the keyword analysis (2016–2025). Node size represents keyword frequency; line thickness indicates co-occurrence strength. Colors follow the CiteSpace time-zone gradient from purple (2016) through blue (2018–2021) to red/orange (2022–2025). Centrality values are not displayed as colors; instead, node labels are sized proportionally to betweenness centrality, with larger labels indicating greater bridging importance. The network comprises 257 keyword nodes and 932 co-occurrence links (density = 0.0283). The largest connected component contains 157 keywords (61% of the network). High-frequency keywords include “antimicrobial resistance,” “Klebsiella pneumoniae,” “Escherichia coli,” “Staphylococcus aureus,” “prevalence,” and “molecular characterization,” reflecting the dominant research themes of resistance surveillance and molecular epidemiology. The network demonstrates stronger interconnectivity compared to the author collaboration network, indicating thematic coherence across different research topics. Data source: Web of Science Core Collection; analyzed using CiteSpace. Please click here to view a larger version of this figure.

Figure 4: Keyword cluster timeline generated from the 2,000 SCI-E publications included in the keyword analysis (2016–2025). Each horizontal line represents a research cluster (#0–#14), with nodes indicating individual keywords appearing in that year. Node size represents keyword frequency. The clustering analysis was performed using the Log-Likelihood Ratio (LLR) algorithm, yielding 15 distinct clusters with excellent structural validity (modularity Q = 0.8108, mean silhouette S = 0.9388). The six major clusters discussed in the text represent the most prominent clusters (#0, #2, #4, #5, #6, #7). The timeline view reveals temporal shifts in research focus: early clusters (2016–2018) concentrated on surveillance and molecular epidemiology, while later-emerging clusters incorporated advanced genomic tools. The network comprises 257 keyword nodes and 315 co-occurrence links (density = 0.0096), with the largest connected component containing 256 nodes (99% of the network). Data source: Web of Science Core Collection; analyzed using CiteSpace. Please click here to view a larger version of this figure.

Figure 5: Top 10 burst keywords detected from the SCI-E publication dataset on antimicrobial resistance in China (2016–2025). Each bar represents a keyword with its burst strength (numerical value). Red segments indicate the detected burst intervals, and blue segments indicate years without a detected burst. The horizontal time axis covers the complete study period from 2016 to 2025. The beginning and ending years of each red segment correspond exactly to the “Begin” and “End” values reported in Table 5. The strongest bursts were observed for mcr-1 (9.12, 2016–2022) and carbapenemase (8.52, 2016–2024), reflecting their sustained dominance as research drivers. Burst keywords are categorized into five thematic groups: Resistance genes (mcr-1); Resistance mechanisms (carbapenemase, biofilm formation); Novel therapies (antimicrobial peptides, phage therapy); Clinical management (antimicrobial stewardship, combination therapy); and Technologies (WGS, machine learning, CRISPR). Keywords with burst strength >3.0 are considered significant. Data source: Web of Science Core Collection; analyzed using CiteSpace. Please click here to view a larger version of this figure.

Rank	Author	Institution	Papers	Centrality
1	Wang Juan	South China Agricultural University	44	0.2
2	Yue Min	Zhejiang University	44	0.15
3	Xu Xuebin	Shanghai Municipal Center for Disease Control and Prevention	42	0.2
4	Wu Qingping	Institute of Microbiology, Guangdong Academy of Sciences	42	0.01
5	Zhang Jumei	Institute of Microbiology, Guangdong Academy of Sciences	41	0.04
6	Wang Yang	China Agricultural University	35	0.11
7	Li Yan	Zhejiang University	30	0.23
8	Wang Wei	China National Center for Food Safety Risk Assessment	26	0.03
9	Chen Moutong	Institute of Microbiology, Guangdong Academy of Sciences	25	0.07
10	Wang Hui	Peking University People's Hospital	24	0.12

Table 1: Top 10 Most Prolific Authors in AMR Research (2016-2025). Publication count represents author productivity. Betweenness centrality measures the extent to which an author connects otherwise separate parts of the collaboration network; higher values indicate a stronger bridging role. Publication count and centrality were interpreted as separate bibliometric indicators.

Rank	Institution	City	Publications	Total citations
1	Zhejiang University	Hangzhou	195	10,660
2	South China Agricultural University	Guangzhou	112	7,496
3	China Agricultural University	Beijing	99	7,275
4	Yangzhou University	Yangzhou	97	2,227
5	Shanghai Jiao Tong University	Shanghai	94	3,437
6	Chinese Academy of Medical Sciences - Peking Union Medical College	Beijing	91	3,138
7	Chinese Center for Disease Control & Prevention	Beijing	84	2,657
8	Chinese Academy of Sciences	Beijing	84	4,903
9	Chinese Academy of Agricultural Sciences	Beijing	79	1,988
10	Fudan University	Shanghai	78	3,392

Table 2: Top 10 Research Institutions by Publication Output (2016-2025). Publication count and total citations are as of April 28, 2026. Geographic distribution shows Beijing (5 institutions in top 10: China Agricultural University, Chinese Academy of Medical Sciences – Peking Union Medical College, Chinese Center for Disease Control and Prevention, Chinese Academy of Sciences, and Chinese Academy of Agricultural Sciences), Shanghai (2: Shanghai Jiao Tong University and Fudan University), and one each in Hangzhou (Zhejiang University), Guangzhou (South China Agricultural University), and Yangzhou (Yangzhou University). The institutional network demonstrated clear geographic clustering, with Beijing and Shanghai accounting for 7 of the top 10 institutions, indicating a concentration of research capacity in eastern metropolitan regions.

Rank	Keyword	Frequency	Centrality	Category
1	Antimicrobial Resistance	1167	0.92	General AMR concept
2	Carbapenem	467	0.78	Antimicrobial class
3	ESBL	168	0.72	Resistance mechanism/phenotype
4	MRSA	156	0.68	Resistant clinical pathogen
5	Biofilm	134	0.65	Resistance mechanism
6	CRE	128	0.62	Resistance phenotype/pathogen group
7	P. aeruginosa	108	0.58	Clinical pathogen
8	A. baumannii	102	0.55	Clinical pathogen
9	K. pneumoniae	98	0.52	Clinical pathogen
10	E. coli	95	0.5	Clinical pathogen

Table 3: Top 10 High-Frequency Keywords in AMR Research (2016–2025). The category indicates the primary semantic role of each keyword in the antimicrobial-resistance literature. Keywords were classified as general AMR concepts, antimicrobial classes, resistance genes or mechanisms, resistance phenotypes, clinical pathogens, treatment or management terms, or surveillance and epidemiology terms, where applicable. In the present top-10 list, the represented categories were general AMR concepts, antimicrobial classes, resistance mechanisms or phenotypes, and clinical pathogens.

Organism	2016	2018	2022	2025	Trend	p-value
MRSA	48.80%	35.80%	27.20%	25.80%	Declining	<0.001
CRKP	5.60%	15.20%	22.80%	20.00%	Increasing	<0.001
CRPA	25.00%	27.20%	21.50%	19.90%	Declining	0.003
CRAB	56.00%	64.50%	76.80%	76.50%	High-level	<0.001
VRE	1.50%	2.90%	5.20%	6.50%	Increasing	<0.001

Table 4: Trends of Antimicrobial Resistance in Major Pathogens (2016–2025). Each horizontal line represents one of the 15 LLR-generated clusters (#0–#14), and each node represents a keyword appearing in the corresponding year. Node size represents keyword frequency. The six principal clusters discussed in the text are #0 “virulence gene,” #2 “Klebsiella pneumoniae,” #4 “antimicrobial resistance genes,” #5 “antibiotic resistance,” #6 “molecular epidemiology,” and #7 “Escherichia coli.” The clustering solution had a modularity Q of 0.8108 and a mean silhouette S of 0.9388.

Rank	Keyword	Burst	Begin	End	Category
1	mcr-1	9.12	2016	2022	Resistance gene
2	Carbapenemase	8.52	2016	2024	Resistance mechanism
3	Antimicrobial peptides	7.92	2019	2024	Novel therapy
4	Biofilm formation	7.25	2017	2024	Resistance mechanism
5	WGS	7.34	2018	2024	Molecular typing
6	Antibiotic stewardship	6.89	2017	2024	Clinical management
7	Phage therapy	6.54	2020	2024	Novel therapy
8	Combination therapy	6.23	2017	2023	Treatment strategy
9	Machine learning	5.83	2021	2024	Technology
10	CRISPR	4.92	2022	2024	Technology

Table 5: Top 10 Burst Keywords Indicating Research Frontiers (2016–2025). Burst strength and burst duration were used as the quantitative indicators of frontier activity. Separate annual keyword-frequency growth rates were not calculated. Burst strength was calculated using CiteSpace burst detection algorithm (Kleinberg's algorithm) with default parameters (γ = 1.0, minimum duration = 2 years). Keywords with burst strength >3.0 are considered significant. “Begin” and “End” indicate the first and last year of the burst period, as visualized in Figure 5. The category column reflects the thematic classification of each burst keyword. The strongest bursts were observed for mcr-1 (9.12, 2016–2022) and carbapenemase (8.52, 2016–2024), indicating their central roles as research drivers. Notably, novel therapeutic approaches (antimicrobial peptides, phage therapy) and emerging technologies (machine learning, CRISPR) showed sustained burst activity through 2024, signaling a paradigm shift toward innovation-driven AMR research. The analytical time window was 2016–2025. A burst ending in 2024 indicates that no significant burst was detected for that keyword in 2025; it does not indicate that the overall analytical time window ended in 2024.

Supplementary Figure 1: PRISMA-style flow diagram of literature identification, screening, and inclusion. A total of 5,286 database records were initially identified, including 3,043 records from the Web of Science Core Collection Science Citation Index Expanded (SCI-E), 983 records from the Peking University Core Journals category of the China National Knowledge Infrastructure (CNKI), 802 records from the Chinese Science Citation Database category, and 462 records from the World Journal Clout Index category. Because the three CNKI categories were overlapping, category-specific records were consolidated before screening. Duplicate records were identified using DOI matching where available, followed by comparison of article titles, first-author names, and publication years, with manual review of uncertain matches. After combined deduplication and eligibility screening, 2,190 records were removed, and 3,096 publications were included, comprising 2,000 English-language SCI-E publications and 1,096 Chinese-language CNKI publications.Please click here to download this file.

Supplementary Table 1: Annual publication output of antimicrobial resistance research in China from 2016 to 2025. Annual numbers of English-language and Chinese-language publications included in the bibliometric analysis are presented together with the total publication count for each year. The final dataset comprised 3,096 publications.Please click here to download this file.

Supplementary Table 2: Bibliographic records of publications included in the final bibliometric analysis. The table lists the 3,096 publications included in the final analytical dataset, comprising 2,000 English-language records from the Web of Science Core Collection and 1,096 Chinese-language records from the China National Knowledge Infrastructure (CNKI). Please click here to download this file.

Diskussion

Die bibliometrischen Muster deuten darauf hin, dass die AMR-Forschung in China allmählich von deskriptiver Überwachung und Pathogencharakterisierung hin zu Resistenzmechanismen, genomischen Ansätzen und interventionsorientierter Forschung erweitert wurde. Die überlappenden Schlagwort-Cluster und Burst-Phasen weisen auf eine kumulative thematische Diversifizierung hin, nicht auf drei getrennte und sich gegenseitig ausschließende Stadien. Der Zeitpunkt dieser Veränderungen fiel mit den Nationalen Aktionsplänen zur Eindämmung der antimikrobiellen Resistenz für die Jahre 2016–2020 und 2022–2025 zusammen, die einen entsprechenden politischen Kontext liefern; die vorliegende bibliometrische Analyse kann jedoch nicht belegen, dass die Veröffentlichung dieser politischen Maßnahmen die beobachteten Veränderungen in den Publikationsthemen verursacht hat. Der Anstieg der Publikationen spiegelt sowohl die zunehmende (2019–2021) Schwere der AMR-Krise als auch das wachsende Engagement von Regierung und Institutionen bei der Bewältigung dieser Herausforderung wider. Demnach sollte die vorgeschlagene Entwicklung der Forschungsthemen deskriptiv verstanden werden und wurde nicht unabhängig durch Analysen von Meilenstein-Publikationen oder spezifisch nach Stadien ausgewählten, stark zitierten Arbeiten validiert. Im globalen Kontext betrachtet, entspricht die Entwicklung der Forschungsleistung Chinas allgemeineren Mustern, die in aufstrebenden Volkswirtschaften zu beobachten sind, wo das Volumen der AMR-Publikationen exponentiell angestiegen ist, als Reaktion auf die steigende Belastung durch Resistenz²¹.

Der Rückgang der Publikationsleistung nach dem Höhepunkt im Jahr 2022 fiel mit der Umsetzungsphase des zweiten Nationalen Aktionsplans zur Eindämmung der antimikrobiellen Resistenz (2022–2025) zusammen, während die frühere Zunahme auf den ersten Aktionsplan (2016–2020) folgte. Diese zeitliche Übereinstimmung könnte Veränderungen in den Forschungsschwerpunkten, der Mittelzuweisung und den Publikationsmustern über aufeinanderfolgende politische Phasen hinweg widerspiegeln, anstatt lediglich eine einfache Verringerung der Forschungsaktivitäten zu AMR darzustellen. Allerdings könnten auch Verzögerungen bei Publikation und Indexierung, die Datenbankabdeckung sowie die Einschlusskriterien der Studie zu dem scheinbaren Rückgang beigetragen haben, insbesondere in den späteren Jahren. Die vorliegende bibliometrische Analyse kann daher keinen kausalen Zusammenhang zwischen dem nationalen Aktionsplan und der Publikationsleistung nachweisen.

Die Analyse des kollaborativen Netzwerks zeigt eine stark zentralisierte Struktur, bei der Wang Juan, Yue, Min und die Zhejiang-Universität als zentrale Knoten fungieren, die regionale Forschungszentren miteinander verbinden. Die begrenzte interregionale Zusammenarbeit (Netzwerkdichte = 0,0137) deutet jedoch auf eine eingeschränkte Vernetzung zwischen den Forschungsgruppen hin; es wurde jedoch keine formale Analyse der Veröffentlichungen nach Ost-, Zentral- und Westregion durchgeführt. Ein machbares Rahmenkonzept für die Zusammenarbeit über Regionsgrenzen hinweg könnte CARSS als nationales Rückgrat für Überwachung und Datenkoordination nutzen, regionale medizinische Konsortien als Einheiten zur Harmonisierung der Probenentnahme, der Empfindlichkeitstestverfahren und der multizentrischen klinischen Validierung sowie universitäre Forschungsplattformen als Zentren für genomische Sequenzierung, Bioinformatik und methodische Weiterentwicklung. Gemeinsam genutzte Datenlexika, anonymisierte interoperable Datensätze, regelmäßige interregionale Benchmarking-Vergleiche und gemeinsame Frühwarnprojekte könnten dabei helfen, Surveillance-Signale in Forschungsschwerpunkte und lokal angepasste Maßnahmen der Ressourcensteuerung umzuwandeln. Dieses vorgeschlagene Rahmenkonzept stellt einen Umsetzungsweg dar, der sich aus den Netzwerkergebnissen ableitet, und ist kein in der vorliegenden Studie direkt evaluiertes Interventionsszenario.

Die in dieser Studie identifizierten unterschiedlichen Resistenzentwicklungen haben tiefgreifende klinische Auswirkungen. Der dramatische Rückgang von MRSA (48,8 % → 25,8 %; β = –2,43 % pro Jahr, p < 0,001) zeigt, dass koordinierte nationale Maßnahmen – einschließlich obligatorischer Surveillance, Kampagnen zur Händehygiene und zum verantwortungsvollen Einsatz von Antimykotika – wirksam gegen resistente Erreger vorgehen können²².

Die unterschiedlichen Entwicklungen spiegeln wahrscheinlich Unterschiede zwischen Krankheitserregern hinsichtlich des antimikrobiellen Selektionsdrucks, der Resistenzmechanismen, der ökologischen Persistenz, der Übertragungsdynamik und der Empfänglichkeit gegenüber Infektionskontrollmaßnahmen wider. Der Rückgang von MRSA könnte mit der umfassenderen Einführung von Überwachungs- und Infektionskontrollprogrammen verbunden sein, während die anhaltend hohe oder steigende Resistenz bei CRKP und CRAB auf die fortgesetzte Verbreitung von Carbapenem-Resistenzdeterminanten und die Schwierigkeit, multiresistente gramnegative Erreger zu kontrollieren, zurückzuführen sein mag. Die geringfügige Abnahme von CRPA zeigt, dass sich Resistenzentwicklungen nicht auf alle carbapenemresistenten Krankheitserreger verallgemeinern lassen. Ebenso erfordert der Anstieg von VRE ausgehend von einem relativ niedrigen Ausgangsniveau eine fortlaufende Überwachung. Da diese Faktoren nicht direkt gemessen wurden, sollten sie als plausible Interpretationen und nicht als nachgewiesene kausale Mechanismen betrachtet werden.

In Übereinstimmung mit der Burst-Analyse blieben mcr-1 und Carbapenemase wichtige Forschungsthemen, was der anhaltenden Aufmerksamkeit für mobile Colistin-Resistenz und carbapenemresistente Organismen entspricht. Das Aufkommen antimikrobieller Peptide und der Phagentherapie deutet auf ein wachsendes Interesse an Alternativen zu herkömmlichen Antibiotika hin, während Ganzgenomsequenzierung, maschinelles Lernen und CRISPR eine zunehmende Beschäftigung mit genomischer Überwachung, Resistenzvorhersage und genzielgerichteten Ansätzen widerspiegeln. Neuere Studien haben zudem das Potenzial künstlicher Intelligenz in der AMR-Überwachung, der Identifizierung von Resistenzmarkern, der Biofilmanalyse, der Diagnostik und der Entdeckung antimikrobieller Wirkstoffe hervorgehoben^12,23,24,25.

Die Identifizierung dieser Begriffe als Forschungsschwerpunkte weist jedoch nicht auf klinische Anwendungsreife hin. Modelle des maschinellen Lernens erfordern standardisierte multizentrische Datensätze, externe und prospektive Validierung, Modellinterpretierbarkeit sowie die Integration in labor- und klinische Arbeitsabläufe. Die Phagentherapie steht vor Herausforderungen hinsichtlich Stamm-spezifität, konsistenter Herstellung, Qualitätskontrolle, Entwicklung von Resistenzen und regulatorischer Standardisierung, während CRISPR-basierte antibakterielle Strategien weiterhin durch geringe Abgabeeffizienz, Off-Target-Effekte, Biosicherheit und Anforderungen an die Eindämmung eingeschränkt sind. Die internationale Forschung legt zunehmend Wert auf multizentrische Validierung, standardisierte Herstellungsverfahren und regulatorische Zulassungswege; auch diese Aspekte sollten berücksichtigt werden, wenn die Übertragungsreife von in China durchgeführter Forschung bewertet wird. Da die vorliegende Studie keine quantitative Gegenüberstellung der klinischen Entwicklungsstadien im In- und Ausland vornimmt, bleibt diese Interpretation qualitativ.

Studien an unterschiedlichen klinischen Populationen und in verschiedenen Infektionssituationen zeigen erhebliche Unterschiede in der Verteilung von Krankheitserregern und in den Profilen der antimikrobiellen Resistenz^{26,27,28,29,30,31,32,33,34,35,36,37,38}. Insgesamt zeigen diese Berichte, dass Resistenzmuster von Patientenmerkmalen, Infektionslokalisationen, antimikrobieller Exposition und lokaler Epidemiologie beeinflusst werden. Karbapenemresistente gramnegative Erreger stellen weiterhin ein wiederkehrendes Problem in mehreren Settings dar, wobei die empirische Therapie auf der lokalen Surveillance und standardisierten Empfindlichkeitstestungen basieren sollte. Befunde zu Kombinationstherapien, Kombinationen aus β-Lactam und β-Lactamase-Inhibitoren, Tetracyclin-Derivaten und anderen alternativen Behandlungsansätzen liefern ebenfalls einen klinischen Kontext für die durch die Stichwort- und Burst-Analysen identifizierten therapeutischen Schwerpunkte^30,39.

In Übereinstimmung mit den Ergebnissen zu Schlüsselwörtern und Clustern bleibt die Biofilmbildung ein wichtiger phänotypischer Mechanismus, der zur antimikrobiellen Toleranz und zum therapeutischen Versagen beiträgt. Untersuchungen an Cutibacterium acnes verdeutlichen, wie strukturierte mikrobielle Gemeinschaften die Toleranz durch physikalische Barrieren und veränderte Mikroumgebungen erhöhen können⁴⁰. Nicht-kodierende RNAs haben sich zudem als mögliche Regulatoren der Resistenzgenexpression in Acinetobacter baumannii herauskristallisiert⁴¹. Parallel dazu haben neuartige β-Lactamase-Inhibitoren, Tetracyclin-Derivate und Kombinationstherapien die Forschung zu therapeutischen Optionen gegen carbapenemresistente Erreger erweitert⁴². Diese Entwicklungen sind weiterhin klinisch relevant angesichts der anhaltend hohen Resistenzniveaus von Klebsiella pneumoniae und Acinetobacter baumannii, die in nationalen Überwachungsdaten berichtet werden⁴³.

Die Perspektiven von Gesundheitsfachkräften bezüglich der antimikrobiellen Resistenz, insbesondere in spezialisierten Kontexten wie chronischen Atemwegserkrankungen, unterstreichen die entscheidende Bedeutung menschlichen Verhaltens für den Erfolg des Antibiotikamanagements⁴⁴. Darüber hinaus haben landesweite Analysen von Faktoren, die mit klinischer antimikrobieller Resistenz assoziiert sind, die Dichte des Antibiotikaverbrauchs als primären Treiber identifiziert und bestätigt, dass eine erhöhte Nutzung von Carbapenemen und Cephalosporinen der dritten Generation direkt mit zunehmender Resistenz bei Pseudomonas aeruginosa und anderen gramnegativen Krankheitserregern korreliert⁴⁵.

Mehrere Einschränkungen sollten berücksichtigt werden. Erstens könnten Unterschiede in der Datenbankabdeckung, Indexierungspraktiken, Feldstrukturen sowie in der chinesischen und englischen Fachterminologie zu einer Abrufverzerrung geführt und eine vollständige Abgleichung semantisch äquivalenter Datensätze verhindert haben. Die vorliegende Studie führte keine getrennte thematische Analyse der chinesisch- und englischsprachigen Korpora durch; daher konnten sprachspezifische Unterschiede in der Forschungsschwerpunktsetzung nicht quantitativ bewertet werden. Zweitens können bibliometrische Indikatoren die methodische Qualität oder das Verzerrungspotenzial einzelner Studien nicht direkt beurteilen, und zitationsbasierte Maße könnten älteren, besonders sichtbaren oder international indizierten Publikationen Vorteile verschaffen. Drittens könnte die Ausschluss von tierärztlichen und umweltbezogenen Studien ohne expliziten Bezug zur menschlichen Gesundheit sowie die begrenzte Berücksichtigung von Tagungsbeiträgen, institutionellen Berichten, Dissertationen und anderer grauer Literatur die breitere One-Health-Antibiotikaresistenz-(AMR-)Landschaft unterrepräsentieren, insbesondere Belege aus Gemeinschafts- und ländlichen Kontexten. Die Ausschluss systematischer Übersichtsarbeiten und Metaanalysen ohne neue Primärdatensätze könnte ebenfalls zur Unterrepräsentation des Beitrags der Evidenzsynthese zur Entstehung von Hotspots führen. Viertens könnten Verzögerungen bei der Veröffentlichung und Indexierung die Repräsentanz von Studien, die nahe dem Ende des Untersuchungszeitraums veröffentlicht wurden, verringert haben. Fünftens kann der Kleinberg-Burst-Erkennungsalgorithmus falsch-positive Signale erzeugen, wenn Schlüsselwörter kurzfristige oder sporadische zeitliche Schwankungen aufweisen. Außerdem wurde keine formale Sensitivitätsanalyse der CiteSpace-Parametereinstellungen durchgeführt; daher wurde die Robustheit der Netzwerk-, Cluster- und Burst-Ergebnisse unter alternativen CiteSpace-Parameterwahl nicht geprüft. Die fehlende formale Zusammenführung von Synonymen könnte semantisch äquivalente Schlüsselwörter fragmentiert und die Schätzwerte für Schlüsselwortfrequenz und Netzwerk beeinflusst haben. Da keine formale Analyse der Veröffentlichungen aus Ost-, Zentral- und Westchina durchgeführt wurde, konnten regionale Unterschiede im Publikationsaufkommen nicht quantitativ bewertet werden.

Zukünftige Studien sollten alternative Parameter für die Burst-Sensitivität und minimale Dauer-Schwellenwerte testen, transparente Synonymwörterbücher anwenden, Ergebnisse über unabhängige Datenbanken hinweg vergleichen und Burst-Signale mit jährlichen Schlüsselwortfrequenzen sowie einer Expertenüberprüfung verknüpfen. Eine gezielte Analyse der am häufigsten zitierten Top-Publikationen wurde nicht durchgeführt; zukünftige Studien könnten die Analyse von Meilenstein-Publikationen einbeziehen, um zeitliche Veränderungen in den Forschungsschwerpunkten zur AMR weiter zu charakterisieren und unabhängig zu validieren. Eine Dual-Map-Overlay-Analyse lag ebenfalls außerhalb des Rahmens der vorliegenden Studie und könnte in zukünftigen Arbeiten berücksichtigt werden, um Zitationspfade auf Zeitschriftenebene zu charakterisieren.

Die bibliometrischen Muster deuten darauf hin, dass die AMR-Forschung in China zunehmend von deskriptiver Überwachung hin zu mechanistischen Untersuchungen und der Entwicklung innovativer Interventionen übergeht. Während bei der Bekämpfung von MRSA durch umfassendes Stewardship erhebliche Fortschritte erzielt wurden, stellen karbapenemresistente gramnegative Erreger weiterhin eine kritische Bedrohung dar, die dringend Beachtung erfordert. Die Entwicklung von KI-gestützten Vorhersagemodellen, der Phagentherapie und CRISPR-basierten Interventionen könnte zukünftig neue Ansatzpunkte zur Bewältigung der AMR bieten, obwohl deren Übersetzung von der Laborforschung in die klinische Praxis nach wie vor herausfordernd bleibt. Die Ergebnisse unterstreichen die Notwendigkeit einer fortgesetzten Überwachung, einer stärkeren Zusammenarbeit zwischen den Regionen sowie einer nachhaltigen Forschung sowohl in Bezug auf konventionelle Antibiotika als auch auf neuartige therapeutische Strategien.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
CiteSpace	Drexel University, Philadelphia, PA, USA	version 6.4.R1	Zur Durchführung einer umfassenden bibliometrischen Analyse, einschließlich der Analyse gemeinsamer Autorschaften, der Analyse des gemeinsamen Auftretens von Schlüsselwörtern, der Clusteranalyse und der Erkennung von Zitationsausbrüchen.
China National Knowledge Infrastructure (CNKI)	China National Knowledge Infrastructure	Nicht zutreffend	Zur Zusammenstellung von Forschungsartikeln aus chinesischen inländischen Quellen.
R	R software	version 4.3.2
Web of Science Core Collection (SCI-E)	Web of Science	Nicht zutreffend	Zur systematischen Suche und Gewinnung internationaler Fachliteratur.