Artículo de investigación

Mapeando el panorama del conocimiento sobre trastornos musculares en la artritis reumatoide: un estudio bibliométrico y bioinformático

199 vistas

⸱

DOI:

10.3791/70373

⸱

21 de abril de 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

En este artículo

Resumen

Este estudio emplea análisis bibliométricos para delimitar el panorama actual de investigación sobre trastornos musculares asociados a la artritis reumatoide y, además, emplea enfoques bioinformáticos para investigar genes compartidos y vías enriquecidas entre la artritis reumatoide y la miositis.

Resumen

Este estudio realizó un análisis bibliométrico de publicaciones relacionadas con la comorbilidad entre la artritis reumatoide (AR) y los trastornos musculares, obtenidas de la base de datos Web of Science Core Collection entre el 1 de enero de 2015 y el 31 de diciembre de 2024. Al examinar las características clave de los artículos publicados, el estudio buscó identificar puntos críticos globales de investigación en este campo. Utilizando herramientas como VOSviewer, CiteSpace, Scimago Graphic y Excel, se realizó un análisis visual del panorama de investigación. El análisis reveló que la producción anual de publicaciones en este ámbito mostraba una fluctuación cíclica. Estados Unidos lideró en total de publicaciones, seguido por China. Las instituciones editoriales formaron redes regionales de colaboración con efectos radiativos significativos. El Instituto Karolinska y el Hospital Universitario Karolinska en Suecia ocuparon el primer y segundo lugar, con 50 y 30 publicaciones, respectivamente. En cuanto a temas específicos de investigación, el análisis de conglomerados de palabras clave identificó 12 grupos temáticos, incluyendo miositis, factor de necrosis tumoral y metabolismo. Dado que la miositis es un punto crítico de investigación dentro de la comorbilidad de la AR y los trastornos musculares, empleamos además GeneCards para analizar la correlación entre la AR y la miositis en términos de expresión génica y vías, presentando los resultados gráficamente. El cribado GeneCards identificó 359 genes compartidos. El análisis de redes de interacción proteína-proteína reveló que genes como TNF, IL6 e IFNG ocupan posiciones centrales. El análisis de enriquecimiento de KEGG indicó que las vías de señalización TNF, JAK-STAT e IL-17 desempeñan un papel crítico.

Introducción

La artritis reumatoide (AR) es un trastorno inflamatorio autoinmune crónico caracterizado por una afectación simétrica de las articulaciones, con una prevalencia global de aproximadamente 0,5–1%. El mecanismo patológico central de la AR implica una activación aberrante del sistema inmunitario, lo que conduce a una inflamación persistente de la membrana sinovial y una cascada de cambios patológicos articulares 3,4,5. Aunque la sinovia representa el objetivo principal de la AR, la enfermedad suele ir acompañada de diversas manifestaciones sistémicas, incluyendo enfermedades cardiovasculares, osteoporosis y trastornos musculares 6,7,8,9. Entre ellas, las alteraciones musculares relacionadas con la AR, como la atrofia muscular, la reducción de la fuerza muscular y la miositis, han surgido gradualmente como un punto de referencia de investigación en los últimos años. Estas complicaciones no solo agravan el deterioro funcional y disminuyen la calidad de vida, sino que también influyen en el pronóstico de la enfermedad y la respuesta altratamiento 10,11,12,13. Aunque los trastornos musculares son clínicamente prevalentes entre los pacientes con AR, las condiciones específicas del punto crítico siguen sin estar claras, y los mecanismos moleculares comórbidos subyacentes aún no han sido esclarecidos sistemáticamente. Además, las tendencias globales de investigación y la estructura del conocimiento en este campo justifican una investigación sistemática adicional14.

En la última década, se han logrado avances significativos en la investigación sobre trastornos musculares relacionados con la AR, impulsados por los avances en terapias biológicas, tratamientos dirigidos y medicina derehabilitación 15,16,17. Sin embargo, aún falta un análisis exhaustivo del cambio de enfoque de la investigación, las redes colaborativas y la evolución de los temas centrales dentro de la comunidad académica. La bibliometría, un método cuantitativo para analizar literatura académica, puede revelar tendencias de investigación, contribuciones de países e instituciones, puntos críticos de palabras clave y dinámicas interdisciplinarias dentro de un campoespecífico 18. Las técnicas de visualización, como las redes de co-ocurrencia y el análisis de agrupamientos, ofrecen además perspectivas intuitivas sobre la evolución de las estructuras de conocimiento. El análisis bioinformático permite una minería profunda de datos biológicos para revelar una posible patogénesis de la enfermedad y vías regulatorias clave a nivel molecular. La integración de estos dos enfoques facilita la construcción de un marco de investigación integral, que abarca desde mapas de conocimiento macroscópicos hasta redes moleculares microscópicas, proporcionando así nuevas perspectivas multidimensionales para comprender la patogénesis de los trastornos musculares asociados a la AR e identificar posibles objetivos de intervención.

Basado en la base de datos Web of Science, este estudio emplea herramientas bibliométricas como VOSviewer, CiteSpace, Scimago Graphic y Excel para analizar sistemáticamente el volumen anual de publicaciones, las contribuciones nacionales e institucionales, la co-ocurrencia de palabras clave y las tendencias temáticas emergentes en el campo de la AR asociadas a trastornos musculares. Además, la base de datos GeneCards se empleó para analizar genes compartidos y vías enriquecidas asociadas tanto con miositis como con AR. Los hallazgos buscan aportar nuevas perspectivas sobre la exploración mecanicista, la intervención clínica y la colaboración interdisciplinar en torno a trastornos musculares asociados con la AR.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

El flujo de trabajo general de este estudio se ilustra en la Figura 1, que describe los pasos secuenciales de búsqueda bibliográfica, análisis bibliométrico, identificación de genes compartidos, construcción de la red de interacción proteína-proteína y análisis de enriquecimiento de vías.

Estrategia de búsqueda bibliográfica
La búsqueda bibliográfica se realizó el 22 de junio de 2025 en la base de datos19 de la Colección Central de Web of Science (WOS). La búsqueda se limitó al Science Citation Index Expanded (SCI-Expanded) y al Social Sciences Citation Index (SSCI), que cubren publicaciones desde el 1 de enero de 2015 hasta el 31 de diciembre de 2024. Los términos específicos de búsqueda y el número correspondiente de resultados se proporcionan en la Tabla 1. Tras la búsqueda inicial, se excluyeron tipos de documentos como resúmenes de reuniones, ponencias de congresos, materiales editoriales, capítulos de libros y publicaciones retractadas. Posteriormente, solo se conservaron los registros en inglés y de los tipos "Artículo" o "Artículo de Revisión" para un análisis posterior.

Análisis bibliométrico
El análisis y visualización bibliométricos requieren el soporte de herramientas de software específicas, cuyos detalles se proporcionan en la Tabla de Materiales. Este estudio tiene como objetivo construir un mapa de conocimiento del campo de investigación interdisciplinar que conecta la miositis y la artritis reumatoide. El ámbito analítico abarca el análisis de tendencias de publicación durante la última década, patrones de colaboración internacional y redes colaborativas, influencia académica entre instituciones/revistas/autores, palabras clave clave que reflejan puntos críticos de investigación y análisis de redes de citas.

Los datos de recuento anual de publicaciones se exportaron primero desde la base de datos Web of Science y se utilizaron para generar gráficos estadísticos que ilustraban las tendencias de publicación. Los datos de la literatura recuperados se importaron luego al software VOSviewer para su análisis: dentro del módulo "Coautoría", se seleccionaron secuencialmente las opciones para "Autores", "Organizaciones" y "Países" para generar redes de colaboración con autores, redes institucionales y redes de colaboración por países, respectivamente; dentro del módulo "Citación", se seleccionó la opción "Fuentes" para crear redes de colaboración con revistas; dentro del módulo "Co-citación", se eligieron "Fuentes Citadas" y "Autores Citados" para obtener redes de colaboración entre revistas citadas y redes de colaboración con autores citados. Para visualizar de forma más intuitiva las relaciones colaborativas internacionales, la red de colaboración nacional fue optimizada estéticamente aún más utilizando el software Scimago Graphica para mejorar la claridad visual y lainterpretabilidad 20.

El análisis de puntos críticos de palabras clave y términos temáticos interdisciplinares se realizó utilizando el softwareCiteSpace 21. El algoritmo Pathfinder fue seleccionado para la poda de la red, con el periodo de tiempo establecido desde enero de 2015 hasta diciembre de 2024, dividido en franjas mensuales. El tipo de nodo se configuró como "Palabra clave", lo que proporcionaba un mapa de clústeres de investigación basado en palabras clave, términos temáticos representativos para cada clúster y las 20 palabras clave de puntos calientes más frecuentes. El análisis de redes de citas seguía un flujo de trabajo procedimental similar, requiriendo únicamente la modificación del tipo de nodo a "Cited Reference" para realizar el análisis correspondiente.

Identificación de genes compartidos
Según el análisis bibliométrico, la palabra clave "miositis" mostró una relevancia significativa en el ámbito interdisciplinar de la patología muscular y la artritis reumatoide. Por ello, este estudio seleccionó miositis y artritis reumatoide como sujetos de investigación para realizar análisis génicos superpuestos. El procedimiento específico fue el siguiente: Primero, se recuperaron los genes objetivo asociados a miositis y artritis reumatoide de la basede datos GeneCards 22. Para garantizar la exhaustividad del análisis, este estudio no estableció un umbral de puntuación de relevancia e incluyó todos los genes reportados asociados a las enfermedades, construyendo así dos conjuntos génicos correspondientes. Al comparar estos dos conjuntos, se identificaron genes superpuestos. Estos genes superpuestos fueron finalmente definidos como "genes relacionados con comorbilidades AR-Miositis" y sirvieron como el conjunto de datos central para análisis posteriores.

Construcción de redes de interacción proteína-proteína (PPI)
Utilizando la función de consulta "Multiple proteins" en la base de datos STRING, enviamos la lista "Genes relacionados con comorbilidades con MIOSITIS AR (AR miositis) para el análisis23. El organismo se estableció en "Homo sapiens" con un umbral mínimo requerido de puntuación de interacción de ≥0,700 (confianza media). Los datos resultantes de la red de interacción proteína-proteína se importaron luego a Cytoscape para su visualización. Personalizando las formas y colores de los nodos a través del panel STYLE, se generó un diagrama de red de interacción proteína-proteína claramente visualizado.

Análisis de enriquecimiento de vías
El flujo de trabajo específico para el análisis de enriquecimiento de vías se desarrolló de la siguiente manera. Primero, se realizó el análisis de enriquecimiento de vías de la Enciclopedia de Genes y Genomas de Kyoto (KEGG) sobre el conjunto de genes compartido utilizando el paquete clusterProfiler en el softwareR 24. La significación estadística se evaluó mediante la prueba hipergeométrica y los valores p se ajustaron para múltiples pruebas utilizando el método de Benjamini-Hochberg para controlar la tasa de falsos descubrimientos. Se consideraron enriquecidas significativamente las vías con un valor p ajustado < 0,05 y se conservaron para análisis posteriores. Las vías relacionadas con enfermedades humanas específicas o procesos metabólicos generales se excluyeron manualmente para centrar el análisis en los mecanismos centrales de señalización. Las vías filtradas y sus genes asociados fueron posteriormente importados al software Cytoscape para construir una redde interacción 25. Se aplicó el algoritmo "yFiles Organic Layout" para generar una estructura jerárquica clara. Los atributos visuales se optimizaron aún más en el panel STYLE: la intensidad del color del nodo se asignó a la significación de enriquecimiento, el tamaño del nodo se ponderó por el número de genes centrales en cada vía, y el grosor de los bordes se ponderó por el coeficiente de similitud de Jaccard entre vías para reflejar el grado de solapamiento génico. Finalmente, se obtuvo una red de interacción de vías KEGG para un análisis exhaustivo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Número anual de publicaciones
Una búsqueda en la base de datos de WOS reveló que en la última década se han publicado un total de 1.352 artículos de investigación sobre AR y estudios relacionados con músculos. Tras la selección para excluir tipos de documentos, incluyendo resúmenes de reuniones, ponencias de congresos, materiales editoriales, capítulos de libros y publicaciones retractadas, solo se conservaron los Artículos y Artículos de Revisión, resultando en 1.274...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

El análisis bibliométrico revela una evolución por fases distinta del enfoque de investigación en este campo: mientras que los primeros estudios se centraron principalmente en la exploración fundamental de los mecanismos de inflamación articular, el enfoque se ha desplazado progresivamente hacia líneas de investigación integrales que abarcan el establecimiento de sistemas de evaluación clínica, la elucidación de vías moleculares y el desarrollo de estrategias de intervención dirigidas pa...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen conflictos de interés que declarar.

Agradecimientos

Este estudio fue financiado por la Fundación Nacional de Ciencias Naturales de China (Subvención nº 81704050).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
CiteSpaceUniversidad Drexelhttps://citespace.podia.comAgrupación de palabras clave, detección de ráfagas y análisis de co-citas de referencias
clusterProfilerPaquete R / Bioconductorhttps://bioconductor.org/packages/clusterProfilerAnálisis de enriquecimiento de vías KEGG
CytoscapeInstituto Nacional de Ciencias Médicas Generales (NIGMS)https://cytoscape.orgVisualización de redes PPI y redes de interacción de vías KEGG
ExcelMicrosoft Corporationhttps://www.microsoft.com/excelOrganización de datos, gráficos estadísticos y análisis de tendencias de publicaciones anuales
GeneCardsInstituto Weizmann de Cienciashttps://www.genecards.orgExtracción de genes objetivo para artritis reumatoide y miositis
R SoftwareLa Fundación Rhttps://www.r-project.orgComputación estadística, análisis de datos y generación de gráficos de enriquecimiento
Scimago GraphicaLaboratorio Scimagohttps://www.graphica.appVisualización y optimización estética de redes de colaboración entre países
STRINGInstituto Suizo de Bioinformática (SIB) y otros.https://string-db.orgConstrucción de redes de interacción proteína-proteína (PPI)
VOSviewerUniversidad de Leidenhttps://www.vosviewer.comConstrucción de redes de colaboración (autores, instituciones, países) y análisis de co-citas de revistas

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

An lisis bibliom tricomiositisse alizaci n de TNFv a JAK STATv a de la IL 17red de interacci n proteicaexpresi n g nica

Artículos relacionados