Análisis bibliométrico visual de los puntos críticos y las tendencias de investigación sobre la resistencia antimicrobiana en China

Resumen

Este análisis bibliométrico traza las tendencias de investigación sobre resistencia a antimicrobianos y los focos emergentes en China desde 2016 hasta 2025 utilizando CiteSpace. Los resultados destacan una creciente atención hacia terapias novedosas y enfoques basados en tecnologías, junto con tendencias contrastantes en la resistencia de MRSA y CRKP, enfatizando la necesidad de vigilancia continua y un uso antimicrobiano dirigido y responsable.

Resumen

Para analizar sistemáticamente el panorama de investigación sobre resistencia a antimicrobianos (RAM) en China desde 2016 hasta 2025, identificar focos de actividad y detectar tendencias emergentes mediante técnicas de visualización bibliométrica, compilamos 3.096 publicaciones provenientes de la Colección Principal de Web of Science (incluyendo el Índice de Citas de Ciencia Expandido, SCI-E) y de la Infraestructura Nacional del Conocimiento de China (CNKI). Mediante CiteSpace, realizamos análisis de redes de coautoría, mapas de coocurrencia de palabras clave y análisis de conglomerados empleando el algoritmo de Razón de Verosimilitud Logarítmica (LLR). La detección de ráfagas mediante el algoritmo de Kleinberg identificó las fronteras de investigación, mientras que la modularidad Q (>0,3) y las métricas de silueta validaron la calidad estructural de la red. Aumentó de 357 en 2016 a 365 en 2022, con un crecimiento acelerado tras el período 2019–2022. Surgieron seis grupos principales de investigación con validez estructural significativa (modularidad Q = 0,8108). El análisis de ráfagas identificó la resistencia movilizada a la colistina-1 (mcr-1, resistencia máxima 9,12) y carbapenemasa (8,52) como las señales emergentes más fuertes. La vigilancia de resistencia reveló tendencias divergentes: carbapenémicos resistentes Klebsiella pneumoniae aumentó alarmantemente del 5,6 % al 20,0 %, mientras que el Staphylococcus aureus resistente a la meticilina disminuyó del 48,8 % al 25,8 %. El análisis de la red de autores reveló una estructura altamente centralizada con una colaboración interregional limitada. Se observó un surgimiento significativo de terapias novedosas, incluyendo péptidos antimicrobianos, terapia con fagos y aplicaciones de aprendizaje automático. En conjunto, los patrones bibliométricos sugieren que la investigación sobre resistencia a antimicrobianos en China ha evolucionado desde una vigilancia descriptiva hacia investigaciones mecanicistas y un creciente enfoque en intervenciones innovadoras. La disminución contrastante del Staphylococcus aureus resistente a la meticilina Staphylococcus aureus y el aumento de patógenos resistentes a carbapenémicos subrayan la necesidad de una vigilancia nacional continuada, una colaboración interregional más estrecha, una gestión dirigida de los antimicrobianos y una traducción cautelosa de las tecnologías emergentes a la práctica clínica.

Introducción

La resistencia a los antimicrobianos (RAM) representa una amenaza crítica para la salud pública mundial, siendo identificada por la Organización Mundial de la Salud como una de las diez principales amenazas para la humanidad¹. La carga económica de la RAM es considerable, con proyecciones que sugieren que para 2050, las infecciones resistentes podrían causar 10 millones de muertes anuales en todo el mundo si las tendencias actuales continúan². Los mecanismos fundamentales de la resistencia a los antimicrobianos en bacterias implican complejas adaptaciones genéticas y fenotípicas, incluyendo la modificación enzimática de fármacos, alteraciones en los sitios diana, sobreexpresión de bombas de eflujo y formación de biopelículas, que en conjunto amenazan la eficacia del arsenal terapéutico existente³. Evaluaciones globales recientes han subrayado aún más la magnitud de este desafío, reconociéndose actualmente la resistencia a los antimicrobianos como un fenómeno ecológico complejo que requiere acciones coordinadas en los sectores de la salud humana, la agricultura animal y el medio ambiente⁴. La RAM también tiene implicaciones más amplias para el desarrollo sostenible, incluyendo objetivos ambientales y socioeconómicos⁵. El desafío es particularmente agudo en la lucha contra la resistencia en la malaria, el VIH y la tuberculosis, donde cepas multirresistentes amenazan décadas de progreso en el control de enfermedades infecciosas⁶. Análisis históricos de la epidemiología de la RAM en China han documentado características distintivas en comparación con poblaciones occidentales, incluyendo perfiles únicos de genes de resistencia y dinámicas de transmisión moldeadas por las prácticas sanitarias y los patrones de consumo de antibióticos⁷.

China, con su gran población y elevado consumo de antibióticos, enfrenta desafíos particularmente graves de resistencia a antimicrobianos (RAM). El uso per cápita de antibióticos en China sigue siendo significativamente más alto que en muchos países europeos, lo que genera una presión selectiva que impulsa el desarrollo de resistencia⁸. Reconociendo la gravedad de esta crisis, el gobierno chino ha implementado el Plan Nacional de Acción para Contener la Resistencia a los Antimicrobianos (2016–2020, 2022–2025) y ha establecido el Sistema de Vigilancia de la Resistencia a los Antimicrobianos en China (CARSS, por sus siglas en inglés) para monitorear los patrones de resistencia a nivel nacional⁹. Desde una perspectiva regional, el sudeste asiático ha surgido como un foco crítico para la investigación y diseminación de la RAM, con análisis bibliométricos que revelan un crecimiento rápido en la producción científica paralelo a la trayectoria de China¹⁰. Las tendencias y proyecciones mundiales sugieren que, sin intervenciones decisivas, la carga de mortalidad por RAM afectará de manera desproporcionada a los países de ingresos medios, con algunas estimaciones que indican que la región de Asia-Pacífico podría representar casi la mitad de todas las muertes relacionadas con la resistencia hacia mediados de siglo¹¹. Estas previsiones alarmantes han impulsado compromisos internacionales con el uso prudente de antimicrobianos, aunque persisten brechas entre la formulación de políticas y la práctica clínica en todo el mundo¹². Estas iniciativas han generado datos extensos sobre epidemiología de la resistencia, mecanismos moleculares y resultados clínicos, proporcionando una fuente rica para el análisis bibliométrico. Por lo tanto, los marcos recientes de Una Sola Salud enfatizan intervenciones coordinadas entre los sectores de salud humana, salud animal, agricultura y medio ambiente, respaldadas por el uso prudente de antimicrobianos y tecnologías de diagnóstico rápido¹³.

El análisis bibliométrico, que utiliza métodos matemáticos y estadísticos para analizar cuantitativamente la literatura publicada, permite a los investigadores descubrir puntos destacados de investigación, rastrear trayectorias evolutivas y predecir direcciones futuras¹⁴. Herramientas de visualización como CiteSpace transforman datos complejos de citas en mapas de conocimiento intuitivos, revelando patrones ocultos en la literatura científica¹⁵. Estudios bibliométricos previos han trazado las tendencias de investigación en dominios específicos de la RAM, incluyendo la investigación global sobre resistencia a antifúngicos¹⁶. Sin embargo, sigue siendo limitado el análisis bibliométrico integral que integre investigaciones en idioma chino e inglés sobre la RAM en China. A diferencia de análisis bibliométricos previos centrados en dominios específicos de la RAM, el presente estudio integra registros en chino de la base de datos CNKI y registros en inglés de Web of Science, y contextualiza por separado los hallazgos bibliométricos utilizando las tendencias nacionales de vigilancia del CARSS. Este estudio tiene como objetivo proporcionar un análisis bibliométrico sistemático de la investigación sobre RAM en China desde 2016 hasta 2025, utilizando el software CiteSpace para generar mapas de conocimiento y ofrecer recomendaciones basadas en evidencia para prioridades futuras de investigación y desarrollo de políticas. Este diseño combinado ofrece una visión bilingüe del panorama investigador, al tiempo que permite interpretar las tendencias bibliométricas junto a los datos nacionales de vigilancia de resistencia, aunque de forma independiente.

Protocolo

Fuentes de datos

Se realizó una búsqueda exhaustiva de la literatura en bases de datos tanto internacionales como nacionales para garantizar una cobertura global de la investigación sobre resistencia a antimicrobianos (RAM) relacionada con China. Para la literatura internacional, se realizó una búsqueda sistemática en la Colección Web of Science (incluyendo el Índice de Citas de Ciencia Expandido, SCI-E) y en la Infraestructura Nacional del Conocimiento Científico de China (CNKI), desde el 1 de enero de 2016 hasta el 31 de diciembre de 2025. Consulta booleana exacta para SCI-E: TS = ((“antimicrobial resistance” OR “antibiotic resistance” OR “drug resistance”) AND (“China” OR “Chinese” OR “Mainland China”)). En CNKI, se buscó en el campo de Asunto utilizando los equivalentes en chino de “resistencia a antibióticos”, “resistencia a antimicrobianos” y “resistencia a fármacos”, combinados con “China”. No se realizó ninguna combinación formal de sinónimos de palabras clave ni preprocesamiento basado en tesauros antes del análisis en CiteSpace. La búsqueda final se llevó a cabo el 28 de abril de 2026, para permitir tiempo suficiente para que las publicaciones emitidas hasta el 31 de diciembre de 2025 fueran indexadas en las bases de datos. El filtro de año de publicación en las bases de datos se limitó al período 2016–2025. Durante la selección, se verificaron adicionalmente los registros etiquetados como Acceso Anticipado, y se excluyeron del análisis los artículos con fecha de primera publicación en línea en 2026. Las etiquetas de palabras clave se verificaron frente al resultado original de CiteSpace para asegurar una terminología coherente en el texto, tablas y figuras.

Para la búsqueda en CNKI, se recuperaron 983 registros de las revistas principales de la Universidad de Pekín (PKU Core), 802 de la Base de Datos de Citas Científicas Chinas (CSCD) y 462 del Índice Mundial de Prestigio de Revistas (WJCI). Dado que un solo artículo puede estar indexado en más de una de estas categorías, estos números representan registros de recuperación específicos por categoría y no son recuentos de publicaciones mutuamente excluyentes. Por lo tanto, los tres conjuntos de registros se fusionaron antes del cribado de elegibilidad. Las entradas duplicadas se identificaron primero mediante coincidencia exacta del DOI. Para los registros sin DOI, se compararon los títulos normalizados de los artículos junto con el nombre del primer autor y el año de publicación. Los registros con metadatos incompletos o inconsistentes se revisaron manualmente. Cuando el mismo artículo aparecía en dos o más categorías de indexación de CNKI, se conservaba solo una vez en el conjunto de datos combinado de CNKI, independientemente del número de categorías en las que estuviera indexado. Tras la desduplicación dentro de CNKI y el cribado de elegibilidad, se conservaron 1.096 artículos únicos en idioma chino. No se aplicó ningún umbral de factor de impacto de revista, ya que el propósito de este estudio era caracterizar el panorama general de la investigación sobre resistencia a antimicrobianos (AMR), en lugar de restringir el corpus según el prestigio de la revista. No se realizó una evaluación formal de la calidad metodológica ni del riesgo de sesgo de las publicaciones individuales, porque el objetivo de este estudio era caracterizar el panorama bibliométrico general, y no evaluar la calidad metodológica a nivel de estudio.

En total, se identificaron 5.286 registros en SCI-E y CNKI inicialmente. Posteriormente, se aplicaron los mismos criterios basados en DOI, título, autor y año para identificar posibles superposiciones entre los conjuntos de datos de CNKI y Web of Science. Un total de 2.190 registros fueron eliminados durante la deduplicación combinada y la evaluación de elegibilidad, quedando 3.096 publicaciones para el análisis. El proceso completo de identificación, selección y exclusión de la literatura se presenta en la Figura Suplementaria 1.

Los criterios de inclusión fueron: estudios centrados en la resistencia bacteriana a los antimicrobianos en China; artículos que informaran tasas de resistencia, epidemiología molecular, resultados clínicos o estrategias de intervención; y publicaciones entre el 1 de enero de 2016 y el 31 de diciembre de 2025. Se excluyeron registros duplicados, publicaciones de 2026, revisiones o metaanálisis sin conjuntos de datos originales, y estudios limitados a la resistencia a antimicrobianos en veterinaria o en el medio ambiente que no incluyeran un componente relacionado con la salud humana. Se excluyeron revisiones y metaanálisis sin nuevos conjuntos de datos primarios porque el análisis fue diseñado para caracterizar la producción de investigación original. Restringir el corpus a investigaciones originales mejora la comparabilidad de los indicadores bibliométricos, incluidos los recuentos de publicaciones, patrones de coautoría, frecuencias de palabras clave y medidas relacionadas con las citas, ya que los artículos de síntesis de evidencia agrupan estudios previos y pueden tener perfiles de citas y palabras clave sustancialmente diferentes. Tras eliminar duplicados entre bases de datos y revisar títulos y resúmenes, se incluyeron un total de 3.096 publicaciones para el análisis bibliométrico, compuestas por 1.096 artículos en chino (35,4 %) y 2.000 publicaciones en inglés (64,6 %).

Métodos analíticos

Se utilizó CiteSpace (Drexel University, Philadelphia, PA, USA)¹⁷ para el análisis bibliométrico. El período abarcó de 2016 a 2025 con una duración de corte de 1 año. Los tipos de nodos se seleccionaron por separado para los análisis de autor, institución y palabras clave. La selección de nodos empleó el índice g con k = 10; la configuración mostrada también utilizó LRF = 2.5, L/N = 10, LBY = 5 y e = 1.0. Se aplicó la poda mediante Pathfinder a las redes de autores, palabras clave y clústeres para reducir enlaces redundantes manteniendo la estructura principal de la red. Se eligió un corte temporal de 1 año para preservar los cambios anuales dentro de la ventana de estudio de 10 años.

Se utilizaron cuatro módulos analíticos principales: análisis de coautoría para mapear las redes de colaboración entre autores e instituciones; análisis de coocurrencia de palabras clave para identificar temas de investigación y sus relaciones; análisis de conglomerados mediante el algoritmo de Razón de Verosimilitud Logarítmica (LLR) para extraer conglomerados temáticos con etiquetado automático; y detección de ráfagas mediante el algoritmo de Kleinberg para identificar tendencias emergentes y fronteras de investigación. Se emplearon métricas de red, incluyendo la modularidad Q y el silueta media S, para evaluar la calidad de los conglomerados. Un valor de modularidad Q mayor a 0,3 indica una estructura comunitaria significativa, mientras que un valor de silueta media mayor a 0,7 indica una alta coherencia interna dentro del conglomerado y una asignación confiable de los mismos¹⁸.

Análisis estadístico de las tendencias de resistencia

Las tendencias de las tasas de resistencia para los principales patógenos se derivaron de los informes anuales del Sistema Chino de Vigilancia de la Resistencia a los Antimicrobianos (CARSS) (2016–2025), que agrupan datos procedentes de hospitales centinela participantes de todo el país. Estos datos de vigilancia se analizaron independientemente del corpus bibliométrico y no se extrajeron, combinaron ni incluyeron entre las 3.096 publicaciones de Web of Science y CNKI utilizadas para los análisis con CiteSpace.

Para cada combinación patógeno–antimicrobiano, extraímos la tasa anual de resistencia (porcentaje de aislamientos no duplicados resistentes al agente especificado), el número total de aislamientos analizados (denominador) y el número de hospitales centinela que aportaron datos. Las pruebas de sensibilidad se realizaron mediante métodos estandarizados de microdilución en caldo o difusión con disco, con interpretaciones basadas en las guías del Instituto de Estándares Clínicos y de Laboratorio (CLSI) (documentos M100, ediciones 2016–2025).

Para evaluar las tendencias temporales, realizamos un análisis de regresión lineal con la tasa de resistencia como variable dependiente y el año como variable independiente, cubriendo el período completo de 10 años (2016–2025). Se calcularon la pendiente de regresión (β) y el coeficiente de determinación (R²) para cada par patógeno–antimicrobiano. Para tener en cuenta posibles cambios en la cobertura de vigilancia (por ejemplo, la expansión de 1.398 hospitales en 2016 a 2.349 hospitales en 2025), también realizamos análisis de sensibilidad ponderando la tasa de resistencia de cada año por el inverso del número de hospitales participantes y por la distribución geográfica de los sitios notificadores. Estos modelos ponderados arrojaron direcciones de tendencia y niveles de significancia consistentes con los análisis no ponderados; por lo tanto, se presentan los resultados no ponderados por simplicidad e interpretabilidad. Todos los análisis estadísticos se realizaron utilizando R versión 4.3.2 (R Foundation for Statistical Computing, Viena, Austria). Se consideró estadísticamente significativo un valor p bilateral <0,05.

Resultados

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.

Discusión

Los patrones bibliométricos sugieren que la investigación sobre la resistencia a los antimicrobianos (RAM) en China se amplió gradualmente desde la vigilancia descriptiva y la caracterización de patógenos hacia mecanismos de resistencia, enfoques genómicos e investigaciones orientadas a intervenciones. Los grupos de palabras clave superpuestas y los períodos de auge indican una diversificación temática acumulativa, más que tres etapas discretas y mutuamente excluyentes. La cronología de estos cambios coincide con los Planes Nacionales de Acción para Contener la Resistencia a los Antimicrobianos para 2016–2020 y 2022–2025, lo cual proporciona un contexto político pertinente; sin embargo, el presente análisis bibliométrico no puede establecer que la publicación de estas políticas haya causado los cambios observados en los temas de publicaciones. El aumento en el número de publicaciones refleja tanto la creciente gravedad (2019–2021) de la crisis de RAM como el mayor compromiso gubernamental e institucional para abordar este desafío. Por consiguiente, la evolución propuesta de los temas de investigación debe interpretarse de manera descriptiva y no fue validada independientemente mediante análisis de artículos clave o de artículos altamente citados específicos de cada etapa. Al situarla en un contexto global, la trayectoria de la producción científica de China se alinea con patrones más amplios observados en economías emergentes, donde el volumen de publicaciones sobre RAM ha crecido exponencialmente en respuesta al aumento de la carga de resistencia²¹.

La disminución en la producción de publicaciones tras el pico de 2022 coincidió con el período de implementación del segundo Plan Nacional de Acción para Contener la Resistencia a los Antimicrobianos (2022–2025), mientras que la expansión anterior siguió al primer plan de acción (2016–2020). Esta correspondencia temporal podría reflejar cambios en las prioridades de investigación, la asignación de fondos y los patrones de publicación a lo largo de las sucesivas fases de políticas, más que una simple reducción en la actividad de investigación sobre resistencia a los antimicrobianos. Sin embargo, el retraso en las publicaciones y su indexación, la cobertura de las bases de datos y los criterios de elegibilidad del estudio también podrían haber contribuido a la disminución aparente, particularmente en los años más recientes. Por lo tanto, el presente análisis bibliométrico no puede establecer una relación causal entre el plan nacional de acción y la producción de publicaciones.

El análisis de la red colaborativa revela una estructura altamente centralizada, con Wang Juan, Yue, Min y la Universidad de Zhejiang como centros clave que conectan centros regionales de investigación. Sin embargo, la colaboración limitada entre regiones (densidad de la red = 0,0137) sugiere que la baja densidad de la red de colaboración se debe a una conectividad reducida entre los grupos de investigación; no obstante, no se realizó un análisis formal de publicaciones por regiones Este/Centro/Oeste. Un marco factible de colaboración interregional podría utilizar CARSS como la base nacional de vigilancia y coordinación de datos, consorcios médicos regionales como unidades para armonizar la recolección de muestras, los procedimientos de pruebas de susceptibilidad y la validación clínica multicéntrica, y plataformas universitarias de investigación como centros para la secuenciación genómica, bioinformática y desarrollo metodológico. Diccionarios de datos compartidos, conjuntos de datos interoperables desidentificados, evaluaciones comparativas interregionales periódicas y proyectos conjuntos de alerta temprana podrían ayudar a traducir las señales de vigilancia en prioridades de investigación y acciones locales de gestión adaptadas. Este marco propuesto representa una vía de implementación derivada de los hallazgos de la red, y no una intervención evaluada directamente en el presente estudio.

Las tendencias divergentes de resistencia identificadas en este estudio tienen profundas implicaciones clínicas. La marcada disminución de MRSA (48,8 % → 25,8 %; β = –2,43 % por año, p < 0,001) demuestra que intervenciones nacionales coordinadas, incluyendo vigilancia obligatoria, campañas de higiene de manos y el uso prudente de antimicrobianos, pueden combatir eficazmente los patógenos resistentes²².

Las trayectorias divergentes probablemente reflejan diferencias entre patógenos en la presión selectiva de antimicrobianos, mecanismos de resistencia, persistencia ecológica, dinámicas de transmisión y respuesta a las medidas de control de infecciones. La disminución del SARM podría estar asociada con la implementación más amplia de programas de vigilancia y control de infecciones, mientras que el aumento o la persistencia de resistencia elevada entre CRKP y CRAB podría reflejar la continua diseminación de determinantes de resistencia a carbapenémicos y la dificultad para controlar organismos Gram-negativos multirresistentes. La modesta disminución en CRPA indica que las tendencias de resistencia no pueden generalizarse a todos los patógenos resistentes a carbapenémicos. De manera similar, el aumento de VRE desde una base relativamente baja requiere una vigilancia continua. Dado que estos factores no se midieron directamente, deben considerarse como interpretaciones plausibles y no como mecanismos causales demostrados.

De acuerdo con el análisis de brotes, mcr-1 y las carbapenemasas siguieron siendo temas de investigación destacados, lo que refleja la atención sostenida hacia la resistencia móvil a la colistina y los organismos resistentes a carbapenémicos. La aparición de péptidos antimicrobianos y la terapia con fagos indica un creciente interés en alternativas a los antibióticos convencionales, mientras que la secuenciación completa del genoma, el aprendizaje automático y CRISPR reflejan una atención creciente hacia la vigilancia genómica, la predicción de resistencias y los enfoques dirigidos a genes específicos. Estudios recientes han resaltado además el potencial de la inteligencia artificial en la vigilancia de la resistencia a antimicrobianos, la identificación de marcadores de resistencia, el análisis de biopelículas, el diagnóstico y el descubrimiento de antimicrobianos^12,23,24,25.

Sin embargo, la detección de estos términos como frentes de investigación no indica preparación clínica. Los modelos de aprendizaje automático requieren conjuntos de datos multicéntricos estandarizados, validación externa y prospectiva, interpretabilidad del modelo e integración con los flujos de trabajo clínicos y de laboratorio. La terapia con fagos enfrenta desafíos relacionados con la especificidad de cepas, la consistencia en la fabricación, el control de calidad, la evolución de la resistencia y la estandarización regulatoria, mientras que las estrategias antibacterianas basadas en CRISPR siguen limitadas por la eficiencia de entrega, efectos fuera del blanco, bioseguridad y requisitos de contención. La investigación internacional enfatiza cada vez más la validación multicéntrica, la fabricación estandarizada y las vías regulatorias; estas dimensiones también deben considerarse al evaluar el grado de madurez traslacional de la investigación realizada en China. Dado que el presente estudio no comparó cuantitativamente las etapas de desarrollo clínico nacionales e internacionales, esta interpretación permanece cualitativa.

Los estudios realizados en diversas poblaciones clínicas y contextos de infección demuestran una variación sustancial en la distribución de patógenos y en los perfiles de resistencia a antimicrobianos^{26,27,28,29,30,31,32,33,34,35,36,37,38}. En conjunto, estos informes indican que los patrones de resistencia están influenciados por las características del paciente, los sitios de infección, la exposición a antimicrobianos y la epidemiología local. Los patógenos Gram-negativos resistentes a carbapenémicos siguen siendo una preocupación recurrente en múltiples contextos, mientras que el tratamiento empírico debería guiarse por la vigilancia local y las pruebas estandarizadas de sensibilidad. La evidencia sobre la terapia combinada, las combinaciones de β-lactámicos/ inhibidores de β-lactamasa, los derivados de tetraciclinas y otros tratamientos alternativos también proporciona un contexto clínico para los temas terapéuticos identificados mediante los análisis de palabras clave y de ráfagas^30,39.

De acuerdo con los hallazgos de palabras clave y agrupamientos, la formación de biopelículas sigue siendo un mecanismo fenotípico importante que contribuye a la tolerancia antimicrobiana y al fracaso terapéutico. Estudios de Cutibacterium acnes ilustran cómo las comunidades microbianas estructuradas pueden aumentar la tolerancia mediante barreras físicas y microentornos alterados⁴⁰. También han surgido ARN no codificantes como reguladores potenciales de la expresión de genes de resistencia en Acinetobacter baumannii⁴¹. Paralelamente, los inhibidores de β-lactamasa de nueva generación, derivados de tetraciclina y regímenes combinados han ampliado la investigación sobre opciones terapéuticas para organismos resistentes a carbapenémicos⁴². Estos avances siguen siendo clínicamente relevantes dada la resistencia persistente de alto nivel de Klebsiella pneumoniae y Acinetobacter baumannii reportada en datos nacionales de vigilancia⁴³.

Perspectivas de los trabajadores de la salud sobre la resistencia antimicrobiana, particularmente en contextos especializados como las enfermedades respiratorias crónicas, enfatizan la importancia crítica de los factores conductuales humanos en el éxito del manejo responsable de antimicrobianos⁴⁴Además, análisis nacionales de los factores asociados con la resistencia clínica a antimicrobianos han identificado la densidad de consumo de antibióticos como un factor principal, confirmando que un mayor uso de carbapenémicos y cefalosporinas de tercera generación se correlaciona directamente con el aumento de la resistencia en Pseudomonas aeruginosa y otros patógenos Gram-negativos.⁴⁵.

Se deben reconocer varias limitaciones. En primer lugar, las diferencias en la cobertura de las bases de datos, las prácticas de indexación, las estructuras de campos y la terminología en chino e inglés podrían haber introducido un sesgo en la recuperación de datos y podrían haber impedido la coincidencia completa de registros semánticamente equivalentes. El presente estudio no realizó un análisis temático separado de los corpus en chino e inglés; por lo tanto, no fue posible evaluar cuantitativamente las diferencias específicas del idioma en el enfoque de la investigación. En segundo lugar, los indicadores bibliométricos no pueden evaluar directamente la calidad metodológica ni el riesgo de sesgo de estudios individuales, y las mediciones basadas en citas podrían favorecer publicaciones más antiguas, altamente visibles o indexadas internacionalmente. En tercer lugar, la exclusión de estudios veterinarios y ambientales que no tuvieran un componente explícito de salud humana, junto con la cobertura limitada de actas de congresos, informes institucionales, tesis y otra literatura gris, podría haber subrepresentado el panorama más amplio de la resistencia a antimicrobianos en el marco de Una Sola Salud, particularmente la evidencia procedente de entornos comunitarios y rurales. La exclusión de revisiones sistemáticas y metaanálisis que no incluyeran nuevos conjuntos de datos primarios también podría haber subrepresentado la contribución de la síntesis de evidencia en la formación de focos críticos. En cuarto lugar, los retrasos en la publicación y la indexación podrían haber reducido la representación de estudios publicados cerca del final del período del estudio. En quinto lugar, el algoritmo de detección de ráfagas de Kleinberg podría generar señales falsas positivas cuando las palabras clave presentan fluctuaciones temporales breves o esporádicas. Además, no se realizó un análisis formal de sensibilidad de los parámetros del software CiteSpace; por lo tanto, no se evaluó la robustez de los resultados de la red, los agrupamientos y las ráfagas bajo diferentes configuraciones de parámetros en CiteSpace. La ausencia de una consolidación formal de sinónimos podría haber fragmentado palabras clave semánticamente equivalentes y podría haber afectado las estimaciones de frecuencia de palabras clave y de la red. Debido a que no se realizó un análisis formal de publicaciones por regiones Este/Centro/Oeste de China, no fue posible evaluar cuantitativamente las diferencias regionales en la producción de publicaciones.

Los estudios futuros deben probar parámetros alternativos de sensibilidad a brotes y umbrales mínimos de duración, aplicar diccionarios de sinónimos transparentes, comparar resultados entre bases de datos independientes y triangular las señales de brotes con frecuencias anuales de palabras clave y revisión por expertos. No se realizó un análisis dedicado de los artículos más citados; los estudios futuros podrían incorporar un análisis de artículos fundamentales para caracterizar y validar de forma independiente los cambios temporales en los temas de investigación sobre la RAM. Un análisis de superposición de mapas duales también quedó fuera del alcance del presente estudio y podría considerarse en trabajos futuros para caracterizar las vías de citación a nivel de revista.

Los patrones bibliométricos sugieren que la investigación sobre la resistencia a los antimicrobianos en China ha pasado progresivamente de la vigilancia descriptiva a la investigación mecanicista y al desarrollo de intervenciones innovadoras. Aunque se ha logrado un progreso significativo en el control del SARM mediante una gestión integral, los patógenos Gram-negativos resistentes a carbapenémicos siguen siendo una amenaza crítica que requiere atención urgente. La aparición de modelos predictivos basados en inteligencia artificial, la terapia con fagos y las intervenciones basadas en CRISPR podrían ofrecer oportunidades futuras para abordar la resistencia a los antimicrobianos, aunque su traslado de la investigación de laboratorio a la práctica clínica sigue siendo un desafío. Los hallazgos respaldan la continuación de la vigilancia, una mayor colaboración entre regiones y una investigación sostenida tanto en antibióticos convencionales como en estrategias terapéuticas emergentes.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
CiteSpace	Drexel University, Philadelphia, PA, USA	versión 6.4.R1	Realizar un análisis bibliométrico exhaustivo, incluyendo análisis de coautoría, análisis de coocurrencia de palabras clave, análisis de conglomerados y detección de ráfagas.
China National Knowledge Infrastructure (CNKI)	China National Knowledge Infrastructure	No aplicable	Compilar artículos de investigación proporcionados por fuentes nacionales chinas.
R	Software R	versión 4.3.2
Web of Science Core Collection (SCI-E)	Web of Science	No aplicable	Buscar y recuperar sistemáticamente literatura internacional.