Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de recherche

Analyse bibliométrique visuelle des points chauds et des tendances de la recherche sur la résistance aux antimicrobiens en Chine

101 vues

⸱

DOI :

10.3791/72404

⸱

8 septembre 2026

 ,  , 
1Infectious Department, The Affiliated People's Hospital of Ningbo University

Dans cet article

Résumé

Cette analyse bibliométrique cartographie les tendances de la recherche sur la résistance aux antimicrobiens et les foyers émergents en Chine de 2016 à 2025 à l'aide de CiteSpace. Les résultats mettent en évidence un intérêt croissant pour les thérapeutiques novatrices et les approches fondées sur la technologie, ainsi que des tendances contrastées en matière de résistance du SARM et du CRKP, soulignant la nécessité d'une surveillance continue et d'une gestion ciblée des antimicrobiens.

Résumé

Afin d'analyser systématiquement le paysage de la recherche sur la résistance aux antimicrobiens (RAM) en Chine de 2016 à 2025, d'identifier les domaines prioritaires et de détecter les tendances émergentes à l'aide de techniques de visualisation bibliométrique, nous avons compilé 3 096 publications provenant de la collection Web of Science Core Collection (y compris l'indice Science Citation Index Expanded, SCI-E) et de la China National Knowledge Infrastructure (CNKI). À l'aide de CiteSpace, nous avons réalisé une analyse des réseaux de coauteurship, une cartographie de la co-occurrence des mots-clés et une analyse de regroupement par l'algorithme du rapport de vraisemblance logarithmique (LLR). La détection des bursts par l'algorithme de Kleinberg a permis d'identifier les fronts de recherche, tandis que la modularité Q (>0,3) et les métriques de silhouette ont validé la qualité structurelle du réseau. Passant de 357 en 2016 à 365 en 2022, avec une croissance accélérée au cours de la période 2019–2022. Six grands groupes de recherche se sont dégagés, présentant une validité structurelle significative (modularité Q = 0,8108). L'analyse de bursts a identifié la résistance mobilisée à la colistine-1 (mcr-1, résistance aux carbapénèmes (8,52) étant les signaux émergents les plus marquants. La surveillance de la résistance a révélé des tendances divergentes : résistance aux carbapénèmes Klebsiella pneumoniae est passé de manière alarmante de 5,6 % à 20,0 %, tandis que le taux de Staphylococcus aureus résistant à la méthicilline a diminué de 48,8 % à 25,8 %. L'analyse du réseau des auteurs a révélé une structure fortement centralisée, avec une collaboration limitée entre les régions. De nouveaux traitements, notamment les peptides antimicrobiens, la thérapie par phages et les applications de l'apprentissage automatique, ont montré une émergence significative. Dans l'ensemble, les profils bibliométriques indiquent que la recherche sur la résistance aux antimicrobiens en Chine a évolué d'une surveillance descriptive vers une investigation mécanistique, ainsi qu'une attention croissante portée à des interventions innovantes. La diminution contrastée du Staphylococcus aureus résistant à la méthicilline Staphylococcus aureus et l'augmentation des pathogènes résistants aux carbapénèmes soulignent la nécessité d'une surveillance nationale continue, d'une collaboration renforcée entre les régions, d'une politique ciblée de bon usage des antimicrobiens et d'une intégration prudente des technologies émergentes dans la pratique clinique.

Introduction

La résistance aux antimicrobiens (RAM) constitue une menace critique pour la santé publique mondiale, l'Organisation mondiale de la santé l'ayant classée parmi les dix principales menaces sanitaires pesant sur l'humanité1. Le fardeau économique de la RAM est considérable, des projections indiquant que, d'ici 2050, les infections résistantes pourraient entraîner 10 millions de décès par an dans le monde si les tendances actuelles se poursuivent2. Les mécanismes fondamentaux de la résistance aux antimicrobiens chez les bactéries impliquent des adaptations génétiques et phénotypiques complexes, notamment la modification enzymatique des médicaments, l'altération des sites cibles, la surexpression des pompes d'efflux et la formation de biofilms, qui menacent collectivement l'efficacité du dispositif thérapeutique existant3. De récentes évaluations mondiales ont encore souligné l'ampleur de ce défi, la résistance aux antimicrobiens étant désormais reconnue comme un phénomène écologique complexe nécessitant une action coordonnée dans les secteurs de la santé humaine, de l'agriculture animale et de l'environnement4. La RAM a également des implications plus larges pour le développement durable, notamment en ce qui concerne les objectifs environnementaux et socioéconomiques5. Le défi est particulièrement aigu dans la lutte contre la résistance dans le paludisme, le VIH et la tuberculose, où des souches multirésistantes menacent des décennies de progrès dans la maîtrise des maladies infectieuses6. Des analyses historiques de l'épidémiologie de la RAM en Chine ont documenté des caractéristiques distinctes par rapport aux populations occidentales, notamment des profils uniques de gènes de résistance et des dynamiques de transmission façonnées par les pratiques de santé et les schémas de consommation d'antibiotiques7.

La Chine, en raison de sa grande population et de sa consommation importante d'antibiotiques, fait face à des défis particulièrement graves en matière de résistance aux antimicrobiens (RAM). La consommation d'antibiotiques par habitant en Chine reste nettement plus élevée que dans de nombreux pays européens, créant une pression sélective qui favorise le développement de la résistance8. Conscient de la gravité de cette crise, le gouvernement chinois a mis en œuvre le Plan d'action national pour lutter contre la résistance aux antimicrobiens (2016–2020, 2022–2025) et a établi le Système chinois de surveillance de la résistance aux antimicrobiens (CARSS) afin de surveiller les profils de résistance à l'échelle nationale9. D’un point de vue régional, l’Asie du Sud-Est s’est imposée comme un foyer critique de recherche et de diffusion de la RAM, des analyses bibliométriques révélant une production scientifique en croissance rapide, parallèlement à la trajectoire de la Chine10. Les tendances mondiales et les projections indiquent qu’en l’absence d’interventions décisives, le fardeau en termes de mortalité lié à la RAM affectera de manière disproportionnée les pays à revenu intermédiaire, certaines projections suggérant que la région Asie-Pacifique pourrait représenter près de la moitié de tous les décès liés à la résistance d’ici le milieu du siècle11. Ces prévisions alarmantes ont stimulé des engagements internationaux en faveur de la bonne utilisation des antimicrobiens, bien que des écarts persistent entre l’élaboration des politiques et la pratique clinique à travers le monde12. Ces initiatives ont généré des données étendues sur l’épidémiologie de la résistance, les mécanismes moléculaires et les résultats cliniques, offrant ainsi une source riche pour l’analyse bibliométrique. Les cadres récents de « Une seule santé » (One Health) mettent donc l’accent sur des interventions coordonnées dans les secteurs de la santé humaine, de la santé animale, de l’agriculture et de l’environnement, soutenues par la bonne utilisation des antimicrobiens et les technologies de diagnostic rapide13.

L'analyse bibliométrique, qui utilise des méthodes mathématiques et statistiques pour analyser quantitativement la littérature publiée, permet aux chercheurs d'identifier les points chauds de recherche, de suivre les trajectoires évolutives et de prédire les orientations futures14. Des outils de visualisation tels que CiteSpace transforment les données complexes de citations en cartes de connaissances intuitives, révélant ainsi des motifs cachés dans la littérature scientifique15. Des études bibliométriques antérieures ont cartographié les tendances de recherche dans des domaines spécifiques de la RAM, notamment la recherche mondiale sur la résistance aux antifongiques16. Toutefois, les analyses bibliométriques exhaustives intégrant des recherches en chinois et en anglais sur la RAM en Chine restent limitées. Contrairement aux analyses bibliométriques antérieures centrées sur des domaines spécifiques de la RAM, la présente étude intègre des données provenant de la base chinoise CNKI et de la base anglophone Web of Science, et contextualise séparément les résultats bibliométriques à l’aide des tendances nationales de surveillance du CARSS. Cette étude vise à fournir une analyse bibliométrique systématique de la recherche sur la RAM en Chine entre 2016 et 2025, en utilisant le logiciel CiteSpace pour générer des cartes de connaissances et formuler des recommandations fondées sur des données probantes concernant les priorités futures de recherche et l’élaboration des politiques. Cette conception combinée offre une vision bilingue du paysage de la recherche tout en permettant d’interpréter les tendances bibliométriques parallèlement aux données nationales de surveillance de la résistance, tout en les maintenant indépendantes.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Sources de données

Une recherche bibliographique complète a été menée dans des bases de données internationales et nationales afin d'assurer une couverture mondiale des travaux sur la résistance aux antimicrobiens (RAM) liés à la Chine. Pour la littérature internationale, nous avons effectué une recherche systématique dans la collection Web of Science Core (incluant l'indice des citations scientifiques étendu, SCI-E) et dans la China National Knowledge Infrastructure (CNKI), du 1er janvier 2016 au 31 décembre 2025. Requête booléenne exacte pour SCI-E : TS = ((« antimicrobial resistance » OU « antibiotic resistance » OU « drug resistance ») ET (« China » OU « Chinese » OU « Mainland China »)). Pour CNKI, le champ « Sujet » a été interrogé à l’aide des équivalents en chinois de « antibiotic resistance », « antimicrobial resistance » et « drug resistance », combinés avec « China ». Aucune fusion formelle de synonymes de mots-clés ni aucun prétraitement basé sur un thésaurus n’a été réalisé avant l’analyse dans CiteSpace. La recherche finale a été exécutée le 28 avril 2026, afin de laisser suffisamment de temps pour que les publications datant du 31 décembre 2025 soient indexées dans les bases de données. Le filtre d’année de publication dans la base de données a été limité à la période 2016–2025. Les références marquées comme « Early Access » ont été vérifiées supplémentairement lors de l'examen, et les articles dont la date de première publication en ligne était en 2026 ont été exclus de l'analyse. Les étiquettes de mots-clés ont été comparées à la sortie initiale de CiteSpace afin d'assurer une terminologie cohérente dans le texte, les tableaux et les figures.

Pour la recherche dans CNKI, 983 références ont été extraites des revues scientifiques de référence de l'Université de Pékin (PKU Core), 802 de la base de données chinoise de citations scientifiques (CSCD) et 462 de l'indice mondial de notoriété des revues (WJCI). Étant donné qu'un même article peut être indexé dans plusieurs de ces catégories, ces chiffres représentent des enregistrements de récupération spécifiques à chaque catégorie et ne correspondent pas à des décomptes de publications mutuellement exclusifs. Les trois ensembles de références ont donc été fusionnés avant l'évaluation des critères d'éligibilité. Les doublons ont d'abord été identifiés par correspondance exacte du DOI. Pour les références sans DOI, les titres normalisés des articles ont été comparés conjointement au nom du premier auteur et à l'année de publication. Les références comportant des métadonnées incomplètes ou incohérentes ont été examinées manuellement. Lorsqu'un même article apparaissait dans deux catégories ou plus d'indexation CNKI, il n'était conservé qu'une seule fois dans l'ensemble de données CNKI combiné, indépendamment du nombre de catégories dans lesquelles il était indexé. Après la suppression des doublons au sein de CNKI et l'évaluation des critères d'éligibilité, 1 096 articles uniques en langue chinoise ont été retenus. Aucun seuil de facteur d'impact de revue n'a été appliqué, car l'objectif de cette étude était de caractériser l'ensemble du paysage de recherche sur la RMA plutôt que de restreindre le corpus selon la notoriété des revues. Une évaluation formelle de la qualité méthodologique ou du risque de biais des publications individuelles n'a pas été réalisée, car l'objectif de cette étude était de décrire le paysage bibliométrique global plutôt que d'évaluer la qualité méthodologique au niveau des études.

Au total, 5 286 références ont été identifiées dans SCI-E et CNKI. Les mêmes critères fondés sur le DOI, le titre, l'auteur et l'année ont ensuite été appliqués pour identifier les chevauchements potentiels entre les jeux de données de CNKI et du Web of Science. Un total de 2 190 références ont été supprimées lors de la déduplication combinée et de l'évaluation de l'éligibilité, laissant 3 096 publications à analyser. Le processus complet d'identification, d'évaluation et d'inclusion des références est présenté dans la figure supplémentaire 1.

Les critères d'inclusion étaient les suivants : les études portant sur la résistance bactérienne aux antimicrobiens (RMA) en Chine ; les articles rapportant des taux de résistance, une épidémiologie moléculaire, des résultats cliniques ou des stratégies d'intervention ; et les publications parues entre le 1er janvier 2016 et le 31 décembre 2025. Ont été exclus les doublons, les publications de 2026, les revues de littérature ou les méta-analyses ne contenant pas de jeux de données originaux, ainsi que les études consacrées uniquement à la RMA vétérinaire ou environnementale sans composante liée à la santé humaine. Les revues et méta-analyses dépourvues de nouvelles données primaires ont été exclues, car l'analyse visait à caractériser la production de recherche originale. Le fait de limiter le corpus à des travaux de recherche originale améliore la comparabilité des indicateurs bibliométriques, notamment le nombre de publications, les schémas de codirection, les fréquences de mots-clés et les mesures liées aux citations, car les articles de synthèse des preuves regroupent des études antérieures et peuvent présenter des profils de citations et de mots-clés sensiblement différents. Après suppression des doublons entre les bases de données et examen des titres et résumés, un total de 3 096 publications ont été retenues pour l'analyse bibliométrique, comprenant 1 096 articles en chinois (35,4 %) et 2 000 publications en anglais (64,6 %).

Méthodes analytiques

CiteSpace (Université Drexel, Philadelphie, Pennsylvanie, États-Unis)17 a été utilisé pour l'analyse bibliométrique. La période considérée s'étendait de 2016 à 2025 avec une durée de tranchage annuelle. Les types de nœuds ont été sélectionnés séparément pour les analyses d'auteurs, d'institutions et de mots-clés. La sélection des nœuds a utilisé l'indice g avec k = 10 ; la configuration affichée utilisait également LRF = 2,5, L/N = 10, LBY = 5 et e = 1,0. Un élagage par chemin optimal a été appliqué aux réseaux d'auteurs, de mots-clés et de regroupements afin de réduire les liens redondants tout en conservant la structure principale du réseau. Une tranche temporelle d'un an a été choisie pour préserver les évolutions annuelles au sein de la fenêtre d'étude de 10 ans.

Quatre modules analytiques principaux ont été utilisés : l'analyse de la co-auteurship afin de cartographier les réseaux de collaboration entre auteurs et institutions ; l'analyse de la co-occurrence des mots-clés pour identifier les thèmes de recherche et leurs relations ; l'analyse de regroupement par l'algorithme du rapport de vraisemblance logarithmique (LLR) afin d'extraire des regroupements thématiques avec étiquetage automatique ; et la détection de pics d'activité par l'algorithme de Kleinberg pour identifier les tendances émergentes et les avant-gardes de la recherche. Des métriques de réseau, notamment la modularité Q et la silhouette moyenne S, ont été utilisées pour évaluer la qualité des regroupements. Une valeur de modularité Q supérieure à 0,3 indique une structure communautaire significative, tandis qu'une valeur moyenne de silhouette supérieure à 0,7 indique une forte cohérence intra-groupe et une attribution fiable aux regroupements18.

Analyse statistique des tendances de la résistance

Les tendances des taux de résistance pour les pathogènes majeurs ont été obtenues à partir des rapports annuels du Système chinois de surveillance de la résistance aux antimicrobiens (CARSS) (2016–2025), qui regroupe des données provenant d'hôpitaux sentinelles participants à l'échelle nationale. Ces données de surveillance ont été analysées indépendamment du corpus bibliométrique et n'ont pas été extraites, regroupées ni incluses parmi les 3 096 publications de Web of Science et de CNKI utilisées pour les analyses CiteSpace.

Pour chaque combinaison agent pathogène–antimicrobien, nous avons extrait le taux annuel de résistance (pourcentage d'isolats non doublons résistants à l'agent spécifié), le nombre total d'isolats testés (dénominateur) et le nombre d'hôpitaux sentinelles ayant fourni des données. Les tests de sensibilité ont été réalisés selon des méthodes normalisées de microdilution en bouillon ou de diffusion sur disque, avec des interprétations fondées sur les recommandations de l'Institut de normalisation clinique et de laboratoire (CLSI) (documents M100, éditions 2016–2025).

Pour évaluer les tendances temporelles, nous avons effectué une analyse de régression linéaire avec le taux de résistance comme variable dépendante et l'année comme variable indépendante, couvrant la période complète de 10 ans (2016–2025). La pente de régression (β) et le coefficient de détermination (R2) ont été calculés pour chaque couple pathogène–antimicrobien. Afin de tenir compte des changements potentiels dans la couverture de la surveillance (par exemple, une extension passant de 1 398 hôpitaux en 2016 à 2 349 hôpitaux en 2025), nous avons également réalisé des analyses de sensibilité en pondérant le taux de résistance de chaque année par l'inverse du nombre d'hôpitaux participants et par la répartition géographique des sites déclarants. Ces modèles pondérés ont donné des directions de tendance et des niveaux de significativité conformes à ceux des analyses non pondérées ; par conséquent, les résultats non pondérés sont présentés pour des raisons de simplicité et d'interprétabilité. Toutes les analyses statistiques ont été réalisées à l'aide de R version 4.3.2 (R Foundation for Statistical Computing, Vienne, Autriche). Une valeur-p bilatérale <0,05 a été considérée comme statistiquement significative.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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, ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Les profils bibliométriques suggèrent que la recherche sur la résistance aux antimicrobiens (RAM) en Chine s'est progressivement étendue, passant d'une surveillance descriptive et d'une caractérisation des agents pathogènes à l'étude des mécanismes de résistance, aux approches génomiques et aux recherches axées sur les interventions. Les regroupements de mots-clés superposés et les périodes de pic indiquent une diversification thématique cumulative, plutôt que trois étapes distinctes et mutuellement exclusives. Le moment...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent que des outils d'intelligence artificielle générative (IA) ont été utilisés lors de la préparation de ce manuscrit, comme suit : Grammarly (version 1.2.3) a été utilisé pour la correction linguistique et grammaticale du projet final du manuscrit ; ChatGPT d'OpenAI (GPT-4, consulté via l'API le 15 mars 2026) a été utilisé pour aider au nettoyage des données bibliométriques et générer des scripts Python initiaux pour le prétraitement des données ; Aucun outil d'IA n'a été utilisé pour générer les résultats scientifiques, interpréter les résultats ou formuler les conclusions ; Toutes les figures et tableaux ont été générés directement à partir des sorties de CiteSpace et de R 4.3.2, sans génération assistée par IA. Les auteurs ont examiné et vérifié l'ensemble du contenu produit avec l'aide de l'IA et assument l'entière responsabilité de l'exactitude et de l'intégrité du manuscrit.

Remerciements

Les auteurs remercient sincèrement le service des maladies infectieuses de l'hôpital affilié de l'Université de Ningbo (hôpital populaire de Yinzhou) pour le soutien administratif et technique nécessaire à l'achèvement de cet article.

Cette recherche a été financée par le projet de discipline académique de pointe dans le domaine médical et de la santé de Ningbo (subvention no 2026-A42).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
CiteSpaceDrexel University, Philadelphia, PA, USAversion 6.4.R1Effectuer une analyse bibliométrique complète, incluant l'analyse de la co-auteurie, l'analyse de co-occurrence de mots-clés, l'analyse de regroupement et la détection de bursts.
China National Knowledge Infrastructure (CNKI)China National Knowledge InfrastructureNon applicableCompiler des articles de recherche provenant de sources nationales chinoises.
RR softwareversion 4.3.2
Web of Science Core Collection (SCI-E)Web of ScienceNon applicableRechercher et extraire systématiquement la littérature internationale.

Références

  1. World Health Organization. Global action plan on antimicrobial resistance. World Health Organization; Geneva; 2015.
  2. O’Neill J. Tackling drug-resistant infections globally: Final report and recommendations. 2016.
  3. Bockstael K, Van Aerschot A. Antimicrobial resistance in bacteria. Open Med. 2009;4(2):141–155.
  4. Okeke IN, de Kraker MEA, Van Boeckel TP. The scope of the antimicrobial resistance challenge. Lancet. 2024;403(10442):13.
  5. Bhattacharya R, et al. Impact of antimicrobial resistance on sustainable development goals and the integrated strategies for meeting environmental and socio-economic targets. Environ Prog Sustain Energy. 2024;43(1):e14320.
  6. Duffey M, Shafer RW, Timm J. Combating antimicrobial resistance in malaria, HIV and tuberculosis. Nat Rev Drug Discov. 2024;23(6):19.
  7. Xiao YH, et al. Epidemiology and characteristics of antimicrobial resistance in China. Drug Resist Updat. 2011;14(4):236–241.
  8. Yin X, et al. A systematic review of antibiotic utilization in China. J Antimicrob Chemother. 2013;68(11):2445–2452.
  9. National Health Commission of the People’s Republic of China. National action plan to contain antimicrobial resistance (2022–2025). 2022.
  10. Borromeo AS, Manaloto AM, Antonio RP. Southeast Asian landscape of antimicrobial resistance research (2014–2024): A bibliometric analysis. J Glob Antimicrob Resist. 2025;45(c):125–132.
  11. Fekadu A, Woldeamanuel Y, Hailu A. Global trends and projections in antimicrobial resistance. Lancet. 2025;(10493):405.
  12. Selvaraj V, Sudhakar S, Sekaran S. Global trends and projections in antimicrobial resistance. Lancet. 405(10493):413–414.
  13. Bhattacharya R, et al. A One health plan to combat antimicrobial resistance for improving global health through sustainable development. Discov Public Health. 2025;22(1):521.
  14. Chen C, Leydesdorff L. Patterns of connections and movements in dual-map overlays: A new method of publication portfolio analysis. J Assoc Inf Sci Technol. 2014;65(2):334–351.
  15. Persson O, Danell R, Schneider JW. Using the BIBLIOMETRIX package for bibliometric analysis. Scientometrics. 2009;80(2):253–275.
  16. Bhattacharya R, et al. Bibliometric assessment of the global research trends in antimicrobial resistance for fungal species. Ind Biotechnol. 2024;20(5):212–224.
  17. Zhu J, Zhou Y, Ding YQ. Visualization analysis of hotspots and trends of drug control institutions in China based on bibliometrics. Chin J Mod Appl Pharm. 2023;40(18):2591–2599.
  18. Chen C. Science mapping: A systematic review of the literature. J Data Inf Sci. 2017;2(2):1–40.
  19. Wang S, Shen J, Yang Y. MRSA in China: Epidemiology, resistance mechanisms, and control strategies. Chin J Antibiot. 2021;46(9):837–844.
  20. Zhou W, Wen Z, Zhu W. Factors associated with clinical antimicrobial resistance in China: A nationwide analysis. Infect Dis Poverty. 2025;14:27.
  21. Sweileh WM, Al-Jabi SW, Zyoud SH. Global research output in antimicrobial resistance among uropathogens: A bibliometric analysis (2002–2016). J Glob Antimicrob Resist. 2017;11:230–238.
  22. Cui L, Li Y, Cheng L. Effectiveness of an antimicrobial stewardship program in reducing antimicrobial use and microbial resistance in a tertiary hospital in China. J Glob Antimicrob Resist. 2019;17:168–174.
  23. Yang Y, Li Y, Wang Z. Machine learning-enabled prediction of antimicrobial resistance from whole-genome sequencing data. J Clin Microbiol. 2021;59(10):e00821-21.
  24. Bhattacharya R, et al. Artificial intelligence for sustainable solutions in combating antimicrobial resistance through data driven health innovations. Discov Public Health. 2026;23(1):10.
  25. Yosef I, Manor M, Kiro R. Temperate and lytic bacteriophages programmed to sensitize and kill antibiotic-resistant bacteria. Proc Natl Acad Sci U S A. 2015;112(23):7267–7272.
  26. Shou TJ, Cheng XQ, Gong S. Analysis of antimicrobial use strategy in childhood perforated appendicitis based on bacterial resistance changes. Chin Gen Pract. 2020;23(24):3070–3074.
  27. China Antimicrobial Resistance Surveillance System. Surveillance of antimicrobial resistance in bacteria isolated from cerebrospinal fluid specimens from 2020 to 2024. Chin J Infect Chemother. 2026;26(2):196–205.
  28. Gao YH, Ma XY, Wang DB. Distribution and drug resistance of pathogens causing acute bacterial conjunctivitis in children. J Pathog Biol. 2024;19(10):1194–1197.
  29. Zhang Y, Fan YY, Yao LH. Drug resistance and risk factors of multidrug-resistant bacteria in neonatal pneumonia. J Pathog Biol. 2020;15(11):1340–1343.
  30. Duan MB, He XZ, Qi JY. Research progress on anti-multidrug resistant bacteria drugs. J Shenyang Pharm Univ. 2023;40(12):1680–1690.
  31. Zhou LC, Li GQ, Xu BY. Distribution and drug resistance of pathogens in acute, delayed and chronic periprosthetic joint infections. Chin J Surg. 2021;59(6):484–490.
  32. Zhang XX, Ge W, Yang M. Analysis of resistance of 137 Neisseria gonorrhoeae strains to 5 antimicrobial agents. Chin J Dermatovenereol. 2022;36(2):199–203.
  33. Zhang XY, Han Y, Wang YM. Correlation analysis between antimicrobial resistance of Pseudomonas aeruginosa and antimicrobial use density. J Hebei Univ Nat Sci Ed. 2021;41(2):188–194.
  34. China Antimicrobial Resistance Surveillance System. Antimicrobial resistance surveillance report of common clinical isolates from elderly patients from 2014 to 2019. Chin J Infect Control. 2021;20(2):112–123.
  35. Ruan ZH, Huang AX, Wang XJ. Overview of CLSI, EUCAST and Chinese drug resistance judgment standards. Biotechnol Bull. 2022;38(9):47–58.
  36. Liu L, Feng CX, Wang Y. Analysis of bacterial resistance in the First Hospital of Qiqihar in 2016. Chin J Antibiot. 2021;46(12):1143–1147.
  37. Zhang XH, Chen JY, Yang H. Distribution and antimicrobial resistance of pathogens in early infection after lung transplantation in respiratory intensive care unit. Chin J Infect Control. 2020;19(9):785–790.
  38. Wang SS, Wu ZW, Zhao JP. Research progress on hospital infection, drug resistance and treatment of carbapenem-resistant Klebsiella pneumoniae. Chin J Antibiot. 2020;45(5):428–432.
  39. Lv YF, Xue M, Huang XY. Research progress on antimicrobial peptides combined with traditional antibiotics against bacterial resistance. Chin J Infect Control. 2023;22(10):1266–1273.
  40. Ma Y, Liu Y, Jiang M. Correlation analysis between biofilm formation and antimicrobial resistance of Cutibacterium acnes. Chin J Infect Chemother. 2021;21(6):703–707.
  41. Peng Q, Ling BD. Regulatory non-coding RNAs and antimicrobial resistance in Acinetobacter baumannii. Chin J Infect Control. 2021;20(12):1174–1178.
  42. Qin XH, Hao M, Wang MG. Research progress on new antimicrobial agents. Chin J Infect Chemother. 2024;24(4):489–496.
  43. Guo Y, Ding L, Hu FP. CHINET surveillance of bacterial resistance in China in 2024. Chin J Infect Chemother. 2025;25(6):597–607.
  44. Ananth S, Adeoti A, Ray A. Healthcare worker views on antimicrobial resistance in chronic respiratory disease. Eur Respir J. 2024;64(68):2.
  45. Holt KE. Microbial genomics for antimicrobial resistance ecology and action. Nat Rev Genet. 2026;27(1):7–8.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Explorer plus d’articles

Tendances de l'AMR en Chineréseau de co-auctorialitécooccurrence de mots-clésanalyse de clustersrésistance aux carbapénèmesrésistance à la méthicillinegestion des antimicrobiens
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.