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

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.

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.

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, 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.

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 de ces changements coïncide avec les plans d'action nationaux pour lutter contre la résistance aux antimicrobiens pour les périodes 2016–2020 et 2022–2025, ce qui fournit un contexte politique pertinent ; toutefois, l'analyse bibliométrique actuelle ne permet pas d'établir que la publication de ces politiques a provoqué les changements observés dans les thèmes des publications. L'augmentation du nombre de publications reflète à la fois la gravité croissante (2019–2021) de la crise de la RAM et l'engagement accru des gouvernements et des institutions pour relever ce défi. Par conséquent, l'évolution proposée des thèmes de recherche doit être interprétée de manière descriptive et n'a pas été validée indépendamment par une analyse des articles marquants ou des articles fortement cités spécifiques à chaque étape. Dans un contexte mondial, la trajectoire de la production scientifique chinoise s'aligne sur les tendances plus larges observées dans les économies émergentes, où le volume des publications sur la RAM a augmenté de façon exponentielle en réponse à la charge croissante de résistance²¹.

La baisse de la production de publications après le pic de 2022 coïncide avec la période de mise en œuvre du deuxième Plan d'action national pour lutter contre la résistance aux antimicrobiens (2022–2025), tandis que l'expansion antérieure a suivi le premier plan d'action (2016–2020). Cette correspondance temporelle pourrait refléter des changements dans les priorités de recherche, la répartition du financement et les tendances de publication au cours des différentes phases politiques, plutôt qu'une simple réduction de l'activité de recherche sur la résistance aux antimicrobiens. Toutefois, le décalage entre publication et indexation, la couverture des bases de données et les critères d'éligibilité de l'étude ont pu également contribuer à la baisse apparente, notamment durant les dernières années. L'analyse bibliométrique actuelle ne peut donc pas établir de relation de causalité entre le plan d'action national et la production de publications.

L'analyse du réseau collaboratif révèle une structure fortement centralisée, avec Wang Juan, Yue, Min et l'Université du Zhejiang en tant que nœuds critiques reliant les centres de recherche régionaux. Toutefois, la faible collaboration interrégionale (densité du réseau = 0,0137) indique une connectivité limitée entre les groupes de recherche ; aucune analyse formelle des publications par région Est/Centre/Ouest n'a toutefois été réalisée. Un cadre de collaboration interrégional réalisable pourrait utiliser CARSS comme infrastructure nationale de surveillance et de coordination des données, des consortiums médicaux régionaux comme unités chargées d'harmoniser la collecte des échantillons, les procédures de tests de sensibilité et la validation clinique multicentrique, et des plateformes universitaires de recherche comme centres dédiés au séquençage génomique, à la bioinformatique et au développement méthodologique. L'utilisation de dictionnaires de données partagés, de jeux de données interoperables dé-identifiés, de comparaisons régulières interrégionales et de projets conjoints d'alerte précoce pourrait aider à transformer les signaux de surveillance en priorités de recherche et en actions locales de bon usage. Ce cadre proposé représente une voie de mise en œuvre dérivée des résultats du réseau, et non une intervention évaluée directement dans la présente étude.

Les tendances divergentes de résistance identifiées dans cette étude ont des implications cliniques profondes. Le déclin spectaculaire du SARM (48,8 % → 25,8 % ; β = –2,43 % par an, p < 0,001) démontre que des interventions nationales coordonnées — notamment une surveillance obligatoire, des campagnes d'hygiène des mains et une gestion rigoureuse des antimicrobiens — peuvent efficacement lutter contre les agents pathogènes résistants²².

Les trajectoires divergentes reflètent probablement des différences entre les agents pathogènes en matière de pression de sélection antimicrobienne, de mécanismes de résistance, de persistance écologique, de dynamique de transmission et de réponse aux mesures de contrôle des infections. La diminution du SARM pourrait être associée à la mise en œuvre plus large de programmes de surveillance et de contrôle des infections, tandis que l'augmentation ou la persistance d'une résistance élevée parmi les CRKP et les CRAB pourrait refléter la diffusion continue de déterminants de résistance aux carbapénèmes et la difficulté de contrôler les organismes Gram-négatifs multirésistants. La légère diminution des CRPA indique que les tendances en matière de résistance ne peuvent pas être généralisées à tous les agents pathogènes résistants aux carbapénèmes. De même, l'augmentation des EFR à partir d'un niveau de base relativement faible nécessite une surveillance continue. Étant donné que ces facteurs n'ont pas été mesurés directement, ils doivent être considérés comme des interprétations plausibles plutôt que comme des mécanismes causaux démontrés.

Conformément à l'analyse des pics d'activité, mcr-1 et les carbapénémases sont restés des sujets de recherche importants, reflétant un intérêt soutenu pour la résistance mobile à la colistine et les organismes résistants aux carbapénèmes. L'émergence des peptides antimicrobiens et de la thérapie par phages indique un intérêt croissant pour des alternatives aux antibiotiques conventionnels, tandis que le séquençage complet du génome, l'apprentissage automatique et CRISPR traduisent une attention accrue portée à la surveillance génomique, à la prédiction des résistances et aux approches ciblant les gènes. Des études récentes ont en outre mis en lumière les applications potentielles de l'intelligence artificielle dans la surveillance de la résistance aux antimicrobiens (RAM), l'identification de marqueurs de résistance, l'analyse des biofilms, le diagnostic et la découverte d'antimicrobiens^12,23,24,25.

Toutefois, la détection de ces termes comme domaines de recherche de pointe n'indique pas qu'ils sont prêts pour une application clinique. Les modèles d'apprentissage automatique nécessitent des ensembles de données multicentriques standardisés, une validation externe et prospective, une interprétabilité des modèles, ainsi qu'une intégration aux flux de travail de laboratoire et cliniques. La thérapie par phages fait face à des défis liés à la spécificité des souches, à la reproductibilité de la fabrication, au contrôle qualité, à l'évolution de la résistance et à la standardisation réglementaire, tandis que les stratégies antibactériennes basées sur CRISPR restent limitées par l'efficacité de délivrance, les effets hors cible, la biosécurité et les exigences de confinement. La recherche internationale met de plus en plus l'accent sur la validation multicentrique, la fabrication standardisée et les voies réglementaires ; ces aspects doivent également être pris en compte lors de l'évaluation du degré de maturité translationnelle des recherches menées en Chine. Étant donné que la présente étude n'a pas comparé quantitativement les stades de développement clinique nationaux et internationaux, cette interprétation demeure qualitative.

Des études menées auprès de diverses populations cliniques et dans différents contextes d'infection montrent une variation importante de la distribution des agents pathogènes et des profils de résistance aux antimicrobiens^{26,27,28,29,30,31,32,33,34,35,36,37,38}. Dans leur ensemble, ces rapports indiquent que les profils de résistance sont influencés par les caractéristiques des patients, les sites d'infection, l'exposition aux antimicrobiens et l'épidémiologie locale. Les agents pathogènes Gram-négatifs résistants aux carbapénèmes restent une préoccupation récurrente dans de nombreux contextes, tandis que le traitement empirique devrait être orienté par la surveillance locale et par des tests de sensibilité standardisés. Les données concernant la thérapie combinée, les associations β-lactamine/inhibiteur de β-lactamase, les dérivés de la tétracycline et d'autres traitements alternatifs fournissent également un contexte clinique pour les thèmes thérapeutiques identifiés par les analyses de mots-clés et d'explosions de termes^30,39.

Conformément aux résultats liés aux mots-clés et aux groupes, la formation de biofilms demeure un mécanisme phénotypique important contribuant à la tolérance aux antimicrobiens et à l'échec thérapeutique. Des études sur Cutibacterium acnes illustrent comment des communautés microbiennes structurées peuvent accroître la tolérance par des barrières physiques et des microenvironnements modifiés⁴⁰. Des ARN non codants sont également apparus comme des régulateurs potentiels de l'expression des gènes de résistance chez Acinetobacter baumannii⁴¹. Parallèlement, les inhibiteurs de β-lactamases de nouvelle génération, les dérivés de tétracycline et les régimes combinés ont élargi la recherche sur les options thérapeutiques contre les micro-organismes résistants aux carbapénèmes⁴². Ces avancées restent cliniquement pertinentes étant donné la résistance élevée persistante de Klebsiella pneumoniae et d'Acinetobacter baumannii signalée dans les données nationales de surveillance⁴³.

Les perspectives des professionnels de la santé sur la résistance aux antimicrobiens, particulièrement dans des contextes spécialisés tels que les maladies respiratoires chroniques, soulignent l'importance cruciale des facteurs comportementaux humains dans la réussite du bon usage des antimicrobiens.⁴⁴De plus, des analyses nationales des facteurs associés à la résistance clinique aux antimicrobiens ont identifié la densité de consommation d'antibiotiques comme un facteur déterminant majeur, confirmant que l'utilisation accrue des carbapénèmes et des céphalosporines de troisième génération est directement corrélée à l'augmentation de la résistance chez Pseudomonas aeruginosa et d'autres pathogènes à Gram négatif.⁴⁵.

Plusieurs limites doivent être reconnues. Premièrement, des différences dans la couverture des bases de données, les pratiques d'indexation, les structures de champs et la terminologie en chinois et en anglais ont pu introduire un biais de récupération et empêcher une correspondance complète des enregistrements sémantiquement équivalents. La présente étude n’a pas mené d’analyse thématique distincte des corpus en chinois et en anglais ; par conséquent, les différences spécifiques aux langues en matière d’orientation de la recherche n’ont pas pu être évaluées de façon quantitative. Deuxièmement, les indicateurs bibliométriques ne permettent pas d’évaluer directement la qualité méthodologique ou le risque de biais des études individuelles, et les mesures fondées sur les citations peuvent favoriser les publications plus anciennes, très visibles ou indexées au niveau international. Troisièmement, l’exclusion des études vétérinaires et environnementales n’ayant pas de composante explicite liée à la santé humaine, ainsi que la couverture limitée des comptes rendus de conférences, rapports institutionnels, thèses et autres littératures grises, risque de sous-représenter le paysage global de la RAM en santé unique, en particulier les données issues de milieux communautaires et ruraux. L’exclusion des revues systématiques et des méta-analyses n’intégrant pas de nouvelles données primaires pourrait également sous-estimer la contribution de la synthèse des preuves à la formation de points chauds. Quatrièmement, les retards de publication et d’indexation ont pu réduire la représentativité des études publiées vers la fin de la période étudiée. Cinquièmement, l’algorithme de détection de bursts de Kleinberg peut produire des signaux faux positifs lorsque les mots-clés présentent des fluctuations temporelles brèves ou sporadiques. De plus, aucune analyse de sensibilité formelle des paramètres de CiteSpace n’a été réalisée ; par conséquent, la robustesse des résultats concernant le réseau, le regroupement en clusters et les bursts selon d’autres choix de paramètres dans CiteSpace n’a pas été évaluée. L’absence de consolidation formelle des synonymes a pu fragmenter des mots-clés sémantiquement équivalents et affecter les estimations de fréquence des mots-clés et du réseau. En l’absence d’analyse formelle des publications en Chine orientale, centrale et occidentale, les différences régionales en matière de production scientifique n’ont pas pu être évaluées quantitativement.

Des études futures devraient tester d'autres paramètres de sensibilité aux pics et des seuils minimaux de durée, appliquer des dictionnaires de synonymes transparents, comparer les résultats entre différentes bases de données, et croiser les signaux de pics avec les fréquences annuelles des mots-clés et une évaluation par des experts. Une analyse dédiée des articles les plus cités n'a pas été réalisée ; des études futures pourraient intégrer une analyse des articles marquants afin de mieux caractériser et valider indépendamment l'évolution temporelle des thèmes de recherche sur la RAM. Une analyse par superposition de cartes doubles était également hors du champ de la présente étude et pourrait être envisagée dans des travaux futurs pour caractériser les parcours de citation au niveau des revues.

Les profils bibliométriques indiquent que la recherche sur les RMO en Chine s'est progressivement orientée d'une surveillance descriptive vers une investigation mécanistique et le développement d'interventions innovantes. Bien que des progrès importants aient été accomplis dans le contrôle du SARM grâce à une gestion globale, les pathogènes Gram-négatifs résistants aux carbapénèmes restent une menace critique nécessitant une attention urgente. L'émergence de modèles prédictifs assistés par intelligence artificielle, de la thérapie par phages et d'interventions basées sur CRISPR pourrait offrir des perspectives futures pour lutter contre les RMO, bien que leur transfert de la recherche en laboratoire à la pratique clinique demeure difficile. Les résultats plaident en faveur d'une surveillance continue, d'une collaboration renforcée entre régions et de recherches soutenues tant sur les antibiotiques classiques que sur les stratégies thérapeutiques émergentes.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
CiteSpace	Drexel University, Philadelphia, PA, USA	version 6.4.R1	Effectuer 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 Infrastructure	Non applicable	Compiler des articles de recherche provenant de sources nationales chinoises.
R	R software	version 4.3.2
Web of Science Core Collection (SCI-E)	Web of Science	Non applicable	Rechercher et extraire systématiquement la littérature internationale.