Wizualna analiza bibliometryczna punktów zapalnych i trendów badawczych w zakresie oporności na środki przeciwdrobnoustrojowe w Chinach

Podsumowanie

Niniejsza analiza bibliometryczna mapuje trendy w badaniach nad opornością na środki przeciwdrobnoustrojowe oraz wyłaniające się punkty zapalne w Chinach w latach 2016–2025 przy użyciu programu CiteSpace. Wyniki wskazują na rosnącą uwagę poświęcaną nowym metodom terapeutycznym i podejściom opartym na technologii, obok kontrastujących trendów oporności MRSA i CRKP, co podkreśla potrzebę ciągłego nadzoru i ukierunkowanego zarządzania antybiotykoterapią.

Streszczenie

Celem pracy była systematyczna analiza krajobrazu badawczego nad opornością na środki przeciwdrobnoustrojowe (AMR) w Chinach w latach 2016–2025, identyfikacja głównych obszarów badań oraz wykrycie wyłaniających się trendów z wykorzystaniem technik wizualizacji bibliometrycznej. Zebrano 3 096 publikacji z bazy Web of Science Core Collection (w tym Science Citation Index Expanded, SCI-E) oraz China National Knowledge Infrastructure (CNKI). Przy użyciu oprogramowania CiteSpace przeprowadzono analizę sieci współautorstwa, mapowanie współwystępowania słów kluczowych oraz analizę skupień z wykorzystaniem algorytmu Log-Likelihood Ratio (LLR). Wykrywanie gwałtownych wzrostów (burst detection) za pomocą algorytmu Kleinberga pozwoliło zidentyfikować aktualne kierunki badań, natomiast współczynnik modularności Q (>0,3) oraz metryki sylwetkowe potwierdziły jakość strukturalną sieci. Liczba publikacji wzrosła z 357 w 2016 roku do 365 w 2022 roku, z przyspieszonym wzrostem po okresie 2019–2022. Wyłoniono sześć głównych skupisk badawczych o znaczącej trafności strukturalnej (modularność Q = 0,8108). Analiza gwałtownych wzrostów wskazała na mobilną oporność na kolistynę-1 (mcr-1, siła wzrostu 9,12) oraz karbapenemazy (8,52) jako najsilniejsze sygnały wyłaniających się trendów. Nadzór nad opornością ujawnił przeciwstawne tendencje: odsetek opornych na karbapenemy Klebsiella pneumoniae wzrósł alarmująco z 5,6% do 20,0%, podczas gdy odsetek gronkowca złocistego opornego na metycylinę spadł z 48,8% do 25,8%. Analiza sieci autorów wykazała strukturę silnie scentralizowaną z ograniczoną współpracą międzyregionalną. Znaczący wzrost zainteresowania odnotowano w obszarze nowych metod terapeutycznych, w tym peptydów przeciwdrobnoustrojowych, terapii fagowej oraz zastosowań uczenia maszynowego. Ogólnie wzorce bibliometryczne sugerują, że badania nad AMR w Chinach ewoluowały od opisowego nadzoru w stronę badań mechanistycznych i zwiększonej uwagi poświęcanej innowacyjnym interwencjom. Kontrastujący spadek liczby szczepów Staphylococcus aureus opornych na metycylinę i wzrost liczby patogenów opornych na karbapenemy podkreślają potrzebę kontynuowania nadzoru krajowego, zacieśnienia współpracy międzyregionalnej, ukierunkowanego zarządzania antybiotykoterapią oraz ostrożnego wdrażania nowych technologii do praktyki klinicznej.

Wprowadzenie

Oporność na środki przeciwdrobnoustrojowe (AMR) stanowi krytyczne zagrożenie dla globalnego zdrowia publicznego, a Światowa Organizacja Zdrowia zidentyfikowała ją jako jedno z dziesięciu największych zagrożeń zdrowotnych stojących przed ludzkością¹. Obciążenie ekonomiczne wynikające z AMR jest znaczne, a prognozy sugerują, że do 2050 roku infekcje oporne mogą powodować 10 milionów zgonów rocznie na całym świecie, jeśli obecne trendy się utrzymają². Fundamentalne mechanizmy oporności przeciwdrobnoustrojowej u bakterii obejmują złożone adaptacje genetyczne i fenotypowe, w tym enzymatyczną modyfikację leku, zmiany w miejscu docelowym, nadekspresję pomp efflux oraz tworzenie biofilmu, co łącznie zagraża skuteczności istniejącego instrumentarium terapeutycznego³. Niedawne globalne oceny dodatkowo podkreśliły rozległy zakres tego wyzwania; oporność na środki przeciwdrobnoustrojowe jest obecnie uznawana za złożone zjawisko ekologiczne wymagające skoordynowanych działań w obszarze zdrowia ludzi, hodowli zwierząt oraz sektorów środowiskowych⁴. AMR ma również szersze implikacje dla zrównoważonego rozwoju, w tym w odniesieniu do celów środowiskowych i społeczno-gospodarczych⁵. Wyzwanie to jest szczególnie dotkliwe w walce z opornością na leki stosowane w leczeniu malarii, HIV i gruźlicy, gdzie szczepy wielolekooporne zagrażają wieloletnim postępom w zwalczaniu chorób zakaźnych⁶. Analizy historyczne epidemiologii AMR w Chinach udokumentowały specyficzne cechy w porównaniu z populacjami zachodnimi, w tym unikalne profile genów oporności oraz dynamikę transmisji kształtowaną przez praktyki opieki zdrowotnej i wzorce zużycia antybiotyków⁷.

Chiny, ze względu na liczną populację i znaczne zużycie antybiotyków, mierzą się z szczególnie poważnymi wyzwaniami związanymi z AMR. Zużycie antybiotyków na mieszkańca w Chinach pozostaje znacznie wyższe niż w wielu krajach europejskich, co tworzy presję selekcyjną napędzającą rozwój oporności⁸. Dostrzegając powagę tego kryzysu, rząd chiński wdrożył Narodowy Plan Działań na rzecz Ograniczenia Oporności na Środki Przeciwmikrobowe (2016–2020, 2022–2025) oraz utworzył Chiński System Nadzoru nad Opornością na Środki Przeciwmikrobowe (CARSS) w celu monitorowania wzorców oporności w całym kraju⁹. Z perspektywy regionalnej Azja Południowo-Wschodnia stała się kluczowym obszarem badań i rozprzestrzeniania się AMR, a analizy bibliometryczne wykazują gwałtownie rosnącą liczbę publikacji badawczych, co odzwierciedla trajektorię Chin¹⁰. Globalne trendy i prognozy sugerują, że bez zdecydowanej interwencji obciążenie śmiertelnością z powodu AMR dotknie nieproporcjonalnie mocno kraje o średnim dochodzie, a niektóre prognozy wskazują, że do połowy stulecia region Azji i Pacyfiku może odpowiadać za prawie połowę wszystkich zgonów związanych z opornością¹¹. Te zatrważające prognozy przyspieszyły międzynarodowe zobowiązania do racjonalnego zarządzania antybiotykoterapią, choć na całym świecie nadal istnieją luki w implementacji między sformułowaniem polityki a praktyką kliniczną¹². Inicjatywy te dostarczyły obszernych danych na temat epidemiologii oporności, mechanizmów molekularnych i wyników klinicznych, stanowiąc bogate źródło dla analizy bibliometrycznej. Dlatego też współczesne ramy One Health kładą nacisk na skoordynowane interwencje w obszarach zdrowia ludzi, zdrowia zwierząt, rolnictwa i sektora środowiskowego, wspierane przez racjonalne zarządzanie antybiotykoterapią oraz technologie szybkiej diagnostyki¹³.

Analiza bibliometryczna, wykorzystująca metody matematyczne i statystyczne do ilościowego badania opublikowanej literatury, pozwala badaczom na odkrywanie aktualnych trendów badawczych, śledzenie trajektorii ewolucyjnych oraz przewidywanie przyszłych kierunków rozwoju¹⁴. Narzędzia wizualizacyjne, takie jak CiteSpace, przekształcają złożone dane cytowań w intuicyjne mapy wiedzy, ujawniając ukryte wzorce w literaturze naukowej¹⁵. Wcześniejsze badania bibliometryczne mapowały trendy badawcze w konkretnych obszarach AMR, w tym w globalnych badaniach nad opornością na środki przeciwgrzybicze¹⁶. Jednakże kompleksowa analiza bibliometryczna integrująca badania nad AMR w Chinach prowadzone w języku chińskim i angielskim pozostaje ograniczona. W przeciwieństwie do poprzednich analiz bibliometrycznych skupionych na konkretnych obszarach AMR, niniejsze badanie integruje zapisy z chińskojęzycznej bazy CNKI oraz anglojęzycznej bazy Web of Science i oddzielnie kontekstualizuje wyniki bibliometryczne, wykorzystując krajowe trendy nadzoru CARSS. Celem niniejszego badania jest przeprowadzenie systematycznej analizy bibliometrycznej badań nad AMR w Chinach w latach 2016–2025, z wykorzystaniem oprogramowania CiteSpace do generowania map wiedzy i sformułowania opartych na dowodach rekomendacji dotyczących przyszłych priorytetów badawczych oraz rozwoju polityki zdrowotnej. Taki łączony schemat zapewnia dwujęzyczny wgląd w krajobraz badawczy, umożliwiając interpretację trendów bibliometrycznych równolegle z krajowymi danymi z nadzoru nad opornością, lecz niezależnie od nich.

Protokół

Źródła danych

Przeprowadzono kompleksowy przegląd literatury w międzynarodowych i krajowych bazach danych, aby zapewnić globalny zasięg badań nad AMR w odniesieniu do Chin. W przypadku literatury międzynarodowej systematycznie przeszukiwano Web of Science Core Collection (w tym Science Citation Index Expanded, SCI-E) oraz China National Knowledge Infrastructure (CNKI) w okresie od 1 stycznia 2016 r. do 31 grudnia 2025 r. Dokładne zapytanie Boole'a dla SCI-E: TS = ((“antimicrobial resistance” OR “antibiotic resistance” OR “drug resistance”) AND (“China” OR “Chinese” OR “Mainland China”)). W przypadku CNKI przeszukiwano pole Temat (Subject) przy użyciu chińskojęzycznych odpowiedników terminów „oporność na antybiotyki”, „oporność na środki przeciwdrobnoustrojowe” oraz „oporność na leki” w połączeniu z terminem „Chiny”. Przed analizą w programie CiteSpace nie przeprowadzono formalnego łączenia synonimów słów kluczowych ani wstępnego przetwarzania w oparciu o tezaurus. Ostateczne wyszukiwanie wykonano 28 kwietnia 2026 r., aby zapewnić wystarczającą ilość czasu na zaindeksowanie w bazach danych publikacji wydanych do 31 grudnia 2025 r. Filtr roku publikacji w bazie danych ograniczono do lat 2016–2025. Podczas przesiewu dodatkowo sprawdzono rekordy oznaczone jako Early Access, a z analizy wykluczono artykuły, których data pierwszej publikacji online przypadała na 2026 r. Etykiety słów kluczowych zweryfikowano z oryginalnymi wynikami CiteSpace, aby zapewnić spójność terminologiczną w tekście, tabelach i rysunkach.

W wyszukiwaniu w bazie CNKI pobrano 983 rekordy z Peking University Core Journals (PKU Core), 802 z Chinese Science Citation Database (CSCD) oraz 462 z World Journal Clout Index (WJCI). Ponieważ pojedynczy artykuł może być zaindeksowany w więcej niż jednej z tych kategorii, liczby te reprezentują rekordy wyszukiwania specyficzne dla danej kategorii i nie są wzajemnie wykluczającymi się liczbami publikacji. W związku z tym trzy zestawy rekordów zostały połączone przed przesiewem kwalifikowalności. Powtórzone wpisy zidentyfikowano w pierwszej kolejności poprzez dokładne dopasowanie DOI. W przypadku rekordów bez numeru DOI porównano znormalizowane tytuły artykułów wraz z nazwiskiem pierwszego autora i rokiem publikacji. Rekordy z niepełnymi lub niespójnymi metadanymi sprawdzono ręcznie. Gdy ten sam artykuł pojawiał się w dwóch lub więcej kategoriach indeksowania CNKI, był on zachowywany tylko raz w połączonym zbiorze danych CNKI, niezależnie od liczby kategorii, w których został zaindeksowany. Po usunięciu duplikatów w obrębie bazy CNKI i przesiewie kwalifikowalności zachowano 1 096 unikalnych artykułów w języku chińskim. Nie zastosowano progu współczynnika wpływu (impact factor) czasopism, ponieważ celem niniejszego badania była charakterystyka ogólnego krajobrazu badań nad AMR, a nie ograniczenie korpusu ze względu na prestiż czasopisma. Nie przeprowadzono formalnej oceny jakości metodologicznej ani analizy ryzyka błędu (risk of bias) poszczególnych publikacji, ponieważ celem niniejszego badania była charakterystyka ogólnego krajobrazu bibliometrycznego, a nie ocena jakości metodologicznej na poziomie poszczególnych badań.

W bazach SCI-E oraz CNKI początkowo zidentyfikowano 5 286 rekordów. Następnie zastosowano te same kryteria oparte na DOI, tytule, autorze i roku w celu wykrycia potencjalnych powtórzeń między zbiorami danych CNKI i Web of Science. W procesie łącznej deduplikacji oraz oceny kwalifikowalności usunięto łącznie 2 190 rekordów, co pozostawiło 3 096 publikacji do analizy. Cały proces identyfikacji, przesiewania i włączania literatury przedstawiono na Rysunku uzupełniającym 1.

Kryteria włączenia obejmowały: badania koncentrujące się na bakteryjnej AMR w Chinach; artykuły raportujące wskaźniki oporności, epidemiologię molekularną, wyniki kliniczne lub strategie interwencyjne oraz publikacje wydane między 1 stycznia 2016 r. a 31 grudnia 2025 r. Wykluczono duplikaty, publikacje z 2026 r., przeglądy lub metaanalizy bez oryginalnych zbiorów danych oraz badania ograniczone do AMR w weterynarii lub środowisku bez komponentu dotyczącego zdrowia ludzi. Przeglądy i metaanalizy bez nowych pierwotnych zbiorów danych zostały wykluczone, ponieważ analiza została zaprojektowana w celu charakterystyki wyników badań oryginalnych. Ograniczenie korpusu do badań oryginalnych poprawia porównywalność wskaźników bibliometrycznych, w tym liczby publikacji, wzorców współautorstwa, częstotliwości słów kluczowych i miar związanych z cytowaniami, ponieważ artykuły syntetyzujące dowody agregują wcześniejsze badania i mogą mieć znacząco inne profile cytowań i słów kluczowych. Po usunięciu duplikatów z baz danych i przesiewowym przeglądzie tytułów/streszczeń, do analizy bibliometrycznej włączono łącznie 3 096 publikacji, w tym 1 096 artykułów w języku chińskim (35,4%) i 2000 publikacji w języku angielskim (64,6%).

Metody analityczne

Do analizy bibliometrycznej wykorzystano oprogramowanie CiteSpace (Drexel University, Philadelphia, PA, USA)¹⁷. Przedział czasowy obejmował lata 2016–2025 przy długości wycinka czasowego wynoszącej 1 rok. Typy węzłów wybrano oddzielnie dla analiz autorów, instytucji oraz słów kluczowych. Do selekcji węzłów wykorzystano wskaźnik g-index z parametrem k = 10; w wyświetlonej konfiguracji zastosowano również wartości LRF = 2.5, L/N = 10, LBY = 5 oraz e = 1.0. W celu redukcji nadmiarowych połączeń przy jednoczesnym zachowaniu głównej struktury sieci, w sieciach autorów, słów kluczowych i klastrów zastosowano przycinanie typu Pathfinder. Roczny wycinek czasowy wybrano, aby zachować coroczne zmiany w ramach 10-letniego okna badania.

Wykorzystano cztery główne moduły analityczne: analizę współautorstwa w celu zmapowania sieci współpracy między autorami i instytucjami; analizę współwystępowania słów kluczowych w celu zidentyfikowania tematów badawczych i ich wzajemnych relacji; analizę skupień z wykorzystaniem algorytmu Log-Likelihood Ratio (LLR) w celu wyodrębnienia klastrów tematycznych z automatycznym etykietowaniem; oraz detekcję gwałtownych wzrostów (burst detection) z wykorzystaniem algorytmu Kleinberga w celu zidentyfikowania wyłaniających się trendów i nowych obszarów badań. Do oceny jakości klastrów wykorzystano metryki sieciowe, w tym modularność Q oraz średnią sylwetkę S. Wartość modularności Q większa niż 0,3 wskazuje na znaczącą strukturę wspólnoty, natomiast średnia wartość sylwetki większa niż 0,7 świadczy o wysokiej spójności wewnątrz klastra i niezawodności przypisania do klastra¹⁸.

Analiza statystyczna trendów oporności

Trendy w zakresie wskaźników oporności głównych patogenów zostały opracowane na podstawie raportów rocznych Chińskiego Systemu Nadzoru nad Opornością na Środki Przeciwmikrobowe (CARSS) z lat 2016–2025, które agregują dane z uczestniczących szpitali sentinelowych w całym kraju. Dane nadzorcze te analizowano niezależnie od korpusu bibliometrycznego i nie zostały one wyodrębnione, połączone ani włączone do zbioru 3 096 publikacji z baz Web of Science i CNKI wykorzystanych w analizach CiteSpace.

Dla każdej kombinacji patogen–środek przeciwdrobnoustrojowy wyodrębniono roczną stopę oporności (procent niepowtarzających się izolatów opornych na określony preparat), całkowitą liczbę przebadanych izolatów (mianownik) oraz liczbę szpitali sentinelowych dostarczających dane. Badania wrażliwości przeprowadzono przy użyciu standaryzowanych metod mikrorozcieńczeń w bulionie lub dyfuzyjnych metod krążkowych, a interpretację wyników oparto na wytycznych Clinical and Laboratory Standards Institute (CLSI) (dokumenty M100, wydania 2016–2025).

Aby ocenić trendy czasowe, przeprowadzono analizę regresji liniowej, w której zmienną zależną była stopa oporności, a zmienną niezależną rok, obejmującą pełny 10-letni okres (2016–2025). Dla każdej pary patogen–lek przeciwdrobnoustrojowy obliczono nachylenie regresji (β) oraz współczynnik determinacji (R²). Aby uwzględnić potencjalne zmiany w zakresie nadzoru (np. rozszerzenie z 1398 szpitali w 2016 r. do 2349 szpitali w 2025 r.), przeprowadzono również analizy wrażliwości, ważąc stopę oporności z każdego roku odwrotnością liczby uczestniczących szpitali oraz rozkładem geograficznym ośrodków raportujących. Modele ważone wykazały kierunki trendów i poziomy istotności zgodne z analizami nieważonymi; w związku z tym, dla uproszczenia i przejrzystości interpretacji przedstawiono wyniki nieważone. Wszystkie analizy statystyczne wykonano przy użyciu programu R w wersji 4.3.2 (R Foundation for Statistical Computing, Wiedeń, Austria). Dwustronną wartość p <0,05 uznano za statystycznie istotną.

Wyniki

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.

Dyskusja

Wzorce bibliometryczne sugerują, że badania nad AMR w Chinach stopniowo ewoluowały od opisowego nadzoru i charakterystyki patogenów w stronę mechanizmów oporności, podejść genomowych oraz badań zorientowanych na interwencje. Nakładające się klastry słów kluczowych i okresy gwałtownego wzrostu (burst periods) wskazują na kumulatywną dywersyfikację tematyczną, a nie na trzy oddzielne i wzajemnie wykluczające się etapy. Czas wystąpienia tych zmian zbiegł się z Narodowymi Planami Działań na rzecz Ograniczenia Oporności na Środki Przeciwmikrobowe na lata 2016–2020 oraz 2022–2025, co stanowi istotny kontekst polityczny; jednakże niniejsza analiza bibliometryczna nie może jednoznacznie stwierdzić, że publikacja tych planów spowodowała zaobserwowane zmiany w tematyce publikacji. Wzrost liczby publikacji odzwierciedla zarówno narastającą (2019–2021) skalę kryzysu AMR, jak i zwiększone zaangażowanie rządowe i instytucjonalne w rozwiązywanie tego problemu. W związku z tym proponowana ewolucja tematów badawczych powinna być interpretowana opisowo i nie została niezależnie zweryfikowana za pomocą analizy kluczowych publikacji (milestone-paper) lub analizy najczęściej cytowanych prac dla poszczególnych etapów. W kontekście globalnym trajektoria dorobku badawczego Chin jest zgodna z szerszymi wzorcami obserwowanymi w gospodarkach wschodzących, w których liczba publikacji na temat AMR wzrosła wykładniczo w odpowiedzi na rosnące obciążenia wynikające z oporności²¹.

Spadek liczby publikacji po szczycie w 2022 roku zbiegł się w czasie z okresem wdrażania drugiego krajowego planu działania na rzecz ograniczenia oporności na środki przeciwdrobnoustrojowe (2022–2025), podczas gdy wcześniejszy wzrost nastąpił po pierwszym planie działania (2016–2020). Ta korelacja czasowa może odzwierciedlać zmiany w priorytetach badawczych, alokacji funduszy i wzorcach publikowania w kolejnych fazach polityki, a nie prosty spadek aktywności badawczej w zakresie AMR. Niemniej jednak, opóźnienia w publikacji i indeksowaniu, zakres baz danych oraz kryteria kwalifikowalności badań mogły również przyczynić się do pozornego spadku, szczególnie w późniejszych latach. Niniejsza analiza bibliometryczna nie może zatem wykazać związku przyczynowo-skutkowego między krajowym planem działania a liczbą publikacji.

Analiza sieci współpracy ujawnia silnie scentralizowaną strukturę, w której Wang Juan, Yue, Min oraz Zhejiang University pełnią rolę krytycznych węzłów łączących regionalne ośrodki badawcze. Jednak ograniczona współpraca międzyregionalna (gęstość sieci = 0,0137) sugeruje, że niska gęstość sieci współpracy wiąże się z ograniczoną łącznością między grupami badawczymi; niemniej jednak nie przeprowadzono formalnej analizy publikacji w podziale na regiony wschodni, środkowy i zachodni. Wykonalne ramy współpracy międzyregionalnej mogłyby wykorzystywać CARSS jako krajowy system nadzoru i koordynacji danych, regionalne konsorcja medyczne jako jednostki harmonizujące zbiór próbek, procedury testów podatności oraz wieloośrodkową walidację kliniczną, a uniwersyteckie platformy badawcze jako centra sekwencjonowania genomowego, bioinformatyki i rozwoju metodologicznego. Wspólne słowniki danych, zanonimizowane interoperacyjne zbiory danych, regularny międzyregionalny benchmarking oraz wspólne projekty wczesnego ostrzegania mogłyby pomóc w przekształceniu sygnałów z nadzoru w priorytety badawcze i lokalnie dostosowane działania z zakresu stewardship. Zaproponowany model stanowi ścieżkę wdrożenia wynikającą z ustaleń sieciowych, a nie interwencję bezpośrednio ocenioną w niniejszym badaniu.

Rozbieżne trendy oporności zidentyfikowane w niniejszym badaniu niosą ze sobą głębokie implikacje kliniczne. Gwałtowny spadek występowania MRSA (48,8%→25,8%; β = –2,43% rocznie, p < 0,001) dowodzi, że skoordynowane interwencje na szczeblu krajowym — w tym obowiązkowy nadzór, kampanie higieny rąk oraz programy racjonalnej antybiotykoterapii — mogą skutecznie zwalczać oporne patogeny²².

Rozbieżne trajektorie prawdopodobnie odzwierciedlają różnice między patogenami w zakresie presji selekcyjnej środków przeciwdrobnoustrojowych, mechanizmów oporności, trwałości ekologicznej, dynamiki transmisji oraz odpowiedzi na środki kontroli zakażeń. Spadek liczby MRSA może być związany z szerszym wdrażaniem programów nadzoru i kontroli zakażeń, podczas gdy rosnąca lub utrzymująca się na wysokim poziomie oporność CRKP i CRAB może odzwierciedlać ciągłe rozprzestrzenianie się determinantów oporności na karbapenemy oraz trudności w kontrolowaniu wielolekoopornych organizmów Gram-ujemnych. Nieznaczny spadek CRPA wskazuje, że trendy oporności nie mogą być uogólnione dla wszystkich patogenów opornych na karbapenemy. Podobnie, wzrost VRE z relatywnie niskiego poziomu bazowego wymaga dalszego monitorowania. Ponieważ czynniki te nie były mierzone bezpośrednio, należy je traktować jako prawdopodobne interpretacje, a nie udowodnione mechanizmy przyczynowo-skutkowe.

Zgodnie z analizą skokową, mcr-1 oraz karbapenemazy pozostały głównymi tematami badawczymi, co odzwierciedla niesłabnące zainteresowanie mobilną opornością na kolistynę oraz organizmami opornymi na karbapenemy. Pojawienie się peptydów przeciwdrobnoustrojowych i terapii fagowej wskazuje na rosnące zainteresowanie alternatywami dla konwencjonalnych antybiotyków, podczas gdy sekwencjonowanie całogenomowe, uczenie maszynowe i CRISPR odzwierciedlają zwiększoną uwagę poświęcaną nadzorowi genomicznemu, przewidywaniu oporności oraz podejściom ukierunkowanym na konkretne geny. Niedawne badania dodatkowo podkreśliły potencjalne zastosowania sztucznej inteligencji w nadzorze nad AMR, identyfikacji markerów oporności, analizie biofilmów, diagnostyce oraz odkrywaniu nowych środków przeciwdrobnoustrojowych^12,23,24,25.

Jednakże wykrycie tych terminów jako obszarów badawczych nie wskazuje na gotowość kliniczną. Modele uczenia maszynowego wymagają zstandaryzowanych zbiorów danych wieloośrodkowych, zewnętrznej i prospektywnej walidacji, interpretowalności modelu oraz integracji z przepływem pracy laboratoryjnej i klinicznej. Terapia fagowa stoi przed wyzwaniami dotyczącymi specyficzności szczepów, spójności produkcji, kontroli jakości, ewolucji oporności i standaryzacji regulacyjnej, podczas gdy strategie antybakteryjne oparte na CRISPR pozostają ograniczone przez wydajność dostarczania, efekty off-target, bezpieczeństwo biologiczne i wymagania dotyczące izolacji. Międzynarodowe badania coraz częściej kładą nacisk na walidację wieloośrodkową, zstandaryzowaną produkcję i ścieżki regulacyjne; wymiary te powinny być również uwzględnione przy ocenie dojrzałości translacyjnej badań prowadzonych w Chinach. Ponieważ niniejsze badanie nie porównywało ilościowo krajowych i międzynarodowych etapów rozwoju klinicznego, interpretacja ta pozostaje jakościowa.

Badania przeprowadzone w zróżnicowanych populacjach klinicznych i w różnych warunkach infekcji wykazują znaczną zmienność w rozprzestrzenianiu się patogenów oraz profilach oporności na środki przeciwdrobnoustrojowe^{26,27,28,29,30,31,32,33,34,35,36,37,38}. Wspólnie raporty te wskazują, że wzorce oporności są zależne od charakterystyki pacjenta, miejsca infekcji, ekspozycji na leki przeciwdrobnoustrojowe oraz lokalnej epidemiologii. Patogeny Gram-ujemne oporne na karbapenemy pozostają powracającym problemem w wielu środowiskach, podczas gdy leczenie empiryczne powinno opierać się na lokalnym nadzorze i standaryzowanych testach podatności. Dowody dotyczące terapii skojarzonej, kombinacji β-laktam/inhibitor β-laktamazy, pochodnych tetracyklin oraz innych alternatywnych metod leczenia stanowią również kontekst kliniczny dla motywów terapeutycznych zidentyfikowanych w analizach słów kluczowych i analizach gwałtownych wzrostów (burst analyses)^30,39.

Zgodnie z wynikami analizy słów kluczowych i klastrów, tworzenie biofilmu pozostaje istotnym mechanizmem fenotypowym przyczyniającym się do tolerancji na środki przeciwdrobnoustrojowe oraz niepowodzeń terapeutycznych. Badania nad Cutibacterium acnes obrazują, w jaki sposób ustrukturyzowane społeczności mikrobiologiczne mogą zwiększać tolerancję poprzez bariery fizyczne i zmienione mikrośrodowiska⁴⁰. RNA niekodujące wyłoniły się również jako potencjalne regulatory ekspresji genów oporności u Acinetobacter baumannii⁴¹. Równolegle, inhibitory β-laktamaz nowej generacji, pochodne tetracykliny oraz schematy terapii skojarzonej rozszerzyły badania nad opcjami terapeutycznymi dla organizmów opornych na karbapenemy⁴². Rozwiązania te pozostają istotne klinicznie, biorąc pod uwagę utrzymującą się wysoką oporność Klebsiella pneumoniae i Acinetobacter baumannii raportowaną w krajowych danych nadzorczych⁴³.

Perspektywy pracowników służby zdrowia na temat oporności na środki przeciwdrobnoustrojowe, szczególnie w kontekstach specjalistycznych, takich jak przewlekłe choroby układu oddechowego, podkreślają krytyczne znaczenie czynników behawioralnych dla sukcesu programów racjonalnego zarządzania antybiotykoterapią (stewardship)⁴⁴. Ponadto ogólnokrajowe analizy czynników związanych z kliniczną opornością na środki przeciwdrobnoustrojowe zidentyfikowały gęstość zużycia antybiotyków jako główny czynnik sprawczy, potwierdzając, że zwiększone wykorzystanie karbapenemów i cefalosporyn trzeciej generacji bezpośrednio koreluje z rosnącą opornością Pseudomonas aeruginosa oraz innych patogenów Gram-ujemnych⁴⁵.

Należy uznać kilka ograniczeń. Po pierwsze, różnice w zakresie baz danych, praktykach indeksowania, strukturach pól oraz w terminologii języka chińskiego i angielskiego mogły wprowadzić błąd w wyszukiwaniu i mogły uniemożliwić pełne dopasowanie semantycznie równoważnych rekordów. W niniejszym badaniu nie przeprowadzono oddzielnej analizy tematycznej korpusów w języku chińskim i angielskim; w związku z tym nie można było ilościowo ocenić różnic w akcentach badawczych specyficznych dla danego języka. Po drugie, wskaźniki bibliometryczne nie pozwalają na bezpośrednią ocenę jakości metodologicznej lub ryzyka błędu w poszczególnych badaniach, a miary oparte na cytowaniach mogą faworyzować publikacje starsze, bardziej widoczne lub indeksowane międzynarodowo. Po trzecie, wykluczenie badań weterynaryjnych i środowiskowych bez wyraźnego komponentu zdrowia ludzi, wraz z ograniczonym zakresem materiałów konferencyjnych, raportów instytucjonalnych, prac dyplomowych i innej literatury szarej, może powodować niedoreprezentowanie szerszego obrazu AMR w ujęciu One Health, szczególnie dowodów z obszarów społeczności lokalnych i wiejskich. Wykluczenie przeglądów systematycznych i metaanaliz bez nowych pierwotnych zbiorów danych może również prowadzić do niedoszacowania wkładu syntezy dowodów w tworzenie się punktów zapalnych (hotspots). Po czwarte, opóźnienia w publikacji i indeksowaniu mogły zmniejszyć reprezentację badań opublikowanych pod koniec okresu badania. Po piąte, algorytm wykrywania gwałtownych wzrostów (burst-detection) Kleinberga może generować sygnały fałszywie dodatnie, gdy słowa kluczowe wykazują krótkotrwałe lub sporadyczne wahania czasowe. Ponadto nie przeprowadzono formalnej analizy wrażliwości ustawień parametrów CiteSpace; w związku z tym nie oceniono odporności sieci, klastrowania i wyników analizy wzrostów przy alternatywnych wyborach parametrów CiteSpace. Brak formalnej konsolidacji synonimów mógł doprowadzić do rozproszenia semantycznie równoważnych słów kluczowych i mógł wpłynąć na szacunki częstotliwości słów kluczowych oraz strukturę sieci. Ponieważ nie przeprowadzono formalnej analizy publikacji z regionów wschodnich, środkowych i zachodnich Chin, nie można było ilościowo ocenić regionalnych różnic w liczbie publikacji.

Przyszłe badania powinny przetestować alternatywne parametry czułości na gwałtowny wzrost (burst-sensitivity) i progi minimalnego czasu trwania, zastosować przejrzyste słowniki synonimów, porównać wyniki w niezależnych bazach danych oraz przeprowadzić triangulację sygnałów gwałtownego wzrostu z roczną częstotliwością słów kluczowych i opiniami ekspertów. Nie przeprowadzono dedykowanej analizy najczęściej cytowanych prac; przyszłe badania mogłyby uwzględnić analizę prac przełomowych, aby dalej scharakteryzować i niezależnie zwalidować zmiany czasowe w tematach badań nad AMR. Analiza nakładania map podwójnych (dual-map overlay analysis) wykraczała również poza zakres niniejszego badania i może zostać rozważona w przyszłych pracach w celu scharakteryzowania ścieżek cytowań na poziomie czasopism.

Wzorce bibliometryczne sugerują, że badania nad AMR w Chinach coraz bardziej przesuwają się z nadzoru opisowego w stronę badań mechanistycznych oraz opracowywania innowacyjnych interwencji. Mimo znaczących postępów w kontrolowaniu MRSA dzięki kompleksowemu nadzorowi nad stosowaniem antybiotyków, patogeny Gram-ujemne oporne na karbapenemy pozostają krytycznym zagrożeniem wymagającym pilnej uwagi. Pojawienie się modeli predykcyjnych opartych na AI, terapii fagowej oraz interwencji opartych na CRISPR może stworzyć w przyszłości możliwości walki z AMR, choć ich przeniesienie z badań laboratoryjnych do praktyki klinicznej pozostaje wyzwaniem. Wyniki te wspierają kontynuację nadzoru, zacieśnienie współpracy międzyregionalnej oraz stałe prowadzenie badań zarówno nad konwencjonalnymi antybiotykami, jak i nowymi strategiami terapeutycznymi.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
CiteSpace	Drexel University, Philadelphia, PA, USA	wersja 6.4.R1	Do przeprowadzenia kompleksowej analizy bibliometrycznej, w tym analizy współautorstwa, analizy współwystępowania słów kluczowych, analizy klastrów oraz detekcji gwałtownych wzrostów (burst detection).
China National Knowledge Infrastructure (CNKI)	China National Knowledge Infrastructure	Nie dotyczy	Do zestawienia artykułów badawczych pochodzących z chińskich źródeł krajowych.
R	oprogramowanie R	wersja 4.3.2
Web of Science Core Collection (SCI-E)	Web of Science	Nie dotyczy	Do systematycznego przeszukiwania i pobierania międzynarodowej literatury.