Исследовательская статья

Визуальный библиометрический анализ актуальных тем и тенденций исследований антибиотикорезистентности в Китае

25 просмотров

⸱

DOI:

10.3791/72404

⸱

8 сентября 2026 г.

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

В этой статье

Краткое содержание

В данном библиометрическом анализе с помощью CiteSpace картируются тенденции исследований антимикробной резистентности и возникающие «горячие точки» в Китае за период 2016–2025 гг. Результаты указывают на растущее внимание к новым методам терапии и технологическим подходам, а также на контрастные тенденции резистентности MRSA и CRKP, что подчеркивает необходимость постоянного эпидемиологического надзора и целевого контроля за применением противомикробных препаратов.

Аннотация

Целью данной работы является систематический анализ ландшафта исследований антимикробной резистентности (AMR) в Китае за период 2016–2025 гг., выявление «горячих точек» и обнаружение новых тенденций с использованием методов библиометрической визуализации. Мы собрали 3 096 публикаций из базы данных Web of Science Core Collection (включая Science Citation Index Expanded, SCI-E) и China National Knowledge Infrastructure (CNKI). С помощью программы CiteSpace был проведен анализ сетей соавторства, картирование совместной встречаемости ключевых слов и кластерный анализ с использованием алгоритма отношения логарифмического правдоподобия (LLR). Выявление всплесков (burst detection) по алгоритму Клейнберга позволило определить передовые рубежи исследований, а показатель модулярности Q (>0,3) и метрики силуэта подтвердили структурное качество сети. Количество публикаций выросло с 357 в 2016 году до 365 в 2022 году с ускорением темпов роста после периода 2019–2022 гг. Было выявлено шесть основных исследовательских кластеров со значимой структурной валидностью (модулярность Q = 0,8108). Анализ всплесков определил мобилизуемую резистентность к колистину-1 (mcr-1, сила всплеска 9,12) и карбапенемазы (8,52) как наиболее сильные развивающиеся сигналы. Мониторинг резистентности выявил разнонаправленные тенденции: распространенность карбапенем-резистентных Klebsiella pneumoniae тревожно увеличилась с 5,6% до 20,0%, тогда как распространенность метициллин-резистентных Staphylococcus aureus снизилась с 48,8% до 25,8%. Анализ авторской сети выявил высокоцентрализованную структуру с ограниченным межрегиональным сотрудничеством. Значительный рост интереса наблюдался к новым методам терапии, включая антимикробные пептиды, фаготерапию и применение машинного обучения. В целом библиометрические паттерны свидетельствуют о том, что исследования AMR в Китае эволюционировали от описательного мониторинга к механистическим исследованиям и повышенному вниманию к инновационным методам вмешательства. Контрастное снижение уровня метициллин-резистентных Staphylococcus aureus и рост числа карбапенем-резистентных патогенов подчеркивают необходимость продолжения государственного надзора, укрепления межрегионального сотрудничества, целенаправленного контроля за использованием противомикробных препаратов и осторожного внедрения новых технологий в клиническую практику.

Введение

Антимикробная резистентность (АМР) представляет собой критическую угрозу для глобального общественного здравоохранения; Всемирная организация здравоохранения включила ее в число десяти главных угроз здоровью человечества1. Экономическое бремя АМР весьма значительно: согласно прогнозам, при сохранении текущих тенденций к 2050 году резистентные инфекции могут стать причиной 10 миллионов смертей ежегодно во всем мире2. Фундаментальные механизмы антимикробной резистентности у бактерий включают сложные генетические и фенотипические адаптации, в том числе ферментативную модификацию препаратов, изменение сайтов-мишеней, гиперэкспрессию эффлюксных насосов и образование биопленок, что в совокупности ставит под угрозу эффективность существующего терапевтического арсенала3. Недавние глобальные оценки дополнительно подчеркнули масштаб этой проблемы: в настоящее время антимикробная резистентность признана сложным экологическим феноменом, требующим скоординированных действий в области здравоохранения людей, животноводства и охраны окружающей среды4. АМР также имеет более широкие последствия для устойчивого развития, включая экологические и социально-экономические цели5. Проблема стоит особенно остро в борьбе с резистентностью при малярии, ВИЧ и туберкулезе, где штаммы с множественной лекарственной устойчивостью угрожают достижениям последних десятилетий в области контроля инфекционных заболеваний6. Исторический анализ эпидемиологии АМР в Китае выявил отличительные характеристики по сравнению с западными популяциями, включая уникальные профили генов резистентности и динамику передачи, обусловленную практикой здравоохранения и моделями потребления антибиотиков7.

Китай с его многочисленным населением и значительным потреблением антибиотиков сталкивается с особенно серьезными проблемами антибиотикорезистентности (AMR). Потребление антибиотиков на душу населения в Китае остается существенно выше, чем во многих европейских странах, что создает селективное давление, способствующее развитию резистентности8. Признавая серьезность этого кризиса, правительство Китая внедрило Национальный план действий по сдерживанию антимикробной резистентности (2016–2020, 2022–2025) и создало Китайскую систему эпидемиологического надзора за антимикробной резистентностью (CARSS) для мониторинга паттернов резистентности в масштабах всей страны9. С региональной точки зрения Юго-Восточная Азия стала критически важным «горячим узлом» для исследований и распространения AMR; библиометрический анализ показывает стремительный рост объема исследований, который повторяет траекторию Китая10. Глобальные тенденции и прогнозы свидетельствуют о том, что без решительного вмешательства бремя смертности от AMR будет непропорционально сильно затрагивать страны со средним уровнем дохода; согласно некоторым прогнозам, к середине столетия на Азиатско-Тихоокеанский регион может прийтись почти половина всех смертей, связанных с резистентностью11. Эти тревожные прогнозы стимулировали международные обязательства по контролю за использованием противомикробных препаратов, хотя во всем мире сохраняются разрывы в реализации между формулированием политики и клинической практикой12. Данные инициативы позволили собрать обширные данные по эпидемиологии резистентности, молекулярным механизмам и клиническим исходам, что стало богатым источником для библиометрического анализа. В связи с этим современные концепции «Единого здоровья» (One Health) делают акцент на скоординированных мерах в области здравоохранения людей, ветеринарии, сельского хозяйства и охраны окружающей среды, поддерживаемых программами рационального применения противомикробных препаратов и технологиями экспресс-диагностики13.

Библиометрический анализ, использующий математические и статистические методы для количественного анализа опубликованной литературы, позволяет исследователям выявлять актуальные темы исследований, отслеживать траектории их развития и прогнозировать будущие направления14. Инструменты визуализации, такие как CiteSpace, преобразуют сложные данные о цитировании в интуитивно понятные карты знаний, раскрывая скрытые закономерности в научной литературе15. В предыдущих библиометрических исследованиях были картированы тенденции в конкретных областях антимикробной резистентности (AMR), включая глобальные исследования резистентности к противогрибковым препаратам16. Однако всеобъемлющий библиометрический анализ, объединяющий исследования по AMR в Китае на китайском и английском языках, остается ограниченным. В отличие от предыдущих библиометрических анализов, сосредоточенных на конкретных областях AMR, настоящее исследование объединяет записи из китайской базы данных CNKI и англоязычной базы Web of Science, а также отдельно контекстуализирует библиометрические результаты с использованием национальных тенденций надзора CARSS. Целью данной работы является систематический библиометрический анализ исследований AMR в Китае за период 2016–2025 гг. с использованием программного обеспечения CiteSpace для построения карт знаний и разработки научно обоснованных рекомендаций по приоритетам будущих исследований и формированию политики. Такой комбинированный дизайн обеспечивает двуязычный обзор исследовательского ландшафта, позволяя интерпретировать библиометрические тенденции параллельно с национальными данными надзора за резистентностью, но независимо от них.

Протокол

Источники данных

Для обеспечения глобального охвата исследований антибиотикорезистентности (AMR), связанных с Китаем, был проведен всесторонний поиск литературы в международных и национальных базах данных. В международной литературе систематический поиск осуществлялся в Web of Science Core Collection (включая Science Citation Index Expanded, SCI-E) и в China National Knowledge Infrastructure (CNKI) за период с 1 января 2016 г. по 31 декабря 2025 г. Точный булев запрос для SCI-E: TS = ((“antimicrobial resistance” OR “antibiotic resistance” OR “drug resistance”) AND (“China” OR “Chinese” OR “Mainland China”)). Для CNKI поиск по полю Subject проводился с использованием эквивалентов терминов «antibiotic resistance», «antimicrobial resistance» и «drug resistance» на китайском языке в сочетании с термином «China». Перед анализом в CiteSpace не проводилось формального объединения синонимов ключевых слов или предварительной обработки на основе тезауруса. Окончательный поиск был выполнен 28 апреля 2026 г., чтобы публикации, вышедшие до 31 декабря 2025 г., успели быть проиндексированы в базах данных. Фильтр года публикации в базе данных был ограничен периодом 2016–2025 гг. Записи с пометкой Early Access дополнительно проверялись в ходе скрининга; статьи, дата первой онлайн-публикации которых пришлась на 2026 г., были исключены из анализа. Метки ключевых слов сверялись с исходными результатами CiteSpace для обеспечения единообразия терминологии в тексте, таблицах и на рисунках.

При поиске в CNKI было получено 983 записи из списка основных журналов Пекинского университета (PKU Core), 802 из Китайской базы цитирования научных работ (CSCD) и 462 из Всемирного индекса влияния журналов (WJCI). Поскольку одна и та же статья может быть проиндексирована в нескольких категориях, эти цифры представляют собой количество записей по конкретным категориям и не являются взаимоисключающими показателями числа публикаций. Таким образом, перед скринингом на соответствие критериям включения три набора записей были объединены. Дубликаты сначала выявлялись путем точного сопоставления DOI. Для записей без DOI сравнивались нормализованные названия статей, имена первых авторов и год публикации. Записи с неполными или противоречивыми метаданными проверялись вручную. Если одна и та же статья встречалась в двух или более категориях индексации CNKI, она сохранялась в объединенном наборе данных CNKI только в одном экземпляре, независимо от количества категорий, в которых она была проиндексирована. После удаления дубликатов внутри CNKI и проведения скрининга на соответствие критериям было отобрано 1 096 уникальных статей на китайском языке. Порог импакт-фактора журналов не применялся, так как целью данного исследования была характеристика общего ландшафта исследований AMR, а не ограничение корпуса работ в зависимости от престижности журнала. Формальная оценка методологического качества или риска систематической ошибки отдельных публикаций не проводилась, поскольку целью исследования было описание общего библиометрического ландшафта, а не оценка методологического качества на уровне отдельных работ.

Первоначально в базах SCI-E и CNKI было выявлено 5 286 записей. Впоследствии для определения потенциальных пересечений между наборами данных CNKI и Web of Science были применены те же критерии, основанные на DOI, названии, авторе и годе публикации. В ходе совместного удаления дубликатов и отбора по критериям соответствия было исключено в общей сложности 2 190 записей, в результате чего для анализа осталось 3 096 публикаций. Полный процесс поиска, скрининга и включения литературы представлен на Дополнительном рисунке 1.

Критериями включения были: исследования, посвященные антимикробной резистентности (AMR) бактерий в Китае; статьи, в которых сообщалось об уровнях резистентности, молекулярной эпидемиологии, клинических исходах или стратегиях вмешательства; а также публикации в период с 1 января 2016 года по 31 декабря 2025 года. Были исключены дубликаты записей, публикации 2026 года, обзоры или метаанализы без оригинальных наборов данных, а также исследования, ограниченные ветеринарной или экологической AMR без компонента, связанного со здоровьем человека. Обзоры и метаанализы без новых первичных наборов данных были исключены, поскольку анализ был направлен на характеристику результатов оригинальных исследований. Ограничение корпуса оригинальными исследованиями повышает сопоставимость библиометрических показателей, включая количество публикаций, структуру соавторства, частоту ключевых слов и показатели цитирования, поскольку статьи по синтезу доказательств объединяют предыдущие исследования и могут иметь существенно иные профили цитирования и ключевых слов. После удаления дубликатов из баз данных и скрининга названий и аннотаций для библиометрического анализа было отобрано в общей сложности 3 096 публикаций, включая 1 096 статей на китайском языке (35,4%) и 2000 публикаций на английском языке (64,6%).

Аналитические методы

Для библиометрического анализа использовали CiteSpace (Drexel University, Philadelphia, PA, USA)17. Временной интервал составил 2016–2025 гг. с длиной временного среза 1 год. Типы узлов выбирались отдельно для анализа авторов, учреждений и ключевых слов. Для выбора узлов использовали g-индекс при k = 10; в отображаемой конфигурации также были заданы LRF = 2.5, L/N = 10, LBY = 5 и e = 1.0. Для сетей авторов, ключевых слов и кластеров применяли прунинг по методу Pathfinder для уменьшения избыточных связей при сохранении основной структуры сети. Временной срез в 1 год был выбран для фиксации ежегодных изменений в рамках 10-летнего окна исследования.

Были использованы четыре основных аналитических модуля: анализ соавторства для картирования сетей сотрудничества между авторами и учреждениями; анализ совместного появления ключевых слов для выявления тем исследований и взаимосвязей между ними; кластерный анализ с использованием алгоритма отношения логарифмического правдоподобия (LLR) для выделения тематических кластеров с автоматической маркировкой; и обнаружение всплесков с помощью алгоритма Клейнберга для выявления новых тенденций и передовых направлений исследований. Для оценки качества кластеризации использовались сетевые метрики, включая модулярность Q и средний силуэт S. Значение модулярности Q более 0,3 указывает на значимую структуру сообществ, в то время как значение среднего силуэта более 0,7 свидетельствует о высокой согласованности внутри кластеров и надежности распределения по кластерам18.

Статистический анализ тенденций резистентности

Тенденции показателей резистентности основных патогенов были получены из ежегодных отчетов Китайской системы надзора за антимикробной резистентностью (CARSS) за 2016–2025 гг., в которых обобщены данные участвующих в мониторинге больниц по всей стране. Эти данные эпиднадзора анализировались независимо от библиометрического корпуса и не извлекались, не объединялись и не включались в число 3 096 публикаций из Web of Science и CNKI, использованных для анализа в CiteSpace.

Для каждой комбинации «патоген — противомикробный препарат» мы извлекли ежегодный уровень резистентности (процент уникальных изолятов, устойчивых к указанному агенту), общее количество протестированных изолятов (знаменатель) и количество больниц сети эпидемиологического надзора, предоставивших данные. Тестирование на чувствительность проводили с использованием стандартизированных методов микроразведений в бульоне или диско-диффузионного метода; интерпретация результатов основывалась на рекомендациях Института клинических и лабораторных стандартов (CLSI) (документы M100, издания 2016–2025 гг.).

Для оценки временных тенденций мы провели линейный регрессионный анализ, где зависимой переменной выступал уровень резистентности, а независимой — год, охватывающий весь 10-летний период (2016–2025). Для каждой пары «патоген — противомикробный препарат» были рассчитаны наклон регрессии (β) и коэффициент детерминации (R2). Чтобы учесть возможные изменения в охвате эпидемиологического надзора (например, расширение с 1 398 больниц в 2016 году до 2 349 больниц в 2025 году), мы также провели анализ чувствительности, взвешивая уровень резистентности за каждый год по обратному числу участвующих больниц и по географическому распределению отчетных центров. Эти взвешенные модели дали направления тенденций и уровни значимости, согласующиеся с результатами невзвешенного анализа; следовательно, для простоты и интерпретируемости представлены невзвешенные результаты. Все статистические анализы были выполнены с использованием R версии 4.3.2 (R Foundation for Statistical Computing, Вена, Австрия). Двустороннее значение p <0,05 считалось статистически значимым.

Результаты

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.

Literature publications trend from 2016 to 2025: English, Chinese, total, line chart analysis.
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.

Collaboration network diagram, nodes represent researchers, edges signify connections over years.
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.

Network diagram of antimicrobial resistance study; key terms: antibiotic resistance, infections, bacteria.
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.

Antimicrobial resistance gene spread diagram; visualizes gene transmission and epidemiological trends.
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.

Antimicrobial resistance trends chart, 2014-2026; data on therapies, mechanisms, clinical metrics.
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.

RankAuthorInstitutionPapersCentrality
1Wang JuanSouth China Agricultural University440.2
2Yue MinZhejiang University440.15
3Xu XuebinShanghai Municipal Center for Disease Control and Prevention420.2
4Wu QingpingInstitute of Microbiology, Guangdong Academy of Sciences420.01
5Zhang JumeiInstitute of Microbiology, Guangdong Academy of Sciences410.04
6Wang YangChina Agricultural University350.11
7Li YanZhejiang University300.23
8Wang WeiChina National Center for Food Safety Risk Assessment260.03
9Chen MoutongInstitute of Microbiology, Guangdong Academy of Sciences250.07
10Wang HuiPeking University People's Hospital240.12

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.

RankInstitutionCityPublicationsTotal citations
1Zhejiang UniversityHangzhou19510,660
2South China Agricultural UniversityGuangzhou1127,496
3China Agricultural UniversityBeijing997,275
4Yangzhou UniversityYangzhou972,227
5Shanghai Jiao Tong UniversityShanghai943,437
6Chinese Academy of Medical Sciences - Peking Union Medical CollegeBeijing913,138
7Chinese Center for Disease Control & PreventionBeijing842,657
8Chinese Academy of SciencesBeijing844,903
9Chinese Academy of Agricultural SciencesBeijing791,988
10Fudan UniversityShanghai783,392

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.

RankKeywordFrequencyCentralityCategory
1Antimicrobial Resistance11670.92General AMR concept
2Carbapenem4670.78Antimicrobial class
3ESBL1680.72Resistance mechanism/phenotype
4MRSA1560.68Resistant clinical pathogen
5Biofilm1340.65Resistance mechanism
6CRE1280.62Resistance phenotype/pathogen group
7P. aeruginosa1080.58Clinical pathogen
8A. baumannii1020.55Clinical pathogen
9K. pneumoniae980.52Clinical pathogen
10E. coli950.5Clinical 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.

Organism2016201820222025Trendp-value
MRSA48.80%35.80%27.20%25.80%Declining<0.001
CRKP5.60%15.20%22.80%20.00%Increasing<0.001
CRPA25.00%27.20%21.50%19.90%Declining0.003
CRAB56.00%64.50%76.80%76.50%High-level<0.001
VRE1.50%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.

RankKeywordBurstBeginEndCategory
1mcr-19.1220162022Resistance gene
2Carbapenemase8.5220162024Resistance mechanism
3Antimicrobial peptides7.9220192024Novel therapy
4Biofilm formation7.2520172024Resistance mechanism
5WGS7.3420182024Molecular typing
6Antibiotic stewardship6.8920172024Clinical management
7Phage therapy6.5420202024Novel therapy
8Combination therapy6.2320172023Treatment strategy
9Machine learning5.8320212024Technology
10CRISPR4.9220222024Technology

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.

Обсуждение

Библиометрические закономерности свидетельствуют о том, что исследования AMR в Китае постепенно расширились: от описательного надзора и характеристики патогенов к изучению механизмов резистентности, геномным подходам и исследованиям, ориентированным на терапевтическое вмешательство. Пересекающиеся кластеры ключевых слов и периоды всплесков указывают на кумулятивную тематическую диверсификацию, а не на три отдельные и взаимоисключающие стадии. Время этих изменений совпало с реализацией Национальных планов действий по сдерживанию противомикробной резистентности на 2016–2020 и 2022–2025 годы, что создает соответствующий политический контекст; однако данный библиометрический анализ не может однозначно установить, что публикация этих планов стала причиной наблюдаемых изменений в темах публикаций. Рост числа публикаций отражает как нарастающую (2019–2021) серьезность кризиса AMR, так и усиление государственных и институциональных усилий по решению этой проблемы. Соответственно, предлагаемая эволюция тем исследований должна интерпретироваться описательно и не была независимо подтверждена с помощью анализа основополагающих работ или анализа наиболее цитируемых работ для конкретных этапов. В глобальном контексте траектория объема исследований Китая совпадает с более общими закономерностями, наблюдаемыми в странах с развивающейся экономикой, где объем публикаций по AMR рос экспоненциально в ответ на увеличение бремени резистентности21.

Снижение объема публикаций после пика 2022 года совпало с периодом реализации второго Национального плана действий по сдерживанию антимикробной резистентности (2022–2025), в то время как предшествующий рост последовал за первым планом действий (2016–2020). Эта временная закономерность может отражать изменения в исследовательских приоритетах, распределении финансирования и структуре публикаций на разных этапах реализации политики, а не простое сокращение активности исследований AMR. Однако задержка в публикации и индексировании, охват баз данных и критерии отбора исследований также могли способствовать видимому спаду, особенно в последние годы. Таким образом, данный библиометрический анализ не позволяет установить причинно-следственную связь между национальным планом действий и объемом публикаций.

Анализ сети сотрудничества выявил высокоцентрализованную структуру, в которой Wang Juan, Yue, Min и Zhejiang University выступают в качестве критических узлов, соединяющих региональные исследовательские центры. Однако ограниченный уровень межрегионального сотрудничества (плотность сети = 0.0137) указывает на слабую связность между исследовательскими группами; при этом формальный анализ публикаций по регионам (Восток/Центр/Запад) не проводился. Практическая модель межрегионального сотрудничества могла бы использовать CARSS в качестве национальной основы для надзора и координации данных, региональные медицинские консорциумы — в качестве подразделений по гармонизации сбора образцов, процедур тестирования на чувствительность и многоцентровой клинической валидации, а университетские исследовательские платформы — в качестве центров геномного секвенирования, биоинформатики и разработки методологий. Общие словари данных, деидентифицированные совместимые наборы данных, регулярный межрегиональный бенчмаркинг и совместные проекты по раннему предупреждению могли бы помочь преобразовать сигналы надзора в исследовательские приоритеты и локально адаптированные меры по управлению антимикробной терапией. Предложенная модель представляет собой путь реализации, выведенный из результатов анализа сети, а не вмешательство, которое оценивалось бы непосредственно в данном исследовании.

Выявленные в данном исследовании расходящиеся тенденции резистентности имеют глубокие клинические последствия. Резкое снижение уровня MRSA (48,8%→25,8%; β = –2,43% в год, p < 0,001) демонстрирует, что скоординированные национальные меры — включая обязательный эпидемиологический надзор, кампании по гигиене рук и программы рационального использования противомикробных препаратов — могут эффективно бороться с резистентными патогенами22.

Расходящиеся траектории, вероятно, отражают различия между патогенами в селективном давлении антимикробных препаратов, механизмах резистентности, экологической персистентности, динамике передачи и эффективности мер инфекционного контроля. Снижение распространенности MRSA может быть связано с более широким внедрением программ эпидемиологического надзора и инфекционного контроля, в то время как растущая или стабильно высокая резистентность CRKP и CRAB может отражать продолжающееся распространение детерминант устойчивости к карбапенемам и трудности в контроле многорезистентных грамотрицательных организмов. Незначительное снижение уровня CRPA указывает на то, что тенденции резистентности нельзя обобщать для всех карбапенем-резистентных патогенов. Аналогично, рост числа случаев VRE относительно низкого исходного уровня требует дальнейшего мониторинга. Поскольку эти факторы не измерялись напрямую, их следует рассматривать как вероятные интерпретации, а не как доказанные причинно-следственные механизмы.

В соответствии с результатами анализа всплесков, mcr-1 и карбапенемазы оставались основными темами исследований, что отражает устойчивое внимание к мобильной резистентности к колистину и карбапенем-резистентным организмам. Появление антимикробных пептидов и фаговой терапии свидетельствует о растущем интересе к альтернативам традиционным антибиотикам, в то время как полногеномное секвенирование, машинное обучение и CRISPR отражают усиление внимания к геномному надзору, прогнозированию резистентности и генно-таргетным подходам. В недавних исследованиях дополнительно подчеркивались возможности применения искусственного интеллекта в надзоре за AMR, идентификации маркеров резистентности, анализе биопленок, диагностике и поиске новых антимикробных препаратов12,23,24,25.

Однако обнаружение этих терминов в качестве передовых направлений исследований не указывает на клиническую готовность. Модели машинного обучения требуют стандартизированных многоцентровых наборов данных, внешней и проспективной валидации, интерпретируемости моделей, а также интеграции в лабораторные и клинические рабочие процессы. Фаготерапия сталкивается с проблемами, связанными со специфичностью штаммов, стабильностью производства, контролем качества, эволюцией резистентности и регуляторной стандартизацией, тогда как антибактериальные стратегии на основе CRISPR остаются ограниченными эффективностью доставки, побочными эффектами (off-target effects), биобезопасностью и требованиями к локализации. В международных исследованиях все большее внимание уделяется многоцентровой валидации, стандартизированному производству и регуляторным путям; эти аспекты также следует учитывать при оценке трансляционной зрелости исследований, проводимых в Китае. Поскольку в данном исследовании не проводилось количественное сравнение этапов клинической разработки внутри страны и за рубежом, данная интерпретация носит качественный характер.

Исследования, проведенные в различных клинических популяциях и условиях инфицирования, демонстрируют значительную вариабельность в распределении патогенов и профилях антимикробной резистентности26,27,28,29,30,31,32,33,34,35,36,37,38. В совокупности эти данные указывают на то, что на паттерны резистентности влияют характеристики пациентов, локализация инфекции, воздействие антимикробных препаратов и местная эпидемиология. Карбапенем-резистентные грамотрицательные патогены остаются серьезной проблемой в различных условиях, в то время как эмпирическая терапия должна основываться на данных местного эпидемиологического надзора и стандартизированном тестировании на чувствительность. Данные о комбинированной терапии, комбинациях β-лактамов с ингибиторами β-лактамаз, производных тетрациклина и других альтернативных методах лечения также создают клинический контекст для терапевтических тем, выявленных в ходе анализа ключевых слов и всплесков30,39.

В соответствии с результатами анализа ключевых слов и кластеров, образование биопленок остается важным фенотипическим механизмом, способствующим толерантности к противомикробным препаратам и неэффективности терапии. Исследования Cutibacterium acnes иллюстрируют, как структурированные микробные сообщества могут повышать толерантность за счет создания физических барьеров и изменения микроокружения40. Некодирующие РНК также оказались потенциальными регуляторами экспрессии генов резистентности у Acinetobacter baumannii41. Параллельно с этим, ингибиторы β-лактамаз нового поколения, производные тетрациклина и комбинированные режимы терапии расширили область исследований терапевтических возможностей для борьбы с карбапенем-резистентными организмами42. Эти разработки сохраняют свою клиническую значимость с учетом стойкой резистентности высокого уровня Klebsiella pneumoniae и Acinetobacter baumannii, зафиксированной в данных национального эпидемиологического надзора43.

Точки зрения медицинских работников на антимикробную резистентность, особенно в таких специализированных областях, как хронические респираторные заболевания, подчеркивают критическую важность поведенческих факторов человека для успеха программ контроля за использованием антибиотиков44. Кроме того, общенациональный анализ факторов, связанных с клинической антимикробной резистентностью, выявил, что основным движущим фактором является плотность потребления антибиотиков; это подтверждает, что повышенное использование карбапенемов и цефалоспоринов третьего поколения напрямую коррелирует с ростом резистентности Pseudomonas aeruginosa и других грамотрицательных патогенов45.

Следует признать несколько ограничений. Во-первых, различия в охвате баз данных, методах индексации, структуре полей, а также терминологии на китайском и английском языках могли привести к систематической ошибке при поиске и могли помешать полному сопоставлению семантически эквивалентных записей. В настоящем исследовании не проводился отдельный тематический анализ китайскоязычного и англоязычного корпусов; следовательно, языковые различия в акцентах исследований не могли быть количественно оценены. Во-вторых, библиометрические показатели не позволяют напрямую оценить методологическое качество или риск систематической ошибки отдельных исследований, а показатели на основе цитирования могут отдавать предпочтение более старым, более заметным или индексируемым на международном уровне публикациям. В-третьих, исключение ветеринарных и экологических исследований без явного компонента здоровья человека, наряду с ограниченным охватом материалов конференций, институциональных отчетов, диссертаций и другой «серой» литературы, может привести к недостаточному представлению более широкого ландшафта AMR в рамках концепции One Health, особенно данных из общинного и сельского секторов. Исключение систематических обзоров и метаанализов без новых первичных наборов данных также может привести к недооценке вклада синтеза доказательств в формирование «горячих точек». В-четвертых, задержки в публикации и индексации могли снизить представленность исследований, опубликованных ближе к концу периода исследования. В-пятых, алгоритм обнаружения всплесков Клейнберга может генерировать ложноположительные сигналы, когда ключевые слова демонстрируют краткосрочные или спорадические временные колебания. Кроме того, формальный анализ чувствительности параметров CiteSpace не проводился; следовательно, устойчивость сети, кластеризации и результатов анализа всплесков при альтернативных настройках параметров CiteSpace не оценивалась. Отсутствие формального объединения синонимов могло привести к фрагментации семантически эквивалентных ключевых слов и могло повлиять на оценки частоты ключевых слов и структуру сети. Поскольку формальный анализ публикаций по Восточному, Центральному и Западному Китаю не проводился, региональные различия в объеме публикаций не могли быть количественно оценены.

В будущих исследованиях следует протестировать альтернативные параметры чувствительности к всплескам и пороги минимальной продолжительности, применить прозрачные словари синонимов, сравнить результаты по независимым базам данных, а также провести триангуляцию сигналов всплесков с ежегодной частотой ключевых слов и экспертной оценкой. Специальный анализ наиболее цитируемых работ не проводился; будущие исследования могут включить анализ ключевых статей для дальнейшей характеристики и независимой валидации временных изменений в темах исследований AMR. Анализ наложения двойных карт также вышел за рамки данного исследования и может быть рассмотрен в будущих работах для характеристики путей цитирования на уровне журналов.

Библиометрические закономерности свидетельствуют о том, что исследования антибиотикорезистентности (AMR) в Китае все больше смещаются от описательного эпиднадзора в сторону изучения механизмов и разработки инновационных методов вмешательства. Несмотря на значительный прогресс в борьбе с MRSA благодаря комплексному управлению использованием антибиотиков, карбапенем-резистентные грамотрицательные патогены остаются критической угрозой, требующей неотложного внимания. Появление прогностических моделей на базе ИИ, фаговой терапии и методов вмешательства на основе CRISPR может открыть будущие возможности для борьбы с AMR, хотя их внедрение из лабораторных исследований в клиническую практику остается сложной задачей. Полученные результаты подтверждают необходимость продолжения надзора, укрепления межрегионального сотрудничества и проведения систематических исследований как традиционных антибиотиков, так и новых терапевтических стратегий.

Раскрытие информации

Авторы заявляют, что при подготовке данной рукописи использовались инструменты генеративного искусственного интеллекта (ИИ) следующим образом: Grammarly (версия 1.2.3) использовался для стилистической правки и грамматической коррекции окончательного черновика рукописи; ChatGPT от OpenAI (GPT-4, доступ через API от 15 марта 2026 г.) использовался для помощи в очистке библиометрических данных и создания первичных скриптов на языке Python для предобработки данных; инструменты ИИ не использовались для получения научных результатов, интерпретации данных или формулирования выводов; все рисунки и таблицы были созданы непосредственно на основе выходных данных CiteSpace и R 4.3.2 без использования ИИ. Авторы проверили и подтвердили все содержимое, созданное с помощью ИИ, и несут полную ответственность за точность и целостность рукописи.

Благодарности

Авторы выражают искреннюю благодарность инфекционному отделению Привязанной народной больницы Нинбоского университета (Народная больница Иньчжоу) за административную и техническую поддержку, необходимую для подготовки данной рукописи.

Данное исследование было профинансировано в рамках Проекта ведущих академических дисциплин в области медицины и здравоохранения города Нинбо (грант № 2026-A42).

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
CiteSpaceDrexel University, Philadelphia, PA, USAversion 6.4.R1Для проведения комплексного библиометрического анализа, включая анализ соавторства, анализ совместной встречаемости ключевых слов, кластерный анализ и обнаружение всплесков цитирования.
China National Knowledge Infrastructure (CNKI)China National Knowledge InfrastructureНеприменимоДля сбора исследовательских статей из китайских внутренних источников.
RR softwareversion 4.3.2
Web of Science Core Collection (SCI-E)Web of ScienceНеприменимоДля систематического поиска и извлечения международной литературы.

Ссылки

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

Перепечатки и разрешения

Теги

AMR
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.