徐玉嬌，陳 青，倪 娟，李淳儷

醫(yī)院感染一直是較為嚴重的全球公共衛(wèi)生問題，不僅嚴重威脅廣大病人的生命及健康而且對醫(yī)院和整個社會都造成了諸多不良影響。目前，醫(yī)院感染防控工作已成為現(xiàn)代醫(yī)院管理關注的重點問題[1-2]。當今自然環(huán)境污染加劇,國內外社會環(huán)境復雜、變化多端，各種少見的感染性疾病和一些新型病毒接踵而來，特別是2019年新型冠狀病毒肺炎(COVID-19)的爆發(fā)和流行，給醫(yī)院感染防控造成了巨大挑戰(zhàn)。因此，正確執(zhí)行醫(yī)院內部感染防控管理顯得至關重要[3-4]，這也一直是全球醫(yī)學界所面臨的研究課題之一。

文獻計量學是一種通過數(shù)學、統(tǒng)計學等科學進行計量的技術方法，對各種所需要研究的類型文獻系統(tǒng)里面的信息資料分布、結構、規(guī)律關系以及信息數(shù)量方面進行探索，可綜合反映出各種研究領域知識庫和發(fā)展趨勢[5]。CiteSpace軟件是目前基于實現(xiàn)文獻計量學進行可視化分析的重要軟件之一，可以通過清晰直觀的圖譜相對全面地展示出當前文獻研究的熱點和發(fā)展趨勢[6-7]。當今CiteSpace文獻計量軟件已被廣泛應用于醫(yī)學、生態(tài)學領域中[8-10]。但目前，將CiteSpace軟件應用于醫(yī)院感染領域中較少[11-13]，因此有必要對近3年有關醫(yī)院感染防控方面的文獻進行可視化分析。本研究運用CiteSpace軟件分析Web of Science數(shù)據(jù)庫中的醫(yī)院感染防控相關文獻，探索該領域的研究現(xiàn)狀和熱點，以期為醫(yī)院感染防控提供有效參考。

1 資料與方法

1.1 收集資料 檢索Web of Science數(shù)據(jù)庫核心合集，將檢索時間點設置為2018年7月—2021年7月，具體檢索策略：((TI=(nosocomial infection control))OR TI=(infection control)) AND LA=(English),不限文獻類型。

1.2 研究方法 首先將Web of Science檢索出的文獻全部導入Excel表格，再從國家/地區(qū)、機構、期刊3個方面著手對文獻進行計量分析。具體分析過程：采用CiteSpace5.7.R1軟件對所納入的文獻進行可視化分析，將文件名設置為download_XX-XX.txt，如“download_1-500.txt”；時間跨度設置為2018年7月-2021年7月，時間分區(qū)為1，再根據(jù)需要是否對其進行修剪，其余選項選擇默認選項，節(jié)點設置為國家/地區(qū)、機構、作者合作、關鍵詞。

2 結果

2.1 文獻一般情況與國家/地區(qū)發(fā)文量的計量分析 將在Web of Science數(shù)據(jù)庫所有檢索到的文獻導入NoteExpress軟件，剔除重復文獻，共納入文獻3 019篇。2018年7月—2021年7月共有140個國家或地區(qū)發(fā)表了醫(yī)院感染防控相關文獻，美國、英國、中國的發(fā)文量位居前3位，見圖1。

2.2 國家/地區(qū)發(fā)文量的計量分析 該時間段參與醫(yī)院感染防控文獻發(fā)表共有140個國家/地區(qū)，發(fā)文量居前10位的國家中美國、英國、中國3個國家位居前3位，如圖1所示。其中美國發(fā)文量最多，為823篇，占26.17%,第二位為英國，第三位為中國。

圖1 醫(yī)院感染防控發(fā)文量前10位的國家

2.3 機構發(fā)文量的計量分析 共有117個機構發(fā)表了醫(yī)院感染防控相關文獻，發(fā)文量最多的是倫敦大學(107篇)，其次是加利福尼亞大學系統(tǒng)、牛津大學；發(fā)文量排名前10位的機構均為大學或大學附屬醫(yī)院，見圖2。

圖2 醫(yī)院感染防控文獻發(fā)表數(shù)量前10位的機構

2.4 期刊發(fā)文量的計量分析 共有161本期刊發(fā)表了醫(yī)院感染防控相關文獻，發(fā)文量前3位的期刊依次是InfectiousDiseases，PublicEnvironmentalOccupationalHealth，Immunology,其中，期刊影響因子>5分的分別為Microbiology，TropicalMedicine，GastroenterologyHepatology，Surgery。見圖3。

圖3 醫(yī)院感染防控文獻居前10位的期刊及發(fā)文量

2.5 作者合作的可視化分析 參數(shù)設置：Node Types選擇Author,Selection Criteria選擇TOPN 50，P-runing選擇Minimum Spanning Tree。圖4為作者合作網絡圖譜，共得到節(jié)點352個，245條連線，密度為0.004。圖中所出現(xiàn)的每個節(jié)點代表一位作者，節(jié)點越大代表作者發(fā)文量越多；不同作者之間的連線代表的是他們的合作關系，連線越粗說明作者之間聯(lián)系越緊密。其中發(fā)文量最多的是ANONYMOUS，為23篇，在作者發(fā)文量中以美國學者居多。另外，還主要形成了以STEPHEN L HOFFMAN、B KIM LEE SIM為核心的作者研究群，但作者之間的合作不夠密切，因此學者之間應加強針對于醫(yī)院感染的防控方面交流，多進行跨國、跨地區(qū)的學習。

圖4 醫(yī)院感染防控文獻的作者合作網絡

2.6 關鍵詞的共現(xiàn)和聚類分析 運行CiteSpace軟件，對關鍵詞進行共現(xiàn)分析。每一節(jié)點代表一個關鍵詞，節(jié)點直徑越大表明關鍵詞頻次越高[14]，通過高頻關鍵詞可以了解到該領域的熱點和最新動態(tài)，具體見圖5。中心性排名前10位的關鍵詞見表1，關鍵詞中心性越高，代表該關鍵詞在知識結構的演進過程中越重要。從這些高中心性的關鍵詞可知，醫(yī)院感染防控研究重點圍繞“控制傳染、切斷傳播途徑、保護易感人群”展開。關鍵詞聚類分析顯示，Q=0.758 3,S=0.940 5,共生成包含9個聚類的關鍵詞的網絡圖譜(見圖6)，9個聚類分別為：#0 safety,#1 risk,#2 infection control,#3 epidemiology,#4 covid-19,#5 hand hygiene,#6 optimal control,#7 mortality,#8 inflammation。在高頻關鍵詞前6位中，risk存在于聚類#1，infection control、prevention共同存在于聚類#2，risk factor、epidemiology存在于聚類#3，covid-19存在于聚類#4。

圖5 醫(yī)院感染防控文獻的關鍵詞共現(xiàn)網絡

表1 醫(yī)院感染防控領域中心性排名前10位的關鍵詞

圖6 醫(yī)院感染防控文獻的關鍵詞聚類網絡圖譜

3 討論

3.1 國際醫(yī)院感染研究熱點的啟示 COVID-19的大流行給全球各醫(yī)院及醫(yī)療衛(wèi)生保健系統(tǒng)帶來了巨大壓力，醫(yī)院感染防控成了社會關注的熱點話題[15-16]。本研究從不同的角度剖析了國際醫(yī)院感染控制的有關文獻，并從中挖掘出有效信息，為國內醫(yī)院感染防控有關研究提供了一定的思路。從文獻的計量分析來看，近3年發(fā)文量最多的國家為美國，其次是英國和中國。在發(fā)文量居前10位的機構中，其中有5個機構均位于美國，這表明美國學者們對于醫(yī)院感染防控有著更多的研究和關注度。InfectiousDiseases是醫(yī)院感染領域代表期刊，醫(yī)院感染防控領域的發(fā)文量排名第一。關鍵詞共現(xiàn)結果揭示了醫(yī)院感染防控的重點是“醫(yī)院感染的控制”“防控舉措”“危險因素”“流行病”等方面。作者可視化結果顯示，作者之間的合作還不夠密切，建議進一步加強交流與學習，共同為醫(yī)院感染防控以及人類健康事業(yè)做出貢獻。聚類分析是一種研究統(tǒng)計與分析理論的新技術，通常認為Q>0.3表明聚類結構合理，S值即為聚類平均輪廓值，S>0.7表明聚類內部具有高度一致性，并且結果是可信的。本研究中的Q=0.758 3,S=0.940 5,其結果也是可信的。高中心性關鍵詞與聚類之間存在交叉對應關系，安全性、療效、抗體、疫苗、瘧疾與聚類#0，風險、兒童、艾滋病毒、健康、尿路感染與聚類#1，手術部位感染、抗藥性、抗菌藥物管理與聚類#2，流行病學、危險因素、感染、新冠病毒-19、SARS與聚類#3等。從最大的幾個聚類來看，醫(yī)院感染防控的病種主要集中在艾滋病、瘧疾以及新型冠狀病毒肺炎[17-18]。

3.2 信息化在醫(yī)院感染防控研究前沿中的應用 隨著科學的進步以及大數(shù)據(jù)時代的來臨，借助科技進行醫(yī)院感染防控愈發(fā)重要。CiteSpace軟件可以用來揭示科學分析背后所蘊藏的知識[11]，本研究運用CiteSpace研究了醫(yī)院感染防控相關文獻，通過計量分析和可視化手段，可識別目前研究的熱點和趨勢，給未來的研究提供了一定的方向和思路。在當今信息化的時代背景下，整個衛(wèi)生領域目前的研究熱點與大數(shù)據(jù)緊密聯(lián)系在一起，其中CiteSpace軟件也被廣泛應用于醫(yī)學領域[19-20]中，但由于目前數(shù)據(jù)庫仍受到一定的限制，本研究只選取了Web of Sience數(shù)據(jù)庫，可能還不夠全面，沒有將本領域的研究熱點和方向充分展現(xiàn)出來，因此仍有待包容性更好的可視化軟件的更新和突破。