引用本文： 周浩, 張永佳, 徐英. 近十年重癥醫學應用人工智能技術的可視化分析. 中國循證醫學雜志, 2023, 23(8): 930-935. doi: 10.7507/1672-2531.202303058 復制
人工智能（artificial intelligence，AI）是一個廣義的計算機科學術語，其具有感知、推理、歸納、總結及做出決定的能力，AI技術大致可分為機器學習（machine learning，ML）、自然語言處理、計算機視覺等[1]。AI已應用于分子生物學、生物信息學和醫學影像學等醫學領域，主要用于人口健康管理、提供有針對性的診斷和治療、監測病人數據、預測健康軌跡、指導手術及護理[2-4]。重癥監護室（intensive care unit，ICU）中，由于病人病情危重、病情變化迅速，需要醫護人員通過各種設備對病人生命體征、出入量、用藥情況等與病情變化相關指標進行嚴密監測并不斷生成大量的數據入庫[5]。隨著計算機科學的發展，已經有從各種臨床數據信息系統中整合和歸檔而建立的大型研究數據庫出現，如公共ICU數據庫eICU[6]和MIMIC[7]，這些公共數據庫的開放對AI技術在重癥醫學臨床研究中的應用和決策支持工具的開發提供了助力。利用AI技術進行重癥監護數據分析，并進行疾病預后評估、重癥監測、病情預測、治療決策成為研究新靶點[8-9]。
文獻計量學研究是一種可量化的信息學技術，通過對學術文獻進行分析，可以對某一主題進行宏觀、定量或定性的概述，并對該領域活躍度高的作者、機構、國際合作和研究熱點等進行總覽[10]。盡管人們對AI技術應用于重癥醫學領域的興趣越來越濃厚，但仍缺乏衡量和分析國內外研究現狀及趨勢的文獻計量研究。因此，本文旨在運用文獻計量學方法對近十年國內外重癥醫學領域應用AI技術的研究趨勢進行可視化分析，分析核心作者、領先國家和機構，以探討未來的研究熱點及潛在合作方向。
1 資料與方法
1.1 納入與排除標準
納入標準：① AI技術應用于重癥醫學的文獻；② 中文文獻類型為期刊論文，英文文獻類型為“Article”或“Review”。
排除標準：① 重復發表的文獻；② 與研究內容不相關的文獻；③ 文獻類型為會議論文、報紙、年鑒、評論及新聞；④ 無法獲取全文的文獻。
1.2 文獻檢索策略
計算機檢索CNKI、WanFang Data、VIP和Web of Science核心合集數據庫，搜集重癥醫學領域應用AI技術的相關文獻，檢索時限均從2013年1月1日至2022年12月31日。中文檢索詞包括：人工智能、AI、機器學習、深度學習、預測模型、神經網絡、支持向量機、決策樹、隨機森林、貝葉斯網絡、重癥醫學、重癥監護室、重癥護理、病危等；英文檢索詞包括：artificial intelligence、AI、machine learning、deep learning、prediction mode、neural network、support vector machine、decision tree、random forest、Bayesian network、intensive care medicine、ICU、intensive care unit、intensive care、critically ill等。
1.3 文獻篩選與資料提取
由2位研究者獨立篩選文獻和提取資料并交叉核對，如遇分歧則咨詢第三方協助判斷。文獻檢索后導出題錄，題錄包含文獻作者、關鍵詞、摘要、機構、發表期刊、年度等信息。分別將導出后的中英文題錄文件導入NoteExpress 3.2軟件去除重復、不符合納入標準的文獻。
1.4 統計分析
采用CiteSpace 5.7.R5和Vosviewer 1.6.19軟件進行文獻計量學分析。設置參數：時間分區為2013—2022年，時間切片（YearPerSlice）為1年，閾值（TopN per Slice）為25，統計各年度國內外數據庫收錄文獻數量，使用Microsoft Excel 2019軟件繪制出變化趨勢條形圖以了解近年來發文量變化趨勢；生成對作者、關鍵詞、機構等方面的共現網絡，突出國內外在重癥醫學應用AI技術領域研究較多的作者、機構，展現不同作者、機構研究方向、合作程度以及該領域的熱點方向分布。
2 結果
2.1 發文量分析
共納入986篇中文文獻、4 016篇英文文獻。發文量呈逐年遞增的趨勢（圖1）。
圖1
2013—2022年人工智能應用于重癥監護領域的發文量及趨勢
2.2 研究主體探究
2.2.1 核心作者及團隊共現分析
國外發文量排名前3位的作者是Leo Anthony Celi、Gilles Clermont、Shamim Nemati，發表相關文獻最高達12篇，發文量≥5篇的作者有14人。國內作者以馮慧芬、黃平、王斌等發文量排名前列，其發文量≥6篇共6人，最高達9篇；國內合計335個發文作者，合作線有366條，形成了馮慧芬-黃平、藺軻-孔桂蘭等研究團隊，各團體之間的聯系不密切。國外合計426個發文作者，合作線有573條，作者之間具有關系網，形成以Leo Anthony Celi、Patrick J Thoral、Shamim Nemati為代表的團隊，其他作者比較分散，聯系不緊密。
2.2.2 核心機構共現分析
以發文機構為網絡節點進行可視化圖譜分析，共提取國內發文機構140個，連線達28條，網絡密度僅為0.002 9，主要集中在醫學院校及其附屬醫院，以四川大學華西醫院/華西臨床醫學院發文量排名居首位，共計50篇。機構分布與合作圖譜顯示，國內AI技術在重癥醫學領域的應用合作上較少。發表英文文獻的機構共計412個，連線1 411條，網絡密度為0.016 7。最大的合作網絡是以中國科學院為中心的合作機構，與其直接合作的機構達到18所，合作發表94篇文章。中、英文文獻共現網絡和發文量排名前十的機構見表1。
表1
2013—2022年文獻發表共現網絡和發文量排名前十的機構
2.2.3 國家間合作分析
表2列出了英文數據庫中發表與重癥醫學運用AI技術相關的文獻數量和中心性排名前十的國家，圖2a為Vosviewer軟件生成的各國家之間共現網絡，圖中圓圈越大，表示發文量越多；兩個國家間的連線越密集，代表合作越密切；圖2b為CiteSpace軟件生成的國家之間共現網絡，節點圈外的紫圈表示該國家中心性>0.1，表明該國家在該研究領域地位越重要，合作度及影響力高[11]。共提取發文國家或地區105個，連線達995條，網絡密度僅為0.182 2，分析發表文獻量和中心性2個不同指標可以推斷美國、中國、德國是重癥醫學領域AI技術應用研究的中堅力量，歐美國家之間合作密切，合作優勢也十分明顯，美國、德國、印度的研究處于世界一流水平。中國發文數量雖然排第1位，但影響力和合作度都未進入排名前十，表明中國在該領域研究水平還有待提高，還應加強與其他國家和地區的合作。
表2
2013—2022年Web of Science核心合集數據庫收錄文獻數量和中心性排名前十的國家
圖2
2013—2022年國家間合作圖譜
a：Vosviewer生成國家間共現網絡；b：CiteSpace生成國家間共現網絡。
2.3 研究內容分析
2.3.1 關鍵詞共現分析
關鍵詞中心度反映其在整個關鍵詞共現網絡中的重復性，節點的大小代表關鍵詞出現頻次多少，節點越大說明關鍵詞出現的次數越多，關鍵詞出現的頻率在一定程度上反映了研究的熱點[11]，去掉“人工智能”、“重癥監護室”等普通分類檢索詞后頻次排名前10的高頻關鍵詞見表3。
表3
2013—2022年國內外文獻排名前十的核心關鍵詞
2.3.2 共被引網絡與演化分析
對Web of Science核心合集數據庫檢索出的4 016篇文獻進行文獻共被引網絡與演化分析，該網絡以2012年為界限，采用LLR算法對聚類命名，刪除小于20的聚類，保留8個聚類（圖3），分別是重癥監護（critical care）、動態生理特征（dynamic physiologic signature）、膿毒癥（sepsis）、呼吸暫停（apnea）、機器學習（machine learning）、譫妄（delirium）、預測模型（predictive models）和深度學習（deep learning）。被引頻次最高的論文由Johnson等[12]于2016年發表（共被引237次）。
圖3
2013—2022年Web of Science核心合集數據庫共被引聚類知識圖譜
3 討論
本研究使用文獻計量學的方法對AI在重癥醫學領域的發展趨勢進行研究，通過對2013—2022年十年間國內外主流數據庫收錄的相關文獻的發文量、作者或團隊、機構、國家、關鍵詞等進行分析，直觀、簡潔地展示國內外該領域的研究熱點及趨勢。
由發文量可知，2017年之前國內外該領域的發文量一直增長緩慢，從2018年起，國內外學者對AI在重癥醫學領域應用的興趣大幅增長，可能的原因為2014—2018年出現的自主機器人、語音識別、神經網絡和機器學習等AI技術為預測、診斷疾病、護理患者提供了空前的助力[13]；2016—2018年研究人員可以使用大型公共重癥監護數據庫（如MIMIC和eICU）進行數據分析，AI技術和大型數據庫的進步推動了發文量的急劇增長[6,12]。但整體相較于在非重癥醫學領域的研究稍晚，這可能與AI技術用于危重患者時的安全隱患和倫理問題有關[14-15]。
由發文作者及團隊、機構可視化分析可知，國內主要集中在馮慧芬-黃平、藺軻-孔桂蘭形成的研究團隊，其余作者合作較少，未形成資源整合與共享；國外作者之間協作性較強，團隊之間合作較為密切。發表中文文獻較多的機構主要集中于國內頂級醫學院校及其附屬醫院，發文機構共計140個，但網絡密度僅為0.002 9，表明機構間合作度欠缺；發表英文文獻較多的機構集中于中國、美國、英國等國家的頂級研究所或大學，最大的合作網絡是以中國科學院為中心的合作機構，與其直接合作的機構達到18所，發文量前三的機構分別為中國科學院、哈佛大學和浙江大學，同時也是中心度最高的3所機構，這表明，重癥醫學領域的AI應用已經受到國內外頂尖研究機構的關注。
由國家分布可知，中國的發文量雖然排名第一，但中心性較低，表明我國科研人員在此領域與國際間的交流較少，美國、德國和印度在發文量及中心性的排名均在前列，這可能與軟件工業能力有關[16-17]，表明了高新技術發展對AI技術應用于重癥醫學領域的積極推動作用。
由關鍵詞分析可知，國內外文獻頻次排名前十的關鍵詞都出現了“預測模型”、“危險因素”、“機器學習”、“膿毒癥”、“深度學習”，表明應用機器學習等AI技術建立膿毒癥及相關危險因素預測模型是該領域的熱點話題，在國內外文獻關鍵詞中，出現頻次最多的疾病是膿毒癥、手足口病、、COVID-19、急性胰腺炎、急性呼吸窘迫綜合征和心臟驟停，這些ICU常見的疾病已經成為AI算法的熱門靶點；出現頻次最多的AI技術包括機器學習、神經網絡、深度學習和支持向量機。AI可以通過先進的文本和圖像處理能力獲得更精確的診斷及時檢測或預測疾病，使臨床醫生能夠更早地管理危重病人。例如，使用機器學習模型可以將充血性心力衰竭與其他肺部疾病區分開[18]，并且可以通過使用變分自動編碼器的半監督機器學習來量化繼發于充血性心力衰竭的肺水腫量[19]。隨著最近通過卷積神經網絡對病變進行圖像分割和量化技術的發展，AI判斷頭顱CT創傷性腦損傷面積準確率已經高于傳統手段[20]。在ICU中，患者病情變化迅速，若識別不及時可導致疾病惡化甚至死亡。因此，利用AI對疾病進程的預測也是研究的熱點之一。心動過速是休克前最常見的心律失常之一，Chen等[21]在發病前75分鐘使用隨機森林模型的歸一化動態風險評分軌跡進行預測。另外，機器學習模型在減少術中低血壓的有效性在一項對接受中高風險手術的患者的隨機對照試驗中進一步得到證實，接受AI驅動干預的患者中有1.2%發生低血壓，而使用傳統方法的患者發生低血壓的比例為21.5%[22]。缺氧和呼吸窘迫也是預測的主要目標，在COVID-19大流行初期，基于影像學、生物學和臨床變量的AI驅動模型被用于預測COVID-19的進展[23]。AI技術在對疾病表型或亞型分類的應用也較為廣泛，如Seymour等[24]使用不同的臨床研究隊列，通過共識K-Means聚類將膿毒癥聚為4個表型（α、β、γ和δ），這些表型與宿主反應模式相關，有不同的人口統計學特征、不同的生化表現，并最終與不同的臨床結果相關。在急性呼吸窘迫綜合征中，潛伏期分析顯示兩種亞型（低炎癥和高炎癥）與不同的臨床特征、治療反應和臨床結果有關[25]，這種機器學習驅動的急性呼吸窘迫綜合征表型鑒定擴展了評估和治療復雜疾病方面的知識。綜上，可以發現AI的主要功能包括疾病識別、預測臨床中病情變化、監測和疾病表型或亞型分類，也有文獻報道了其他重要功能，如預測預后或死亡和指導決策等[26-29]。
由共被引分析可知，與AI技術在重癥醫學領域的應用相關的文獻被引次數低于重癥醫學其他研究熱點[30]。這可能與AI在現實世界中的應用成熟度較低[31-33]，以及缺乏外部驗證過程和前瞻性評估有關。除此之外，共被引分析中被引次數最多的文獻主要介紹了重癥監護數據庫MIMIC-Ⅲ，該數據庫共享了來自全球各級醫院的患者生命體征、用藥、實驗室檢查結果、護理記錄、出入量、成像報告、住院時間、生存數據等，并對該數據庫在學術研究、臨床質量改進和高等教育課程等領域的發展提出了暢想[12]。
本文概述了重癥監護醫學相關AI研究的趨勢和熱點，與Tang等[34]的研究相比，本文的檢索范圍較廣，涵蓋了主流中英文數據庫，并著重突出了近十年的研究進展。除此之外，應用CiteSpace 5.7.R5和Vosviewer 1.6.19軟件聯合分析，突出了最具生產力的國家和學術機構，以促進潛在的合作，并為未來的研究提供方向。然而，本研究仍存在不足，如在檢索文獻階段，盡管包含了較多的AI相關術語（如神經網絡、機器學習、深度學習和自然語言處理），但并未涵蓋所有AI技術，可能導致文獻納入不全面。此外，英文文獻時只檢索了Web of Science核心合集數據庫，可能存在不夠全面的情況。
綜上所述，AI在重癥醫學領域的應用研究呈上升趨勢，研究熱點主要涉及監測、預測疾病進展、死亡率、疾病預后以及疾病表型或亞型的分類。在過去十年間，盡管AI在改善重癥患者預后和優化診療護理流程等方面顯示出巨大潛力，但與AI應用于重癥醫學領域的相關醫療產品研發還處于起步階段，極少常規應用于臨床實踐，仍有諸多挑戰需要面對和解決。
人工智能（artificial intelligence，AI）是一個廣義的計算機科學術語，其具有感知、推理、歸納、總結及做出決定的能力，AI技術大致可分為機器學習（machine learning，ML）、自然語言處理、計算機視覺等[1]。AI已應用于分子生物學、生物信息學和醫學影像學等醫學領域，主要用于人口健康管理、提供有針對性的診斷和治療、監測病人數據、預測健康軌跡、指導手術及護理[2-4]。重癥監護室（intensive care unit，ICU）中，由于病人病情危重、病情變化迅速，需要醫護人員通過各種設備對病人生命體征、出入量、用藥情況等與病情變化相關指標進行嚴密監測并不斷生成大量的數據入庫[5]。隨著計算機科學的發展，已經有從各種臨床數據信息系統中整合和歸檔而建立的大型研究數據庫出現，如公共ICU數據庫eICU[6]和MIMIC[7]，這些公共數據庫的開放對AI技術在重癥醫學臨床研究中的應用和決策支持工具的開發提供了助力。利用AI技術進行重癥監護數據分析，并進行疾病預后評估、重癥監測、病情預測、治療決策成為研究新靶點[8-9]。
文獻計量學研究是一種可量化的信息學技術，通過對學術文獻進行分析，可以對某一主題進行宏觀、定量或定性的概述，并對該領域活躍度高的作者、機構、國際合作和研究熱點等進行總覽[10]。盡管人們對AI技術應用于重癥醫學領域的興趣越來越濃厚，但仍缺乏衡量和分析國內外研究現狀及趨勢的文獻計量研究。因此，本文旨在運用文獻計量學方法對近十年國內外重癥醫學領域應用AI技術的研究趨勢進行可視化分析，分析核心作者、領先國家和機構，以探討未來的研究熱點及潛在合作方向。
1 資料與方法
1.1 納入與排除標準
納入標準：① AI技術應用于重癥醫學的文獻；② 中文文獻類型為期刊論文，英文文獻類型為“Article”或“Review”。
排除標準：① 重復發表的文獻；② 與研究內容不相關的文獻；③ 文獻類型為會議論文、報紙、年鑒、評論及新聞；④ 無法獲取全文的文獻。
1.2 文獻檢索策略
計算機檢索CNKI、WanFang Data、VIP和Web of Science核心合集數據庫，搜集重癥醫學領域應用AI技術的相關文獻，檢索時限均從2013年1月1日至2022年12月31日。中文檢索詞包括：人工智能、AI、機器學習、深度學習、預測模型、神經網絡、支持向量機、決策樹、隨機森林、貝葉斯網絡、重癥醫學、重癥監護室、重癥護理、病危等；英文檢索詞包括：artificial intelligence、AI、machine learning、deep learning、prediction mode、neural network、support vector machine、decision tree、random forest、Bayesian network、intensive care medicine、ICU、intensive care unit、intensive care、critically ill等。
1.3 文獻篩選與資料提取
由2位研究者獨立篩選文獻和提取資料并交叉核對，如遇分歧則咨詢第三方協助判斷。文獻檢索后導出題錄，題錄包含文獻作者、關鍵詞、摘要、機構、發表期刊、年度等信息。分別將導出后的中英文題錄文件導入NoteExpress 3.2軟件去除重復、不符合納入標準的文獻。
1.4 統計分析
采用CiteSpace 5.7.R5和Vosviewer 1.6.19軟件進行文獻計量學分析。設置參數：時間分區為2013—2022年，時間切片（YearPerSlice）為1年，閾值（TopN per Slice）為25，統計各年度國內外數據庫收錄文獻數量，使用Microsoft Excel 2019軟件繪制出變化趨勢條形圖以了解近年來發文量變化趨勢；生成對作者、關鍵詞、機構等方面的共現網絡，突出國內外在重癥醫學應用AI技術領域研究較多的作者、機構，展現不同作者、機構研究方向、合作程度以及該領域的熱點方向分布。
2 結果
2.1 發文量分析
共納入986篇中文文獻、4 016篇英文文獻。發文量呈逐年遞增的趨勢（圖1）。
圖1
2013—2022年人工智能應用于重癥監護領域的發文量及趨勢
2.2 研究主體探究
2.2.1 核心作者及團隊共現分析
國外發文量排名前3位的作者是Leo Anthony Celi、Gilles Clermont、Shamim Nemati，發表相關文獻最高達12篇，發文量≥5篇的作者有14人。國內作者以馮慧芬、黃平、王斌等發文量排名前列，其發文量≥6篇共6人，最高達9篇；國內合計335個發文作者，合作線有366條，形成了馮慧芬-黃平、藺軻-孔桂蘭等研究團隊，各團體之間的聯系不密切。國外合計426個發文作者，合作線有573條，作者之間具有關系網，形成以Leo Anthony Celi、Patrick J Thoral、Shamim Nemati為代表的團隊，其他作者比較分散，聯系不緊密。
2.2.2 核心機構共現分析
以發文機構為網絡節點進行可視化圖譜分析，共提取國內發文機構140個，連線達28條，網絡密度僅為0.002 9，主要集中在醫學院校及其附屬醫院，以四川大學華西醫院/華西臨床醫學院發文量排名居首位，共計50篇。機構分布與合作圖譜顯示，國內AI技術在重癥醫學領域的應用合作上較少。發表英文文獻的機構共計412個，連線1 411條，網絡密度為0.016 7。最大的合作網絡是以中國科學院為中心的合作機構，與其直接合作的機構達到18所，合作發表94篇文章。中、英文文獻共現網絡和發文量排名前十的機構見表1。
表1
2013—2022年文獻發表共現網絡和發文量排名前十的機構
2.2.3 國家間合作分析
表2列出了英文數據庫中發表與重癥醫學運用AI技術相關的文獻數量和中心性排名前十的國家，圖2a為Vosviewer軟件生成的各國家之間共現網絡，圖中圓圈越大，表示發文量越多；兩個國家間的連線越密集，代表合作越密切；圖2b為CiteSpace軟件生成的國家之間共現網絡，節點圈外的紫圈表示該國家中心性>0.1，表明該國家在該研究領域地位越重要，合作度及影響力高[11]。共提取發文國家或地區105個，連線達995條，網絡密度僅為0.182 2，分析發表文獻量和中心性2個不同指標可以推斷美國、中國、德國是重癥醫學領域AI技術應用研究的中堅力量，歐美國家之間合作密切，合作優勢也十分明顯，美國、德國、印度的研究處于世界一流水平。中國發文數量雖然排第1位，但影響力和合作度都未進入排名前十，表明中國在該領域研究水平還有待提高，還應加強與其他國家和地區的合作。
表2
2013—2022年Web of Science核心合集數據庫收錄文獻數量和中心性排名前十的國家
圖2
2013—2022年國家間合作圖譜
a：Vosviewer生成國家間共現網絡；b：CiteSpace生成國家間共現網絡。
2.3 研究內容分析
2.3.1 關鍵詞共現分析
關鍵詞中心度反映其在整個關鍵詞共現網絡中的重復性，節點的大小代表關鍵詞出現頻次多少，節點越大說明關鍵詞出現的次數越多，關鍵詞出現的頻率在一定程度上反映了研究的熱點[11]，去掉“人工智能”、“重癥監護室”等普通分類檢索詞后頻次排名前10的高頻關鍵詞見表3。
表3
2013—2022年國內外文獻排名前十的核心關鍵詞
2.3.2 共被引網絡與演化分析
對Web of Science核心合集數據庫檢索出的4 016篇文獻進行文獻共被引網絡與演化分析，該網絡以2012年為界限，采用LLR算法對聚類命名，刪除小于20的聚類，保留8個聚類（圖3），分別是重癥監護（critical care）、動態生理特征（dynamic physiologic signature）、膿毒癥（sepsis）、呼吸暫停（apnea）、機器學習（machine learning）、譫妄（delirium）、預測模型（predictive models）和深度學習（deep learning）。被引頻次最高的論文由Johnson等[12]于2016年發表（共被引237次）。
圖3
2013—2022年Web of Science核心合集數據庫共被引聚類知識圖譜
3 討論
本研究使用文獻計量學的方法對AI在重癥醫學領域的發展趨勢進行研究，通過對2013—2022年十年間國內外主流數據庫收錄的相關文獻的發文量、作者或團隊、機構、國家、關鍵詞等進行分析，直觀、簡潔地展示國內外該領域的研究熱點及趨勢。
由發文量可知，2017年之前國內外該領域的發文量一直增長緩慢，從2018年起，國內外學者對AI在重癥醫學領域應用的興趣大幅增長，可能的原因為2014—2018年出現的自主機器人、語音識別、神經網絡和機器學習等AI技術為預測、診斷疾病、護理患者提供了空前的助力[13]；2016—2018年研究人員可以使用大型公共重癥監護數據庫（如MIMIC和eICU）進行數據分析，AI技術和大型數據庫的進步推動了發文量的急劇增長[6,12]。但整體相較于在非重癥醫學領域的研究稍晚，這可能與AI技術用于危重患者時的安全隱患和倫理問題有關[14-15]。
由發文作者及團隊、機構可視化分析可知，國內主要集中在馮慧芬-黃平、藺軻-孔桂蘭形成的研究團隊，其余作者合作較少，未形成資源整合與共享；國外作者之間協作性較強，團隊之間合作較為密切。發表中文文獻較多的機構主要集中于國內頂級醫學院校及其附屬醫院，發文機構共計140個，但網絡密度僅為0.002 9，表明機構間合作度欠缺；發表英文文獻較多的機構集中于中國、美國、英國等國家的頂級研究所或大學，最大的合作網絡是以中國科學院為中心的合作機構，與其直接合作的機構達到18所，發文量前三的機構分別為中國科學院、哈佛大學和浙江大學，同時也是中心度最高的3所機構，這表明，重癥醫學領域的AI應用已經受到國內外頂尖研究機構的關注。
由國家分布可知，中國的發文量雖然排名第一，但中心性較低，表明我國科研人員在此領域與國際間的交流較少，美國、德國和印度在發文量及中心性的排名均在前列，這可能與軟件工業能力有關[16-17]，表明了高新技術發展對AI技術應用于重癥醫學領域的積極推動作用。
由關鍵詞分析可知，國內外文獻頻次排名前十的關鍵詞都出現了“預測模型”、“危險因素”、“機器學習”、“膿毒癥”、“深度學習”，表明應用機器學習等AI技術建立膿毒癥及相關危險因素預測模型是該領域的熱點話題，在國內外文獻關鍵詞中，出現頻次最多的疾病是膿毒癥、手足口病、、COVID-19、急性胰腺炎、急性呼吸窘迫綜合征和心臟驟停，這些ICU常見的疾病已經成為AI算法的熱門靶點；出現頻次最多的AI技術包括機器學習、神經網絡、深度學習和支持向量機。AI可以通過先進的文本和圖像處理能力獲得更精確的診斷及時檢測或預測疾病，使臨床醫生能夠更早地管理危重病人。例如，使用機器學習模型可以將充血性心力衰竭與其他肺部疾病區分開[18]，并且可以通過使用變分自動編碼器的半監督機器學習來量化繼發于充血性心力衰竭的肺水腫量[19]。隨著最近通過卷積神經網絡對病變進行圖像分割和量化技術的發展，AI判斷頭顱CT創傷性腦損傷面積準確率已經高于傳統手段[20]。在ICU中，患者病情變化迅速，若識別不及時可導致疾病惡化甚至死亡。因此，利用AI對疾病進程的預測也是研究的熱點之一。心動過速是休克前最常見的心律失常之一，Chen等[21]在發病前75分鐘使用隨機森林模型的歸一化動態風險評分軌跡進行預測。另外，機器學習模型在減少術中低血壓的有效性在一項對接受中高風險手術的患者的隨機對照試驗中進一步得到證實，接受AI驅動干預的患者中有1.2%發生低血壓，而使用傳統方法的患者發生低血壓的比例為21.5%[22]。缺氧和呼吸窘迫也是預測的主要目標，在COVID-19大流行初期，基于影像學、生物學和臨床變量的AI驅動模型被用于預測COVID-19的進展[23]。AI技術在對疾病表型或亞型分類的應用也較為廣泛，如Seymour等[24]使用不同的臨床研究隊列，通過共識K-Means聚類將膿毒癥聚為4個表型（α、β、γ和δ），這些表型與宿主反應模式相關，有不同的人口統計學特征、不同的生化表現，并最終與不同的臨床結果相關。在急性呼吸窘迫綜合征中，潛伏期分析顯示兩種亞型（低炎癥和高炎癥）與不同的臨床特征、治療反應和臨床結果有關[25]，這種機器學習驅動的急性呼吸窘迫綜合征表型鑒定擴展了評估和治療復雜疾病方面的知識。綜上，可以發現AI的主要功能包括疾病識別、預測臨床中病情變化、監測和疾病表型或亞型分類，也有文獻報道了其他重要功能，如預測預后或死亡和指導決策等[26-29]。
由共被引分析可知，與AI技術在重癥醫學領域的應用相關的文獻被引次數低于重癥醫學其他研究熱點[30]。這可能與AI在現實世界中的應用成熟度較低[31-33]，以及缺乏外部驗證過程和前瞻性評估有關。除此之外，共被引分析中被引次數最多的文獻主要介紹了重癥監護數據庫MIMIC-Ⅲ，該數據庫共享了來自全球各級醫院的患者生命體征、用藥、實驗室檢查結果、護理記錄、出入量、成像報告、住院時間、生存數據等，并對該數據庫在學術研究、臨床質量改進和高等教育課程等領域的發展提出了暢想[12]。
本文概述了重癥監護醫學相關AI研究的趨勢和熱點，與Tang等[34]的研究相比，本文的檢索范圍較廣，涵蓋了主流中英文數據庫，并著重突出了近十年的研究進展。除此之外，應用CiteSpace 5.7.R5和Vosviewer 1.6.19軟件聯合分析，突出了最具生產力的國家和學術機構，以促進潛在的合作，并為未來的研究提供方向。然而，本研究仍存在不足，如在檢索文獻階段，盡管包含了較多的AI相關術語（如神經網絡、機器學習、深度學習和自然語言處理），但并未涵蓋所有AI技術，可能導致文獻納入不全面。此外，英文文獻時只檢索了Web of Science核心合集數據庫，可能存在不夠全面的情況。
綜上所述，AI在重癥醫學領域的應用研究呈上升趨勢，研究熱點主要涉及監測、預測疾病進展、死亡率、疾病預后以及疾病表型或亞型的分類。在過去十年間，盡管AI在改善重癥患者預后和優化診療護理流程等方面顯示出巨大潛力，但與AI應用于重癥醫學領域的相關醫療產品研發還處于起步階段，極少常規應用于臨床實踐，仍有諸多挑戰需要面對和解決。
