從“預康復”到“預測性康復”的研究
——基于CiteSpace的可視化分析

李孝熠，朱毅,2，李聰慧

預康復是基于加速康復外科(Enhanced Recovery After Surgery, ERAS)這一理念而提出的術前管理策略[1]。1997年，丹麥外科醫生H.Kehlet提出了快通道外科(fast-track surgery, FTS)的概念，在過去的二十年間FTS逐步發展形成了加速康復外科。加速康復外科是一種多模式圍手術期策略，以循證醫學為基礎，與外科、麻醉、護理、康復、營養等多學科結合，優化圍手術期處理的臨床路徑，從而減少應激反應及術后并發癥，促進患者康復[2-3]。隨著外科技術、麻醉和圍手術期護理的進步，術后患者的安全性有了很大提升。但對于年老體弱或伴有多種并發癥的高風險患者，安全性仍亟待提高。這類患者不僅恢復周期長，而且難以達到先前的生理狀態[4]。預康復為這一問題提供了有效的解決方案。研究表明，術前是管理運動不足、營養不良、精神緊張等多種手術風險因素的最佳時機[5]。預康復在術前對主要風險因素進行聯合干預，增加患者的功能儲備，改善其功能狀態及預后[6-7]。三聯預康復即是在術前針對運動、營養和心理三大因素采取多模式協作方式，減輕手術危險因素，提高手術安全性[8]。但患者風險因素的個體差異決定了其所需預康復的范圍和強度不同[9]，三聯預康復不可能完全適用于每一位患者。與其相比，預測性康復是對手術并發癥、繼發癥等進行準確預測后的提前干預，避免了盲目的整體多系統預康復。它通過建立大數據預測模型，設定有效的風險因素預判，使干預更加精確有效[10]。要想實現預康復到預測性康復的轉變，我們需要借助大數據平臺，對預康復相關文獻進行挖掘和分析，在研究數據的過程中探求對個體危險因素預測性評估的方法[11]。可視化分析是常用大數據分析的一種，它可以讓讀者直觀的看到結果。分析者則可根據可視化分析和數據挖掘的結果做出預測性判斷[12]。

本文通過CiteSpace軟件對預康復相關文獻進行可視化分析，對其學科、關鍵詞和突現詞等單元進行共現，為預康復提供了新思路。面對病種的逐步多樣且復雜，我們研究預康復時應在方法學上做出改變，只有針對性地對個體風險因素采取預防性干預和嚴密監測，才能逐步達到更準確的預測性康復。

1 資料與方法

1.1 文獻來源 文獻數據來源于《Web of Science(WOS)核心合集》，包含子庫SCI-EXPANDED,SSCI, A&HCI, CPCI-S, ESCI, CCR-EXPANDED,IC。檢索策略為：主題：(prehabilitation) OR 主題：(preoperative exercise) OR 主題：(preoperative rehabilitation)，時間選取2010～2019年，語種限定為英語，文獻類型選擇論著、綜述和會議摘要。在WOS中檢索后，將數據以純文本格式導出，按照“download-XXX”的形式重新命名，并導入CiteSpace (5.6R5版)軟件中。同理，以predictive rehabilitation為檢索詞進行主題詞檢索，因得到的結果多是預測模型，故未用CiteSpace軟件進行分析。

1.2 軟件方法 CiteSpace軟件是一款基于科學文獻分析，構建知識圖譜、分析學科熱點和趨勢的可視化軟件。知識圖譜是顯示科學知識發展及結構關系的一種圖形，它以科學知識為計量研究對象,在以數學方程式表達科學發展規律的基礎上，發掘引文空間的知識聚類和分布，并以曲線及圖譜的形式將其直觀表現出來[13]。設置參數：時間跨度為2010～2019年，時間切片為1(即以“1年”為一個時區對文獻數據進行分割)；主題詞來源和關鍵路徑為系統默認值；節點類型分別選取學科、關鍵詞等進行分析；根據分析節點不同，調整閾值Top N(指提取每個時間切片內的對象數量)、Top N%(指提取每個時間切片內排名前N%的對象)并選擇不同的剪切方式。

2 結果

2.1 文獻量 共檢索到3117篇相關文獻，經CiteSpace處理后，有效文獻為2904篇。十年來，各年新增文獻量總體呈上升態勢。見圖1。

圖1 2010～2019年WOS各年新增預康復相關文獻量

2.2 學科 主要參數設置：Node Type(節點類型)=Category，Time Slicing(時間切片)=1，Top N=50，pruning : None。結果顯示：N=155，E=944，Density=0.0791。N表示網絡節點數量，E表示連線數量，Density表示網絡的密度。見圖2，表1。圖2中節點的大小反映了在預康復文獻中該學科所占發文量，節點越大，發文量越高；節點間的連線則代表了各學科間的聯系程度(即中心度)，連線越密，說明聯系程度(即中心度)越高，節點外的紫環代表其中心度>0.1。表1則對各學科的發文量和中心度進行了定量排序。由圖表所示，預康復與外科學、骨科學、運動醫學、心血管病學、神經科學、工程學、腫瘤學、康復學等多學科密切相關，呈現多學科合作形式，這與其來源學科(加速康復外科)保持了一致。其中，外科學以936篇發文量約占據了10年來全部發文量的32%，這與手術是其重要治療手段相關。手術治療會導致體內嚴重的應激反應，而預康復可以針對性地增強患者功能儲備、減弱應激反應，所以被廣泛應用在胸、腹腔癌等各種疾病的手術治療前。在中心度中，工程學和運動醫學作為康復的技術學科在排行中占據前位。

圖2 學科共現分析圖譜

表1 學科發文量和中心度統計情況

2.3 研究熱點(關鍵詞) 主要參數設置：Node Type=Keyword，Time Slicing=1， Top N=50，pruning: none，visualizations：time zone view(按照時間分區對節點進行排列顯示)。結果顯示：N=150，E=497，Density=0.0445。見圖3和表2。圖3對近十年文獻中的關鍵詞按照“出現時間”進行了劃分，節點大小反映了關鍵詞被引用的頻次高低，節點間的連線則反映了共被引關系(即中心度)的程度。表2對各關鍵詞的被引和中心度進行了定量排序。關鍵詞的“共現分析”能夠反映該領域的研究熱點，研究熱點則能顯示研究人員關注的研究主題。“康復”以頻次566和中心度0.05占據了榜首，這與預康復的根本目的即實現病人的功能康復相符。此外，“骨關節炎”、“膝關節置換”以及“功能紊亂”等關鍵詞反映了預康復的適應癥；“運動”、“管理”、“重建”等反映了預康復的治療手段；“生活質量”、“死亡率”、“并發癥”、“肌力”等則反應了預康復的評價指標和意義。

2.4 研究前沿與趨勢 突現詞是某段時間內頻次變化率高的詞，在一定程度上能探測某一學科領域的發展趨勢。圖4列舉了近十年來的23個突現詞，圖中“紅色線段”代表該詞成為突現詞的持續時間。對突現詞分析顯示，從髖關節置換、移植、肺功能到下背痛，預康復的適應癥和治療手段在不斷擴大和優化。在2010～2014年，功能康復(functional recovery)是當時的研究趨勢之一；近年來，多中心(multicenter)和術前評估(preoperative assessment)則逐步成為研究熱點和潮流。術前是管理多種手術風險因素的最佳時機，術前評估可以有效提升預康復的效率。突現詞的變化，在一定程度上反映了預康復概念的進展和延伸。

圖3 關鍵詞時區分析圖譜

表2 關鍵詞頻次和中心度統計情況

3 討論

可視化分析結果顯示，2010～2019年間的預康復新增文獻量呈總體上升態勢。預康復研究涉及眾多的學科領域，與外科學、骨科學、腫瘤學和工程學等密切相關。該領域的研究熱點包括康復、物理療法、生活質量等，這也應是醫務工作者在診治過程中的關注重點；研究趨勢則主要集中在“多中心化”和“術前評估”等方面。

預康復是加速康復外科的第一步，旨在術前管理各種手術風險因素而促進患者的康復。然而，每位患者的耐受性、并發癥發生率以及社會限制因素等均有所不同[14-15]。因此，未來加速康復外科的預康復，必然需要結合國際功能，殘疾和健康分類系統下結構-活動-參與三個緯度。只有在結構層面上進行多系統的有效評估篩查，結合患者具體情況，減少環境限制因素，針對性地對其薄弱系統采取有效的預測性康復訓練，才能幫助患者更快的回歸家庭和工作崗位，實現真正有社會意義的加速康復外科[16-17]。預測性康復基于大數據分析，構建預測模型，是在有效風險因素預判后的預測性干預。預康復向預測性康復的轉變，是在加速康復外科中作“減法”，亦是在臨床高效目標下實現高效干預的必然趨勢。然而，大數據意味著數據集合的大小、復雜性、動態性都遠遠超過了傳統數據分析的處理能力和范圍，我們必須在方法學上做出改變[18]。

圖4 突現詞分析圖譜

隨著精準醫療時代的到來，預測性研究與大數據分析的結合在臨床得到了廣泛應用[19]。如Toshiaki等[20]使用日本國家臨床數據庫構建了預測直腸癌低位前切除術的術后并發癥模型。虎磐等[21]基于集成機器學習模型 XG Boost構建了ICU 住院MODSE早期 (入ICU 24h后) 死亡預測模型。在這些臨床預測性研究中，研究者基于電子醫療記錄、生化和基因數據、臨床實驗等大型數據庫，構建機器算法的預測模型[22]。預測模型可以通過預測因子量化事件發生的可能，對患者的風險因素做出有效的風險預判，進而對醫療決策系統進行完善[23]。經過驗證表明，這些大數據預測模型與傳統的評分相比，預測性能更加卓越。

這提示我們同樣可以將預測性研究與預康復結合起來，借助大數據平臺建立預康復的機器算法模型并不斷優化，對風險并發癥做出有效預判，進而實施預測性干預和監測。預康復“預測模型”或“風險評分”的構建，可以輔助臨床醫生對患者的風險因素和康復需求做出快速且精準的評判，這將有助于“臨床康復”的開展以及“臨床康復一體化”的形成。

本文利用CiteSpace軟件對WOS數據庫中近10年預康復的相關文獻進行了文獻計量學和知識圖譜可視化分析，揭示了預康復的發展趨勢和研究熱點，驗證了可視化軟件在預康復研究中的有效性，也為預康復的風險因素管理和并發癥處置提供了新思路。在未來，我們需要將預康復與大數據分析進一步結合，建立預康復的機器算法模型，對患者做出更準確的風險評判和干預，使“預康復”發展為更高效的“預測性康復”。