基于CiteSpace的高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型研究的可視化分析

張亦然,朱 璐,王康美,朱盛財(cái),代 煒,黃 沂

高血壓是全球性的公共衛(wèi)生問(wèn)題。雖然病人數(shù)量呈現(xiàn)不斷攀升的趨勢(shì),但疾病知曉率、治療率、控制率仍較低。隨著健康中國(guó)戰(zhàn)略的實(shí)施,心血管疾病的風(fēng)險(xiǎn)評(píng)估與危險(xiǎn)因素管理得到廣泛重視,早期的評(píng)估及預(yù)防可以達(dá)到疾病防治關(guān)口前移的目的[1-2]。同時(shí)為減輕全球的疾病負(fù)擔(dān),高血壓病風(fēng)險(xiǎn)的早期評(píng)估及預(yù)警相關(guān)模型也在不斷被開(kāi)發(fā)。國(guó)內(nèi)外通過(guò)對(duì)高血壓疾病相關(guān)因素進(jìn)行調(diào)查研究及應(yīng)用各類數(shù)學(xué)模型,開(kāi)發(fā)與高血壓相關(guān)的疾病風(fēng)險(xiǎn)預(yù)測(cè)模型,并實(shí)現(xiàn)對(duì)疾病及其各類并發(fā)癥等進(jìn)行定量預(yù)測(cè)。為了更加直觀地了解與高血壓相關(guān)預(yù)測(cè)模型的研究進(jìn)展與趨勢(shì),本研究擬運(yùn)用CiteSpace軟件進(jìn)行可視化分析,以期為未來(lái)展開(kāi)更全面的高血壓疾病相關(guān)預(yù)測(cè)研究、模型的臨床轉(zhuǎn)化應(yīng)用提供思路。

1 資料與方法

1.1 數(shù)據(jù)來(lái)源與檢索策略

以中國(guó)知網(wǎng)為中文數(shù)據(jù)來(lái)源,以布爾邏輯運(yùn)算符構(gòu)建檢索式(主題=高血壓OR高血壓患病OR高血壓患者OR高血壓并發(fā)癥)AND(主題=預(yù)測(cè)模型OR預(yù)警模型OR風(fēng)險(xiǎn)預(yù)測(cè)OR預(yù)測(cè)因子OR模型構(gòu)建OR風(fēng)險(xiǎn)評(píng)估)進(jìn)行檢索。同時(shí),以Web of Science核心合集為英文數(shù)據(jù)來(lái)源,運(yùn)用高級(jí)檢索,構(gòu)建檢索式:[TS=(hypertension OR High Blood Pressures OR essential hypertension)] AND [TS=(prediction model OR prognostic model OR risk prediction model)]。檢索時(shí)限為2014年1月1日—2023年5月1日,語(yǔ)言僅選擇中文及英文。

1.2 文獻(xiàn)納入標(biāo)準(zhǔn)與排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn):研究主題為與高血壓相關(guān)預(yù)測(cè)模型。排除標(biāo)準(zhǔn):1)會(huì)議摘要、評(píng)論、信件、新聞報(bào)道等非學(xué)術(shù)類文章;2)動(dòng)物類研究;3)重復(fù)發(fā)表的文章。

1.3 文獻(xiàn)篩選與提取

文獻(xiàn)篩選工作由2名研究者按照檢索策略及納入與排除標(biāo)準(zhǔn)對(duì)文獻(xiàn)題目及摘要進(jìn)行閱讀篩選,有爭(zhēng)議時(shí)由第3名研究者裁定,并由第3名研究者將文獻(xiàn)導(dǎo)入CiteSpace 6.1.R6軟件進(jìn)行格式轉(zhuǎn)換。

2 結(jié)果

2.1 文獻(xiàn)檢索結(jié)果

本研究初步檢索得到中文文獻(xiàn)989篇、英文文獻(xiàn)5 671篇。去除重復(fù)文獻(xiàn)32篇,按照納入標(biāo)準(zhǔn)和排除標(biāo)準(zhǔn)閱讀題目和摘要后排除6 050篇,最終得到578篇文獻(xiàn)(中文文獻(xiàn)296篇、英文文獻(xiàn)282篇)。

2.2 年發(fā)文量分析

國(guó)內(nèi)外高血壓疾病相關(guān)預(yù)測(cè)研究在2014—2017年較少,2018年及以后中英文文獻(xiàn)發(fā)文量均逐年上升。其中,中英文文獻(xiàn)在2020—2022年增長(zhǎng)速度均明顯加快,在2022年發(fā)文量最多(中文文獻(xiàn)n=96,英文文獻(xiàn)n=75),見(jiàn)圖1。

圖1 2014—2023年高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型研究領(lǐng)域國(guó)內(nèi)外發(fā)文量情況

2.3 基于關(guān)鍵詞的研究熱點(diǎn)分析

2.3.1 高頻關(guān)鍵詞共現(xiàn)

關(guān)鍵詞是能夠概括論文主題的詞匯,有益于對(duì)文獻(xiàn)主題進(jìn)行初步了解。本研究將含義相近的中文關(guān)鍵詞“高血壓”與“高血壓病”“風(fēng)險(xiǎn)評(píng)估”與“風(fēng)險(xiǎn)預(yù)測(cè)”“影響因素”與“危險(xiǎn)因素”“風(fēng)險(xiǎn)因素”“預(yù)測(cè)模型”與“預(yù)警模型”合并。頻次排名前3位的關(guān)鍵詞依次是高血壓病、預(yù)警模型、風(fēng)險(xiǎn)預(yù)測(cè),中心度排名前3位的關(guān)鍵詞依次是風(fēng)險(xiǎn)因素、高血壓病、預(yù)警模型。將含義相近的英文關(guān)鍵詞“prediction model”與“prediction”“risk factor”與“risk”“cardiovascular disease”與“cardiovascular risk”合并。頻次排名前3位的關(guān)鍵詞依次是blood pressure、risk score、association,中心度排名前3位的關(guān)鍵詞依次是risk score、disease、cardiovascular disease。見(jiàn)表1。

表1 2014—2023年國(guó)內(nèi)外高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型研究領(lǐng)域高頻關(guān)鍵詞及中心性

2.3.2 關(guān)鍵詞聚類

使用對(duì)數(shù)似然比(LLR)算法對(duì)國(guó)內(nèi)外高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型研究的關(guān)鍵詞進(jìn)行聚類分析。CiteSpace依據(jù)網(wǎng)絡(luò)結(jié)構(gòu)和聚類清晰度,提供了模塊值(Q值)和平均輪廓值(S值)2個(gè)指標(biāo)[1]。本研究中中文關(guān)鍵詞聚類的模塊值Q=0.830 4,平均輪廓值S=0.975 5,說(shuō)明劃分的聚類結(jié)構(gòu)顯著,是高效率、可信服的。在可視化圖譜中顯示,中文文獻(xiàn)關(guān)鍵詞聚類排名前3位依次是高血壓病、風(fēng)險(xiǎn)評(píng)估、影響因素,英文文獻(xiàn)關(guān)鍵詞聚類排名前3位依次是ambulatory、metabolic syndrome、body mass index。見(jiàn)表2。

表2 2014—2023年國(guó)內(nèi)外高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型研究領(lǐng)域關(guān)鍵詞聚類列表

2.3.3 突現(xiàn)關(guān)鍵詞

突現(xiàn)關(guān)鍵詞是某一時(shí)期內(nèi)出現(xiàn)頻率較高的文獻(xiàn)關(guān)鍵詞,可以反映相關(guān)研究領(lǐng)域的研究進(jìn)展及熱點(diǎn)。“老年人”“腦出血”“預(yù)測(cè)價(jià)值”是近年來(lái)中文高血壓預(yù)測(cè)研究的突現(xiàn)關(guān)鍵詞,“guideline”“l(fā)ogistic regression”“machine learning”是近年來(lái)英文相關(guān)研究的突現(xiàn)關(guān)鍵詞。見(jiàn)圖2。

圖2 2014—2023年國(guó)內(nèi)外高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型研究領(lǐng)域中英文關(guān)鍵詞突現(xiàn)圖

2.3.4 時(shí)間線圖

時(shí)間線圖是從時(shí)間維度上來(lái)表示研究主題演變的視圖。本研究提取中英文聚類高頻詞進(jìn)行時(shí)間縱向分析,結(jié)果見(jiàn)圖3、圖4。以中文聚類#8機(jī)器學(xué)習(xí)為例,在2017—2022年出現(xiàn)的中文高頻詞依次是“心血管病”“決策樹(shù)”“中醫(yī)證型”“痰濕體質(zhì)”“網(wǎng)絡(luò)神經(jīng)”“社區(qū)管理”“腦梗死”。

圖3 2014—2023年國(guó)內(nèi)高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型研究領(lǐng)域中文聚類高頻詞時(shí)間線圖

圖4 2014—2023年國(guó)外高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型研究領(lǐng)域英文聚類高頻詞時(shí)間線圖

3 討論

3.1 高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型的研究現(xiàn)狀

國(guó)內(nèi)外的高血壓疾病相關(guān)的預(yù)測(cè)研究發(fā)文量均逐年增長(zhǎng),說(shuō)明高血壓疾病的早期預(yù)警越來(lái)越受到關(guān)注。我國(guó)是發(fā)文量最多的國(guó)家。相關(guān)報(bào)告中指出,高血壓病已成為我國(guó)重要的公共衛(wèi)生問(wèn)題,高血壓管理將直接影響我國(guó)心血管疾病如冠心病、腦卒中甚至心血管疾病導(dǎo)致的死亡事件的發(fā)生[2-3]。本研究顯示,國(guó)內(nèi)外的研究熱點(diǎn)均集中在對(duì)高血壓發(fā)病風(fēng)險(xiǎn)及并發(fā)癥如輕度認(rèn)知障礙、衰弱等進(jìn)行預(yù)測(cè)。且國(guó)內(nèi)外的高血壓相關(guān)預(yù)測(cè)研究主要包括對(duì)不同特征的人群進(jìn)行疾病的患病風(fēng)險(xiǎn)、共病及不良結(jié)局。然而從關(guān)鍵詞來(lái)看,國(guó)內(nèi)外相關(guān)領(lǐng)域的研究側(cè)重點(diǎn)有所不同。在人口學(xué)特征上,國(guó)外研究更為關(guān)注兒童及孕產(chǎn)婦[2],而國(guó)內(nèi)更關(guān)注老年及農(nóng)村人口[3],并且在預(yù)測(cè)模型中納入了中醫(yī)特色變量[4]。雖然國(guó)內(nèi)外高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型研究已經(jīng)較為豐富,但原始研究數(shù)量較少,缺乏模型之間的聯(lián)合應(yīng)用與對(duì)比,今后可以進(jìn)一步完善。

3.2 高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型的研究熱點(diǎn)分析

3.2.1 高血壓疾病相關(guān)預(yù)測(cè)因素

3.2.1.1 人口學(xué)特征

在突現(xiàn)關(guān)鍵詞中,“農(nóng)村人口”“老年人”“children”“women”等是預(yù)測(cè)因素的研究熱點(diǎn)。中國(guó)健康與營(yíng)養(yǎng)調(diào)查(China Health and Nutrition Survey,CHNS)發(fā)現(xiàn),農(nóng)村地區(qū)居民的高血壓患病率增長(zhǎng)速度較城市更快,在2012—2015年的調(diào)查中,農(nóng)村與城市高血壓患病率無(wú)差別,而2015年時(shí)農(nóng)村高血壓患病率已經(jīng)高于城市[5]。本研究發(fā)現(xiàn),“農(nóng)村人口”突現(xiàn)時(shí)間正值2014—2016年,這可能是由于我國(guó)城市化的推進(jìn)導(dǎo)致人們不良生活方式的發(fā)生,以及醫(yī)療質(zhì)量得到改善,疾病知識(shí)在農(nóng)村人口得到了普及等,使得農(nóng)村高血壓患病率逐漸約等于城市高血壓患病率?！袄夏耆恕笔穷A(yù)測(cè)研究的高頻關(guān)鍵詞,這可能與近年來(lái)國(guó)內(nèi)老齡化加劇有關(guān)。隨著老齡化社會(huì)的到來(lái),我國(guó)高血壓防治工作也面臨巨大挑戰(zhàn)。有研究構(gòu)建了老年高血壓病人并發(fā)冠心病的預(yù)測(cè)模型,預(yù)測(cè)因子包括年齡、總膽固醇、糖尿病和吸煙等[6]。對(duì)于老年高血壓病人而言,嚴(yán)重威脅健康的并不是“高血壓”這一疾病,而是由高血壓帶來(lái)的各種并發(fā)癥。由于生理因素導(dǎo)致的認(rèn)知功能降低、生活質(zhì)量下降等,也會(huì)影響其高血壓防治的自我效能。因此,如何高效展開(kāi)老年高血壓病人的健康管理以及提高其依從性、自我效能感是臨床上亟待解決的問(wèn)題。孕產(chǎn)婦及兒童是國(guó)外預(yù)測(cè)研究的重點(diǎn)人群,如研究通過(guò)構(gòu)建模型發(fā)現(xiàn)孕期孕產(chǎn)婦高血壓疾病、孕產(chǎn)婦教育水平、孕前體質(zhì)指數(shù)(BMI)是兒童高血壓發(fā)生的預(yù)測(cè)因子[7]。對(duì)子癇的發(fā)生及預(yù)后進(jìn)行早期預(yù)測(cè),有助于實(shí)現(xiàn)母嬰健康、優(yōu)生優(yōu)育。目前,子癇前期尚無(wú)有效的治療方法,待分娩后癥狀才可得到緩解[8],因此識(shí)別危險(xiǎn)因子對(duì)于開(kāi)展預(yù)防及明確治療時(shí)機(jī)至關(guān)重要,研究者未來(lái)可進(jìn)一步探究有效的預(yù)防手段或護(hù)理措施并驗(yàn)證。

3.2.1.2 共病及并發(fā)癥

高血壓共病及并發(fā)癥是高血壓疾病相關(guān)預(yù)測(cè)研究中的熱點(diǎn)話題。其中,高頻關(guān)鍵詞包括腦卒中、冠心病,關(guān)鍵詞聚類中有#4糖尿病、#6 atrial fibrillation。有研究表明,我國(guó)老年人慢性病共病的患病率高達(dá)65.14%[9]。并且,二元共病組合最常見(jiàn)的依次是高血壓+糖尿病、高血壓+冠心病、高血壓+類風(fēng)濕性關(guān)節(jié)炎[10]。因此,在病人具有高血壓病、糖尿病等慢性病時(shí),應(yīng)該警惕與之相關(guān)的其他疾病同時(shí)發(fā)生而形成多元慢性病共病,以此構(gòu)建預(yù)測(cè)模型,如國(guó)外學(xué)者開(kāi)發(fā)的高血壓與糖尿病共病人群心房顫動(dòng)多變量預(yù)測(cè)模型[11]。對(duì)高血壓共病的預(yù)測(cè),有助于對(duì)多元共病病人進(jìn)行早期篩查及預(yù)防,研究者可進(jìn)一步探究多元慢性病共病管理模式。目前已有研究總結(jié)了老年慢性病共病的護(hù)理模式,包括出院計(jì)劃模式、基于互聯(lián)網(wǎng)的遠(yuǎn)程隨訪模式、最小干擾醫(yī)療護(hù)理模式等[12],但其有效性還有待考究,未來(lái)需要進(jìn)一步實(shí)施。而在本研究中發(fā)現(xiàn)腦卒中、腦出血、冠心病是高血壓并發(fā)癥預(yù)測(cè)研究的研究熱點(diǎn),這與李俊等[13]的研究結(jié)果一致,腦血管損害、心臟損害、外周血管損害是發(fā)生率最高的高血壓并發(fā)癥。目前已有研究對(duì)高血壓并發(fā)腦出血病人的預(yù)后及不良結(jié)局進(jìn)行預(yù)測(cè)模型的構(gòu)建,能夠?yàn)榕R床提供定量的評(píng)估方法,對(duì)病人進(jìn)行早期的風(fēng)險(xiǎn)評(píng)估,可以進(jìn)行精確化干預(yù)以減少病人不良結(jié)局的發(fā)生。同時(shí),對(duì)于高血壓共病或高血壓并發(fā)其他疾病的病人,由于多種疾病的出現(xiàn)增加了病人身體及心理負(fù)擔(dān)。一項(xiàng)研究表明高血壓和糖尿病共病病人存在明顯不良情緒,其中預(yù)測(cè)因子包括年齡、收入水平、疾病種類等[14]。因此,對(duì)病人提供心理護(hù)理也尤為重要。為高血壓并發(fā)其他疾病病人進(jìn)行心理護(hù)理,能夠減輕病人焦慮、抑郁情緒,并且提高病人的自我管理能力及生活睡眠質(zhì)量[15]。

3.2.1.3 預(yù)測(cè)因子

在我國(guó)高血壓疾病的預(yù)測(cè)因子中,除不良生活習(xí)慣、代謝組學(xué)等常見(jiàn)因素外,還包含中醫(yī)元素特征。本研究中文聚類#0高血壓病的時(shí)間線圖上,發(fā)現(xiàn)2017年有中醫(yī)元素如舌質(zhì)、舌苔等成為研究熱點(diǎn)。此外,中醫(yī)體質(zhì)也是熱點(diǎn)之一。在吳瓊[16]的研究中通過(guò)路徑分析發(fā)現(xiàn),平和質(zhì)和氣郁質(zhì)的老年高血壓人群心理彈性能夠預(yù)測(cè)其生活質(zhì)量。此外,痰濕體質(zhì)、氣虛體質(zhì)、有齒痕、舌下脈絡(luò)怒張等中醫(yī)特征也構(gòu)成了模型的預(yù)測(cè)因子[12]。動(dòng)態(tài)血壓監(jiān)測(cè)是國(guó)外研究的熱點(diǎn),K?h?nen等[17]監(jiān)測(cè)高血壓病人的血流動(dòng)力學(xué)特征,并將全身血管阻力指數(shù)納入至預(yù)測(cè)模型中以對(duì)以往的模型進(jìn)行改善。在國(guó)內(nèi)外高血壓預(yù)測(cè)模型的相關(guān)研究中發(fā)現(xiàn),納入模型的風(fēng)險(xiǎn)因素呈現(xiàn)出高度一致,說(shuō)明當(dāng)前研究已較為廣泛及深入,是國(guó)內(nèi)外普遍的高血壓病預(yù)測(cè)因子,但在不同人群中的預(yù)測(cè)作用有所區(qū)別。

3.2.2 模型構(gòu)建

運(yùn)用機(jī)器學(xué)習(xí)方法建立預(yù)測(cè)模型是國(guó)內(nèi)外近年來(lái)的研究熱點(diǎn)。對(duì)于預(yù)測(cè)模型的選擇,主要以Logistic回歸、人工神經(jīng)網(wǎng)絡(luò)、XGBoost等機(jī)器學(xué)習(xí)方法為主。而對(duì)于模型的構(gòu)建方法,當(dāng)前最常用回歸預(yù)測(cè)法中的多因素Logistic回歸分析和Cox比例風(fēng)險(xiǎn)函數(shù)[18]。此外本研究發(fā)現(xiàn)列線圖在國(guó)內(nèi)疾病預(yù)測(cè)研究中受到青睞。列線圖是復(fù)雜統(tǒng)計(jì)學(xué)可視化的模型,研究將多因素回歸分析確定的預(yù)測(cè)因子建立并繪制根據(jù)病人及高血壓病特征而評(píng)估個(gè)體風(fēng)險(xiǎn)的列線圖模型[19]。近年來(lái),國(guó)內(nèi)外基于機(jī)器學(xué)習(xí)構(gòu)建預(yù)測(cè)模型成為研究熱點(diǎn),其中有回歸樹(shù)及其衍生模型、網(wǎng)絡(luò)神經(jīng)等,如在高血壓人群特征選擇和模型構(gòu)建時(shí)采用了機(jī)器學(xué)習(xí)XGBoost算法,通過(guò)生成分類樹(shù)為每個(gè)人提供了最終的預(yù)測(cè)風(fēng)險(xiǎn)評(píng)分[20]。對(duì)比傳統(tǒng)預(yù)測(cè)模型而言,機(jī)器學(xué)習(xí)算法構(gòu)建模型的預(yù)測(cè)性能會(huì)更好,但方法較為復(fù)雜,在構(gòu)建模型時(shí)存在一定難度。雖然對(duì)于模型構(gòu)建相關(guān)研究已經(jīng)較為豐富,但還應(yīng)進(jìn)一步進(jìn)行模型的應(yīng)用轉(zhuǎn)化。目前,只有少數(shù)傳統(tǒng)模型在開(kāi)發(fā)后被轉(zhuǎn)換為風(fēng)險(xiǎn)評(píng)分[21]。通過(guò)評(píng)分而不是復(fù)雜的數(shù)學(xué)公式來(lái)呈現(xiàn)風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果,可能會(huì)進(jìn)一步提高模型的臨床應(yīng)用性。因此,在未來(lái)的研究中建議將各類預(yù)測(cè)模型在實(shí)際臨床中進(jìn)行驗(yàn)證及應(yīng)用。

4 小結(jié)

本研究通過(guò)CiteSpace軟件對(duì)國(guó)內(nèi)外高血壓預(yù)測(cè)模型的相關(guān)研究熱點(diǎn)進(jìn)行圖譜繪制及分析,以關(guān)鍵詞為導(dǎo)向?qū)Ω哐獕侯A(yù)測(cè)模型相關(guān)研究的現(xiàn)狀進(jìn)行了解,以期為國(guó)內(nèi)相關(guān)領(lǐng)域的預(yù)測(cè)研究和應(yīng)用提供參考依據(jù)。臨床工作中可通過(guò)應(yīng)用預(yù)測(cè)模型早期識(shí)別高血壓病的高危人群,如對(duì)老年及慢性共病人群進(jìn)行針對(duì)性健康管理,可降低高血壓病患病率和延緩、減少并發(fā)癥的發(fā)生,對(duì)高血壓病的預(yù)防和控制具有重要意義。本研究存在檢索數(shù)據(jù)庫(kù)有限,可能造成文獻(xiàn)遺漏,未來(lái)將納入更多文獻(xiàn)了解國(guó)內(nèi)外的研究進(jìn)展。