張開(kāi)友,王思佳

四川大學(xué)華西第二醫(yī)院臨床檢驗(yàn)科/出生缺陷與相關(guān)婦兒疾病教育部重點(diǎn)實(shí)驗(yàn)室,四川成都 610041

有研究報(bào)道,重癥監(jiān)護(hù)室(ICU)患者的病死率為8.6%～79.0%,而影響患者預(yù)后的原因復(fù)雜多變[1-2]。在眾多影響因素與不確定環(huán)境下,醫(yī)生和患者家屬在大量復(fù)雜的數(shù)據(jù)信息和病情變化面前,需要做出高風(fēng)險(xiǎn)決策;而臨床醫(yī)護(hù)人員在治療計(jì)劃、最優(yōu)資源分配、工作量確定、護(hù)理質(zhì)量評(píng)估等方面也面臨重大挑戰(zhàn)[3-4]。近年來(lái),人工智能(AI)在醫(yī)療健康領(lǐng)域中得到廣泛應(yīng)用,其主要目標(biāo)是從大數(shù)據(jù)中挖掘隱藏的信息,并幫助醫(yī)務(wù)人員做出有效的臨床決策[5]。AI在疾病診斷、癌癥患者篩查、治療選擇、減少用藥錯(cuò)誤和提高醫(yī)療技術(shù)等方面的研究不斷增長(zhǎng)[6-9]。在重癥臨床工作中,AI發(fā)揮著不可忽視的作用,因重癥患者需24 h實(shí)時(shí)監(jiān)測(cè),有大量動(dòng)態(tài)客觀的數(shù)據(jù)供挖掘,而AI可通過(guò)信息提取和機(jī)器學(xué)習(xí)等來(lái)加強(qiáng)患者臨床治療的決策制訂、構(gòu)建病情預(yù)測(cè)模型、優(yōu)化醫(yī)護(hù)工作流程等,也可通過(guò)患者實(shí)驗(yàn)室檢測(cè)指標(biāo)、生命體征變化及影像學(xué)檢查結(jié)果等在關(guān)鍵時(shí)刻識(shí)別重癥患者病情變化,為制訂臨床方案提供依據(jù)。隨著AI在重癥醫(yī)學(xué)中應(yīng)用的劇增,迅速了解該領(lǐng)域的研究?jī)?nèi)容和研究熱點(diǎn)非常重要,因此,本研究采用文獻(xiàn)計(jì)量學(xué)分析方法對(duì)該領(lǐng)域文獻(xiàn)進(jìn)行可視化分析,以全面概述重癥醫(yī)學(xué)領(lǐng)域AI應(yīng)用的研究趨勢(shì)和熱點(diǎn),為未來(lái)AI在重癥患者中的研究提供有意義的方向。

1 材料與方法

1.1數(shù)據(jù)來(lái)源和檢索策略 檢索Web of Science數(shù)據(jù)庫(kù)(WOS)核心合集,檢索時(shí)限為2000年1月1日至2022年7月31日。由2位研究者獨(dú)立進(jìn)行文獻(xiàn)檢索,檢索結(jié)果具有一致性。納入標(biāo)準(zhǔn)：摘要符合AI結(jié)合重癥醫(yī)學(xué)領(lǐng)域的主題;排除標(biāo)準(zhǔn)：科技成果、報(bào)紙、會(huì)議的文獻(xiàn)報(bào)道。

1.2研究方法 采用CiteSpace6.1.3(64-bit)和VOSviewer1.6.18對(duì)文獻(xiàn)的國(guó)家、機(jī)構(gòu)和作者進(jìn)行合作網(wǎng)絡(luò)分析,對(duì)共被引文獻(xiàn)和關(guān)鍵詞進(jìn)行共現(xiàn)分析,從而探尋重癥醫(yī)學(xué)領(lǐng)域AI研究的分布、研究熱點(diǎn)和趨勢(shì)。根據(jù)研究目的設(shè)置CiteSpace的時(shí)間跨度為2000-2022年,時(shí)間切片為1年。網(wǎng)絡(luò)節(jié)點(diǎn)關(guān)聯(lián)強(qiáng)度選擇Cosine算法,選擇標(biāo)準(zhǔn)閾值設(shè)定為g-index=25。根據(jù)可視化結(jié)果選擇最小生成樹(shù)算法對(duì)可視化網(wǎng)絡(luò)進(jìn)行精簡(jiǎn)優(yōu)化。

2 結(jié) 果

2.1文獻(xiàn)檢索情況 共檢索文獻(xiàn)3 362篇,剔除重復(fù)文獻(xiàn)2篇,非英語(yǔ)文獻(xiàn)49篇,非研究類(lèi)和綜述類(lèi)文獻(xiàn)718篇,最終得到有效文獻(xiàn)2 593篇。檢索策略見(jiàn)表1。

表1 2000-2022年AI在重癥醫(yī)學(xué)領(lǐng)域研究文獻(xiàn)檢索策略

2.2發(fā)文量分布特征 重癥醫(yī)學(xué)領(lǐng)域AI研究發(fā)文量呈逐年增長(zhǎng)的趨勢(shì),可分為3個(gè)階段,最后一個(gè)階段增長(zhǎng)迅速,波動(dòng)較大。(1)2000-2015年：AI在重癥醫(yī)學(xué)領(lǐng)域的研究增長(zhǎng)緩慢,年平均論文數(shù)28.56篇;(2)2016-2018年：年平均論文數(shù)達(dá)117.67篇,與前一時(shí)期相比,增長(zhǎng)明顯。(3)2019-2022年：年平均論文數(shù)達(dá)445.75篇,占整個(gè)研究時(shí)段發(fā)文量的68.76%(1 783/2 593),呈爆發(fā)式增長(zhǎng)。見(jiàn)圖1。

圖1 2000-2022年重癥醫(yī)學(xué)領(lǐng)域AI研究年發(fā)文量圖

2.3國(guó)家、機(jī)構(gòu)、作者合作強(qiáng)度 所檢索到的文獻(xiàn)包含91個(gè)國(guó)家、3 745家機(jī)構(gòu)、13 656位作者參與重癥醫(yī)學(xué)領(lǐng)域AI的研究。國(guó)家發(fā)文量排名前3位的分別是美國(guó)(1 027篇)、中國(guó)(438篇)、英國(guó)(184篇);機(jī)構(gòu)發(fā)文量排名前3位的分別是麻省理工學(xué)院(78篇)、哈佛醫(yī)學(xué)院(64篇)、匹茲堡大學(xué)(53篇),合作密切度排名前3的是麻省理工學(xué)院[連線粗細(xì)程度(TLS)=53]、哈佛醫(yī)學(xué)院(TLS=44)、貝斯以色列女執(zhí)事醫(yī)療中心(TLS=43)。作者發(fā)文量前3位是CELI L A(27篇)、ZHANG Z H(19篇)、LEE J(16篇)。作者之間以麻省理工學(xué)院的CELI L A和浙江大學(xué)ZHANG Z H等為核心的研究團(tuán)隊(duì)。見(jiàn)表2和圖2～4。

表2 國(guó)家、機(jī)構(gòu)和作者發(fā)文量和合作強(qiáng)度

圖2 國(guó)家/地區(qū)合作網(wǎng)絡(luò)圖

圖3 機(jī)構(gòu)合作網(wǎng)絡(luò)圖

2.4共被引文獻(xiàn)分布和聚類(lèi)結(jié)果 對(duì)82 624篇參考文獻(xiàn)創(chuàng)建了一個(gè)共被引文獻(xiàn)的聚類(lèi)網(wǎng)絡(luò),在該可視化網(wǎng)絡(luò)中,不同的節(jié)點(diǎn)類(lèi)型組成一個(gè)聚類(lèi),代表共引文獻(xiàn)的數(shù)量和中心性。具有代表性的引文標(biāo)簽顯示了每個(gè)聚類(lèi)的研究主題,文獻(xiàn)的共引用頻次及中心性分別見(jiàn)表3～4。CiteSpace生成了一個(gè)包含755個(gè)節(jié)點(diǎn)和1 244條線條的聚類(lèi)圖,見(jiàn)圖5。其中,Modularity Q=0.842 9,Silhouette=0.866 7,模塊化Q>0.3,說(shuō)明聚類(lèi)結(jié)構(gòu)合理。被引頻率排名前3的文獻(xiàn)作者是JOHNSON A E W(2016年,頻次為297)、SINGER M(2016年,頻次為149)、NEMATI S(2018年,頻次為92),中心性排名前3的文獻(xiàn)作者是CELI L A(2013年,中心性為0.18)、SINGER M(2016年,中心性為0.12)、SAEED M(2011年,中心性為0.11),CELI L A(2013年)和SINGER M(2016年)的頻次分別為15和149,但中心性都>0.1。聚類(lèi)結(jié)果顯示,共被引文獻(xiàn)生成6個(gè)聚類(lèi)標(biāo)簽,包括#0 sepsis(膿毒癥)、#1 COVID-19、#2 physiologic monitoring(生理監(jiān)測(cè))、#3 asynchronies(異步性)、#4 mortality prediction(病死率預(yù)測(cè))、#5 brain injuries(腦損傷),見(jiàn)圖5、6。

圖4 作者合作網(wǎng)絡(luò)圖

表3 2000-2022年AI在重癥醫(yī)學(xué)領(lǐng)域的高頻次共被引文獻(xiàn)

表4 2000-2022年AI在重癥醫(yī)學(xué)領(lǐng)域的共被引文獻(xiàn)的中心性

圖5 共被引文獻(xiàn)聚類(lèi)視圖

圖6 共被引文獻(xiàn)時(shí)間線圖

2.5關(guān)鍵詞的分布和聚類(lèi)結(jié)果 共計(jì)8 712個(gè)關(guān)鍵詞被納入研究,machine learning(機(jī)器學(xué)習(xí))、mortality(病死率)、intensive care unit(ICU)關(guān)鍵詞出現(xiàn)頻次超500次,其次risk factors(危險(xiǎn)因素)、artificial intelligence(人工智能)、sepsis(膿毒血癥)、critical care(危重護(hù)理)、outcome prediction(結(jié)局預(yù)測(cè))等關(guān)鍵詞出現(xiàn)頻次相對(duì)較高(>200次),見(jiàn)表5。關(guān)鍵詞聚類(lèi)圖顯示,VOSviewer關(guān)鍵詞最小出現(xiàn)頻次閾值為5,符合條件的關(guān)鍵詞為784個(gè),包含machine learning(機(jī)器學(xué)習(xí))、mortality(病死率)、sepsis(膿毒血癥)、critical care(危重護(hù)理)、management(管理)和mechanical ventilation(機(jī)器通氣)7個(gè)聚類(lèi)標(biāo)簽。見(jiàn)圖7、8。

圖7 關(guān)鍵詞聚類(lèi)網(wǎng)絡(luò)圖

表5 2000-2022年AI在重癥醫(yī)學(xué)領(lǐng)域頻次≥100次的關(guān)鍵詞分布情況

續(xù)表5 2000-2022年AI在重癥醫(yī)學(xué)領(lǐng)域頻次≥100次的關(guān)鍵詞分布情況

圖8 關(guān)鍵詞時(shí)間線圖

3 討 論

CiteSpace和VOSviewer的可視化功能允許對(duì)近22年AI在重癥醫(yī)學(xué)領(lǐng)域的原始文章進(jìn)行文獻(xiàn)計(jì)量學(xué)分析。本研究結(jié)果顯示,2000-2022年發(fā)表的關(guān)于該主題的科學(xué)文章數(shù)量呈增長(zhǎng)趨勢(shì)。由此可見(jiàn),AI在重癥醫(yī)學(xué)領(lǐng)域的應(yīng)用已逐漸成為一個(gè)重要課題。目前多見(jiàn)單一量化的文獻(xiàn)分析,少見(jiàn)應(yīng)用文獻(xiàn)計(jì)量學(xué)研究系統(tǒng)對(duì)該領(lǐng)域進(jìn)行分析和概述的研究;隨著AI在重癥醫(yī)學(xué)領(lǐng)域的深度應(yīng)用,需要及時(shí)掌握該領(lǐng)域的重點(diǎn)研究?jī)?nèi)容和熱點(diǎn),并反饋予臨床。本研究正是契合這一要點(diǎn),分析近22年AI應(yīng)用于重癥領(lǐng)域的相關(guān)文獻(xiàn),通過(guò)繪制知識(shí)圖譜對(duì)該領(lǐng)域發(fā)展現(xiàn)況、研究熱點(diǎn)及趨勢(shì)進(jìn)行可視化分析,為未來(lái)臨床AI在重癥患者中的研究提供有意義的方向。

3.1國(guó)家、機(jī)構(gòu)、作者合作強(qiáng)度分析 本研究顯示,國(guó)家發(fā)文量排名前3位的分別是美國(guó)(1 027篇)、中國(guó)(438篇)、英國(guó)(184篇)。TLS反映各國(guó)之間合作關(guān)系密切程度,以美國(guó)為中心開(kāi)展的研究眾多,其次是英國(guó)。機(jī)構(gòu)發(fā)文量排名前3位的分別是麻省理工學(xué)院(78篇)、哈佛醫(yī)學(xué)院(64篇)、匹茲堡大學(xué)(53篇),合作密切度排名前3的是麻省理工學(xué)院(TLS=53)、哈佛醫(yī)學(xué)院(TLS=44)、貝斯以色列女執(zhí)事醫(yī)療中心(TLS=43)。作者發(fā)文量前3位是CELI L A(27篇)、ZHANG Z H(19篇)、LEE,J(16篇)。說(shuō)明AI在發(fā)達(dá)國(guó)家的應(yīng)用較發(fā)展中國(guó)家多,但國(guó)家之間、機(jī)構(gòu)間的合作力度不夠,還有待加強(qiáng),這或許與國(guó)家綜合科技實(shí)力相關(guān);作者間合作以麻省理工學(xué)院的CELI L A和浙江大學(xué)ZHANG Z H最為密切。另外,本研究發(fā)現(xiàn)2019-2022年,AI在重癥醫(yī)學(xué)領(lǐng)域應(yīng)用的文獻(xiàn)呈現(xiàn)爆發(fā)式增長(zhǎng),這說(shuō)明該領(lǐng)域的研究已經(jīng)成為各國(guó)、各機(jī)構(gòu)的關(guān)注熱點(diǎn),其研究?jī)r(jià)值和應(yīng)用前景都值得研究人員關(guān)注。

3.2共被引文獻(xiàn)的分布和聚類(lèi)分析 本研究顯示,被引頻率排名前3的文獻(xiàn)作者是JOHNSON A E W(2016年,頻次為297)、SINGER M(2016年,頻次為149)、NEMATI S(2018年,頻次為92),中心性排名前3的文獻(xiàn)作者是CELI L A(2013年,中心性為0.18)、SINGER M(2016年,中心性為0.12)、SAEED M(2011年,中心性為0.11),CELI L A(2013年)和SINGER M(2016年)的頻次分別為15和149,但中心性都>0.1,說(shuō)明這2篇參考文獻(xiàn)的影響力較大。對(duì)于聚類(lèi)分析,共被引文獻(xiàn)生成6個(gè)聚類(lèi)標(biāo)簽,包括#0 sepsis(膿毒癥)、#1 COVID-19、#2 physiologic monitoring(生理監(jiān)測(cè))、#3 asynchronies(異步性)、#4 mortality prediction(病死率預(yù)測(cè))、#5 brain injuries(腦損傷)。圖6時(shí)間線圖中,節(jié)點(diǎn)出現(xiàn)的時(shí)間表示該聚類(lèi)首次引用時(shí)間,“#5 brain injuries(腦損傷)”聚類(lèi)出現(xiàn)最早,(2007年),而“#1 COVID-19”出現(xiàn)時(shí)間最晚(2019年)。說(shuō)明近幾年研究人員的關(guān)注熱點(diǎn)是膿毒癥、生理監(jiān)測(cè)、病死率預(yù)測(cè)、腦損傷和COVID-19,而這些熱點(diǎn)中蘊(yùn)含的危險(xiǎn)因素識(shí)別尤為重要。

3.2.1危險(xiǎn)因素識(shí)別的AI研究對(duì)臨床決策有重要作用 通常,重癥患者病情重且變化快,醫(yī)生和護(hù)士期望通過(guò)AI技術(shù)識(shí)別出對(duì)患者生命有影響的因素,在病情惡化之前提前采取措施,阻止患者出現(xiàn)生命危險(xiǎn)。這類(lèi)研究包括對(duì)病死率和預(yù)后的預(yù)測(cè)、實(shí)驗(yàn)室數(shù)據(jù)和影像學(xué)資料中危險(xiǎn)信息的識(shí)別、住院時(shí)長(zhǎng)和非計(jì)劃再入院率的預(yù)測(cè)。本研究也發(fā)現(xiàn),AI算法對(duì)危重患者膿毒血癥、病死率、出入院等進(jìn)行預(yù)測(cè)的內(nèi)容是近年的熱點(diǎn)。有研究表明使用無(wú)創(chuàng)參數(shù)來(lái)預(yù)測(cè)ICU患者院內(nèi)早期病死率,可納入變量多達(dá)151個(gè),建立的患者病死率預(yù)測(cè)模型優(yōu)于傳統(tǒng)評(píng)分方法,這為ICU患者病死率預(yù)測(cè)的廣泛應(yīng)用提供了可能,為制訂準(zhǔn)確的臨床決策提供了依據(jù)[10]。同時(shí),部分研究的主要方向?yàn)槔肁I開(kāi)發(fā)可識(shí)別重癥患者病情變化的電子病歷系統(tǒng)。因此,著眼于危險(xiǎn)因素識(shí)別的AI研究對(duì)臨床決策意義重大。

3.2.2機(jī)械通氣報(bào)警識(shí)別是危險(xiǎn)因素中AI研究的主要內(nèi)容 機(jī)械通氣是重癥患者治療的重要部分,AI在機(jī)械通氣的應(yīng)用包含對(duì)機(jī)械通氣患者插管時(shí)長(zhǎng)和病死率預(yù)測(cè)、插管定位、拔管后后低血氧飽和度的預(yù)測(cè)。YANG等[11]開(kāi)發(fā)一個(gè)基于基線變量的機(jī)器學(xué)習(xí)模型對(duì)快速淺呼吸指數(shù)的軌跡識(shí)別延長(zhǎng)機(jī)械通氣患者。CHAN等[12]采用機(jī)器學(xué)習(xí)建立機(jī)械通氣患者病死率預(yù)測(cè)模型,急性生理與慢性健康評(píng)分、血紅蛋白和清蛋白是預(yù)測(cè)年病死率的鑒別點(diǎn)。早期準(zhǔn)確預(yù)測(cè)氣管插管位置對(duì)危重患者至關(guān)重要,基于AI的關(guān)鍵點(diǎn)檢測(cè)系統(tǒng)發(fā)現(xiàn),氣管插管經(jīng)隆突插入20～55 mm是最佳位置[13]。而機(jī)器學(xué)習(xí)算法可精準(zhǔn)預(yù)測(cè)重癥患者拔管后出現(xiàn)低氧血癥的風(fēng)險(xiǎn)[14]。由此可見(jiàn),AI與機(jī)械通氣的深度融合應(yīng)用,對(duì)重癥患者的精準(zhǔn)治療提供了重要參考依據(jù),這一研究?jī)?nèi)容也值得臨床關(guān)注。

3.3關(guān)鍵詞的分布和聚類(lèi)分析 本研究顯示,關(guān)鍵詞聚類(lèi)分析中,共出現(xiàn)machine learning(機(jī)器學(xué)習(xí))、mortality(病死率)、sepsis(膿毒血癥)、critical care(危重護(hù)理)、management(管理)和mechanical ventilation(機(jī)器通氣)7個(gè)聚類(lèi)標(biāo)簽。時(shí)間軸視圖顯示,幾乎每年都會(huì)出現(xiàn)新的關(guān)鍵詞,machine learning(機(jī)器學(xué)習(xí))、deep learning(深度學(xué)習(xí))、artificial intelligence(工人智能)等是近2年的熱點(diǎn)詞匯。這說(shuō)明隨著時(shí)間的推移,研究熱點(diǎn)會(huì)不斷變化,研究人員需要實(shí)時(shí)關(guān)注。

3.3.1機(jī)械學(xué)習(xí)、深度學(xué)習(xí),是AI研究的鮮明特點(diǎn),并在自動(dòng)化預(yù)測(cè)方面有重要作用 DESAUTELS等[15]開(kāi)發(fā)了基于患者生命體征的機(jī)器學(xué)習(xí)預(yù)測(cè)模型識(shí)別膿毒血癥,該模型只涉及6項(xiàng)基本生命體征,缺少大量臨床數(shù)據(jù);有研究表明,基于機(jī)器學(xué)習(xí)模型,結(jié)合人口學(xué)特征、生命體征、血液檢測(cè)結(jié)果、評(píng)分系統(tǒng)等變量可以更準(zhǔn)確地識(shí)別膿毒血癥的發(fā)生[16]。SAWHNEY等[17]研究也表明AI在預(yù)測(cè)膿毒血癥患者病死率中,格拉斯哥昏迷量表評(píng)分、血尿素氮、呼吸頻率、尿量和年齡是重要的因素。這說(shuō)明AI在膿毒癥自動(dòng)檢測(cè)系統(tǒng)、病死率預(yù)測(cè)等方面發(fā)揮著重要作用。此外,急性腎損傷(AKI)是危重癥患者常見(jiàn)的并發(fā)癥,其發(fā)生率高達(dá)60%,病死率為40%～60%[18],傳統(tǒng)研究對(duì)AKI識(shí)別和預(yù)測(cè)有巨大貢獻(xiàn),但AKI的特異性和病理生理學(xué)表現(xiàn)仍是一大挑戰(zhàn)。KOYNER等[19]利用電子健康數(shù)據(jù)開(kāi)發(fā)了一種預(yù)測(cè)工具,預(yù)測(cè)在血清肌酐升高的41 h內(nèi)未進(jìn)行血液透析時(shí),發(fā)生AKI 2期的可能性較大。因此,AI可能在AKI事件后的AKI軌跡和風(fēng)險(xiǎn)評(píng)估中發(fā)揮進(jìn)一步的作用。與此同時(shí),有研究表明采用機(jī)器學(xué)習(xí)對(duì)膿毒癥患者AKI的預(yù)測(cè),可用于協(xié)助臨床醫(yī)生識(shí)別高?；颊卟?shí)施早期干預(yù)以降低病死率[20-21],而基于機(jī)器學(xué)習(xí)模型可以預(yù)測(cè)膿毒癥相關(guān)AKI危重患者住院后48、72、120 h及ICU入院后28 d內(nèi)的住院病死風(fēng)險(xiǎn)[22]。

3.3.2AI在臨床領(lǐng)域的廣泛應(yīng)用可以為臨床研究提供重要數(shù)據(jù) 目前,AI也在不同科室的重癥患者中得到運(yùn)用。在神經(jīng)外科重癥患者中被用于智能護(hù)理信息管理系統(tǒng)的設(shè)計(jì)和腸內(nèi)營(yíng)養(yǎng)支持評(píng)估等[23];在急診重癥患者中用于分診[24];在兒科重癥患者中用于中心靜脈導(dǎo)管相關(guān)深靜脈血栓形成的危險(xiǎn)因素識(shí)別和患者臨床結(jié)局預(yù)測(cè)[25];也被用于利用呼吸機(jī)參數(shù)預(yù)測(cè)心臟ICU患者快速脫機(jī)程序[26]。這說(shuō)明AI的應(yīng)用正在臨床領(lǐng)域廣泛開(kāi)展,其重要的應(yīng)用參考價(jià)值日漸凸顯。同時(shí),筆者也發(fā)現(xiàn)多參數(shù)重癥監(jiān)護(hù)智能監(jiān)測(cè)Ⅱ已成為機(jī)器學(xué)習(xí)模型構(gòu)建和驗(yàn)證的重要數(shù)據(jù)庫(kù)。越來(lái)越多的研究者利用該數(shù)據(jù)庫(kù)數(shù)據(jù)預(yù)測(cè)重癥患者治療、預(yù)后、并發(fā)癥等,為重癥患者的管理、治療和護(hù)理提供了依據(jù)。

近二十年AI在重癥醫(yī)學(xué)中的應(yīng)用取得了顯著進(jìn)步,國(guó)內(nèi)外的關(guān)注熱點(diǎn)具有一致性,美歐國(guó)家處于領(lǐng)先位置,主要表現(xiàn)在發(fā)文量和機(jī)構(gòu)合作密切度上,國(guó)內(nèi)機(jī)構(gòu)需要加強(qiáng)與領(lǐng)先機(jī)構(gòu)的合作交流,提升在該領(lǐng)域發(fā)展速度和質(zhì)量。本研究通過(guò)對(duì)AI在重癥醫(yī)學(xué)研究中的可視化分析,發(fā)現(xiàn)當(dāng)前重癥醫(yī)學(xué)領(lǐng)域AI研究的熱點(diǎn)集中在膿毒血癥、生理監(jiān)測(cè)、病死率預(yù)測(cè)、腦損傷和機(jī)械深度學(xué)習(xí)上。而5G的推廣使用,使AI在重癥醫(yī)學(xué)中應(yīng)用的研究不僅關(guān)注預(yù)測(cè)重癥患者的臨床結(jié)局,在治療、并發(fā)癥等方面的應(yīng)用也取得重要的成果,這一結(jié)果也促進(jìn)未來(lái)的研究將AI的成果用于實(shí)踐。本研究也存在一些局限性。首先,本研究只包括一個(gè)數(shù)據(jù)庫(kù)中的原創(chuàng)文章和評(píng)論;其次,AI在重癥醫(yī)學(xué)領(lǐng)域的倫理研究的文獻(xiàn)數(shù)量和影響有限,未被軟件提取熱點(diǎn)和趨勢(shì)。