《Healthcare》：Evaluating a Nationwide Neonatal Research Infrastructure: A Bibliometric Network Analysis of the Korean Neonatal Network
编辑推荐：
背景/目的：自韩国新生儿网络（Korean Neonatal Network, KNN）于2013年建立以来，众多研究利用其全国性极低出生体重儿（very low birth weight infants, VLBWIs）登记数据库开展。除了作为临床数据库之外
背景/目的：自韩国新生儿网络（Korean Neonatal Network, KNN）于2013年建立以来，众多研究利用其全国性极低出生体重儿（very low birth weight infants, VLBWIs）登记数据库开展。除了作为临床数据库之外，KNN已发展成为一项国家医疗研究基础设施，支持多中心合作、证据生成和新生儿护理质量改进。本研究旨在通过文献计量网络分析评估KNN的科学产出、合作结构和知识生成能力，并确定韩国新生儿研究的未来方向。方法：从Web of Science核心合集检索2015年1月1日至2024年6月5日的文献。使用医学主题词表（Medical Subject Headings, MeSH）、Emtree术语以及与极低出生体重儿、极低出生体重儿和韩国新生儿网络相关的关键词进行文献检索。共识别出7060篇全球文献和86篇KNN相关文献用于分析。使用VOSviewer进行合著和关键词共现分析，以评估国际合作、研究主题和关键词出现的时间趋势。使用Scimago Graphica可视化关键词演变，并使用CiteSpace进行突发检测分析以识别新兴研究主题。结果：在VLBWIs全球文献中，韩国以226篇文献排名全球第13位，并表现出广泛的国际合作，特别是与美国研究人员。对86篇KNN相关文献的分析显示，在相对较短的时期内，观察性和主题聚焦的研究领域快速发展。关键词聚类和时间分析表明，随着数据库的成熟，研究兴趣逐步扩展。突发分析识别出与死亡率和发病率风险因素、神经发育结局以及使用机器学习技术的预测建模相关的新兴主题。结论：文献计量分析表明，基于KNN的研究尽管建立较晚，但在很大程度上遵循了全球新生儿研究趋势。KNN已成功发挥全国性研究基础设施的作用，促进了协作知识生成和科学产出。然而，仍存在一些代表性不足的研究领域和更广泛国际合作的机会。这些发现可能有助于指导未来研究策略，并最大化基于国家新生儿登记系统的医疗系统的影响。
**论文解读文章**
**研究背景与问题**
韩国新生儿网络（Korean Neonatal Network, KNN）成立于2013年，旨在系统收集全国范围内极低出生体重儿（very low birth weight infants, VLBWIs）的临床数据，以改善新生儿护理和预后。该网络最初覆盖60个新生儿重症监护病房（neonatal intensive care units, NICUs），约70%的全国VLBWIs，后扩展至79个NICUs，纳入超过20,000名婴儿，覆盖80%以上的VLBWIs。KNN数据库包含围产期特征、合并症、治疗实践以及长期生长发育结局等详细信息。通过持续的数据收集和基准比较，KNN已从单一的临床登记数据库演变为支持多中心合作、证据生成和数据驱动医疗决策的国家级研究基础设施。过去十年中，基于KNN数据库发表了200余篇论文，但尚未有研究系统评估其科学产出、合作网络和知识生成能力。文献计量学通过定量分析文献模式，可揭示研究趋势、合作网络和新兴主题。本研究旨在通过文献计量网络分析，评估KNN作为全国性新生儿研究基础设施如何将常规临床数据转化为科学证据，并比较其与全球VLBWI研究的异同，以识别未来研究方向。
**研究内容与结论**
研究人员开展了一项文献计量网络分析，检索了Web of Science核心合集中2015年1月1日至2024年6月5日的文献。全球研究使用医学主题词表（MeSH）、Emtree术语及相关关键词（如VLBWIs、极低出生体重儿等）检索，共获得7060篇全球文献；KNN研究通过标题和摘要字段检索“Korean Neonatal Network”，经筛选后纳入86篇相关文献。使用VOSviewer进行合著国家分析和关键词共现分析，Scimago Graphica进行关键词时间线可视化，CiteSpace进行突发检测。研究得出以下结论：在全球VLBWI研究中，韩国以226篇文献排名第13位，与美国研究人员合作最为密切。KNN相关文献在相对较短时期内快速发展，研究主题从早期观察性研究逐步扩展至神经发育结局、风险因素分析以及机器学习预测模型。关键词聚类显示五个主要研究领域：围产期因素、发病率、神经发育结局、死亡率与人工智能、一般趋势分析。突发检测表明，机器学习、神经发育结局等新兴主题近期出现。KNN研究总体上遵循全球新生儿研究趋势，但精准医学、营养干预、国际协作等方向代表性不足。该论文发表在《Healthcare》期刊。
**关键技术方法**
主要技术方法包括：1）数据收集：从Web of Science核心合集检索全球文献（使用MeSH和Emtree术语，涵盖VLBWIs、极低出生体重儿（extremely low birth weight infants, ELBWIs）等）和KNN文献（标题/摘要字段检索“Korean Neonatal Network”），最终纳入7060篇全球文献和86篇KNN文献，样本队列来源为KNN登记数据库（来自韩国79个NICUs，覆盖80%以上VLBWIs）。2）关键词预处理：使用OpenRefine进行文本编辑、同义词合并、缩写标准化，由医学图书馆员和两名新生儿科专家独立审核。3）分析可视化：使用VOSviewer进行合著分析和关键词共现网络分析（节点大小表示频率，颜色表示平均出版年，聚类表示研究主题）；使用Scimago Graphica制作时间线可视化；使用CiteSpace进行突发检测（参数γ=0.3，识别17个突发词）。
**研究结果**
**3.1 文献的国家分布**：通过国家文献数量和合著网络分析，美国在全球VLBWI研究中文献量最多（2032篇），韩国以226篇排名第13位。合著分析显示，韩国与美国、英国、加拿大等国合作密切，共识别出12个国际合作国家。
**3.2 最强引文突发关键词分析**：突发检测分析显示，全球研究中早期关键词包括脐血（2015）、内皮生长因子（2016）等，随后出现神经发育相关（认知功能2015、神经行为结局2017）、感染相关（全身炎症2017、早发型败血症2019），近期出现肠内喂养（2022）、急性肾损伤（2022）和机器学习（2022）。KNN研究中，早期关键词包括神经发育结局（2015）、风险因素（2015）、脑室内出血（2015）等，随后出现发育与衰老（2018）、不良结局（2019）、早产儿视网膜病（2020）、双侧听力障碍（2020）等，机器学习（2022）同样在近期出现。
**3.3 KNN术语图分析：网络可视化和叠加分析**
**3.3.1 网络可视化**：关键词共现网络识别出5个聚类。红色聚类：围产期因素（Apgar评分、呼吸窘迫综合征、绒毛膜羊膜炎等）；绿色聚类：VLBWI发病率（坏死性小肠结肠炎、脑出血、动脉导管未闭等）；蓝色聚类：神经发育结局（胎龄、支气管肺发育不良、风险因素、脑室周围白质软化等）；黄色聚类：死亡率与人工智能（预测、机器学习、医院死亡率、生长障碍等）；紫色聚类：一般趋势分析（韩国、死亡率、结局、发病率、趋势、流行病学等）。
**3.3.2 叠加可视化**：按照平均出版年着色，早期出版物关键词集中于死亡率、主要新生儿发病率及相关风险因素，近期出版物更多涉及长期神经发育结局、营养和治疗策略。人工智能和机器学习相关关键词出现在10篇KNN文献中。
**3.4 关键词时间线图**：高频率关键词从2018年开始同时出现，对应聚类1（围产期因素）、聚类2（发病率）、聚类3（神经发育结局）、聚类4（死亡率）。与一般趋势分析（聚类5）相关的关键词贯穿整个研究期。时间线显示KNN研究主题的出现顺序较全球研究更清晰。
**讨论与结论**
讨论部分指出，KNN研究遵循全球趋势，但精准医学、营养干预、国际协作等领域代表性不足，可能与数据库成熟度和文献数量有限有关。机器学习是新兴方向。局限性包括数据库索引覆盖不全、关键词预处理主观性等。结论部分总结：文献计量分析表明，KNN已超越国家临床登记数据库，发展成为支持新生儿学科学产出、多中心合作和知识生成的高效医疗研究基础设施。尽管基于KNN的研究基本遵循全球研究趋势，但仍存在一些代表性不足的领域和更广泛国际合作的机会。这些发现揭示了国家医疗数据平台如何支持科学产出和知识生成，最终可能为医疗质量改进和循证政策制定提供信息。本研究所提出的文献计量框架也可应用于其他国家临床登记数据库，以评估研究生产力、合作网络、主题演变和新兴研究优先事项。此类比较性文献计量评估可能有助于优化全国性医疗数据库的科学价值，并支持不同医疗系统间的循证研究规划。
