引用本文： 周浩, 张永佳, 徐英. 近十年重症医学应用人工智能技术的可视化分析. 中国循证医学杂志, 2023, 23(8): 930-935. doi: 10.7507/1672-2531.202303058 复制
人工智能（artificial intelligence，AI）是一个广义的计算机科学术语，其具有感知、推理、归纳、总结及做出决定的能力，AI技术大致可分为机器学习（machine learning，ML）、自然语言处理、计算机视觉等[1]。AI已应用于分子生物学、生物信息学和医学影像学等医学领域，主要用于人口健康管理、提供有针对性的诊断和治疗、监测病人数据、预测健康轨迹、指导手术及护理[2-4]。重症监护室（intensive care unit，ICU）中，由于病人病情危重、病情变化迅速，需要医护人员通过各种设备对病人生命体征、出入量、用药情况等与病情变化相关指标进行严密监测并不断生成大量的数据入库[5]。随着计算机科学的发展，已经有从各种临床数据信息系统中整合和归档而建立的大型研究数据库出现，如公共ICU数据库eICU[6]和MIMIC[7]，这些公共数据库的开放对AI技术在重症医学临床研究中的应用和决策支持工具的开发提供了助力。利用AI技术进行重症监护数据分析，并进行疾病预后评估、重症监测、病情预测、治疗决策成为研究新靶点[8-9]。
文献计量学研究是一种可量化的信息学技术，通过对学术文献进行分析，可以对某一主题进行宏观、定量或定性的概述，并对该领域活跃度高的作者、机构、国际合作和研究热点等进行总览[10]。尽管人们对AI技术应用于重症医学领域的兴趣越来越浓厚，但仍缺乏衡量和分析国内外研究现状及趋势的文献计量研究。因此，本文旨在运用文献计量学方法对近十年国内外重症医学领域应用AI技术的研究趋势进行可视化分析，分析核心作者、领先国家和机构，以探讨未来的研究热点及潜在合作方向。
1 资料与方法
1.1 纳入与排除标准
纳入标准：① AI技术应用于重症医学的文献；② 中文文献类型为期刊论文，英文文献类型为“Article”或“Review”。
排除标准：① 重复发表的文献；② 与研究内容不相关的文献；③ 文献类型为会议论文、报纸、年鉴、评论及新闻；④ 无法获取全文的文献。
1.2 文献检索策略
计算机检索CNKI、WanFang Data、VIP和Web of Science核心合集数据库，搜集重症医学领域应用AI技术的相关文献，检索时限均从2013年1月1日至2022年12月31日。中文检索词包括：人工智能、AI、机器学习、深度学习、预测模型、神经网络、支持向量机、决策树、随机森林、贝叶斯网络、重症医学、重症监护室、重症护理、病危等；英文检索词包括：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 文献筛选与资料提取
由2位研究者独立筛选文献和提取资料并交叉核对，如遇分歧则咨询第三方协助判断。文献检索后导出题录，题录包含文献作者、关键词、摘要、机构、发表期刊、年度等信息。分别将导出后的中英文题录文件导入NoteExpress 3.2软件去除重复、不符合纳入标准的文献。
1.4 统计分析
采用CiteSpace 5.7.R5和Vosviewer 1.6.19软件进行文献计量学分析。设置参数：时间分区为2013—2022年，时间切片（YearPerSlice）为1年，阈值（TopN per Slice）为25，统计各年度国内外数据库收录文献数量，使用Microsoft Excel 2019软件绘制出变化趋势条形图以了解近年来发文量变化趋势；生成对作者、关键词、机构等方面的共现网络，突出国内外在重症医学应用AI技术领域研究较多的作者、机构，展现不同作者、机构研究方向、合作程度以及该领域的热点方向分布。
2 结果
2.1 发文量分析
共纳入986篇中文文献、4 016篇英文文献。发文量呈逐年递增的趋势（图1）。
图1
2013—2022年人工智能应用于重症监护领域的发文量及趋势
2.2 研究主体探究
2.2.1 核心作者及团队共现分析
国外发文量排名前3位的作者是Leo Anthony Celi、Gilles Clermont、Shamim Nemati，发表相关文献最高达12篇，发文量≥5篇的作者有14人。国内作者以冯慧芬、黄平、王斌等发文量排名前列，其发文量≥6篇共6人，最高达9篇；国内合计335个发文作者，合作线有366条，形成了冯慧芬-黄平、蔺轲-孔桂兰等研究团队，各团体之间的联系不密切。国外合计426个发文作者，合作线有573条，作者之间具有关系网，形成以Leo Anthony Celi、Patrick J Thoral、Shamim Nemati为代表的团队，其他作者比较分散，联系不紧密。
2.2.2 核心机构共现分析
以发文机构为网络节点进行可视化图谱分析，共提取国内发文机构140个，连线达28条，网络密度仅为0.002 9，主要集中在医学院校及其附属医院，以四川大学华西医院/华西临床医学院发文量排名居首位，共计50篇。机构分布与合作图谱显示，国内AI技术在重症医学领域的应用合作上较少。发表英文文献的机构共计412个，连线1 411条，网络密度为0.016 7。最大的合作网络是以中国科学院为中心的合作机构，与其直接合作的机构达到18所，合作发表94篇文章。中、英文文献共现网络和发文量排名前十的机构见表1。
表1
2013—2022年文献发表共现网络和发文量排名前十的机构
2.2.3 国家间合作分析
表2列出了英文数据库中发表与重症医学运用AI技术相关的文献数量和中心性排名前十的国家，图2a为Vosviewer软件生成的各国家之间共现网络，图中圆圈越大，表示发文量越多；两个国家间的连线越密集，代表合作越密切；图2b为CiteSpace软件生成的国家之间共现网络，节点圈外的紫圈表示该国家中心性>0.1，表明该国家在该研究领域地位越重要，合作度及影响力高[11]。共提取发文国家或地区105个，连线达995条，网络密度仅为0.182 2，分析发表文献量和中心性2个不同指标可以推断美国、中国、德国是重症医学领域AI技术应用研究的中坚力量，欧美国家之间合作密切，合作优势也十分明显，美国、德国、印度的研究处于世界一流水平。中国发文数量虽然排第1位，但影响力和合作度都未进入排名前十，表明中国在该领域研究水平还有待提高，还应加强与其他国家和地区的合作。
表2
2013—2022年Web of Science核心合集数据库收录文献数量和中心性排名前十的国家
图2
2013—2022年国家间合作图谱
a：Vosviewer生成国家间共现网络；b：CiteSpace生成国家间共现网络。
2.3 研究内容分析
2.3.1 关键词共现分析
关键词中心度反映其在整个关键词共现网络中的重复性，节点的大小代表关键词出现频次多少，节点越大说明关键词出现的次数越多，关键词出现的频率在一定程度上反映了研究的热点[11]，去掉“人工智能”、“重症监护室”等普通分类检索词后频次排名前10的高频关键词见表3。
表3
2013—2022年国内外文献排名前十的核心关键词
2.3.2 共被引网络与演化分析
对Web of Science核心合集数据库检索出的4 016篇文献进行文献共被引网络与演化分析，该网络以2012年为界限，采用LLR算法对聚类命名，删除小于20的聚类，保留8个聚类（图3），分别是重症监护（critical care）、动态生理特征（dynamic physiologic signature）、脓毒症（sepsis）、呼吸暂停（apnea）、机器学习（machine learning）、谵妄（delirium）、预测模型（predictive models）和深度学习（deep learning）。被引频次最高的论文由Johnson等[12]于2016年发表（共被引237次）。
图3
2013—2022年Web of Science核心合集数据库共被引聚类知识图谱
3 讨论
本研究使用文献计量学的方法对AI在重症医学领域的发展趋势进行研究，通过对2013—2022年十年间国内外主流数据库收录的相关文献的发文量、作者或团队、机构、国家、关键词等进行分析，直观、简洁地展示国内外该领域的研究热点及趋势。
由发文量可知，2017年之前国内外该领域的发文量一直增长缓慢，从2018年起，国内外学者对AI在重症医学领域应用的兴趣大幅增长，可能的原因为2014—2018年出现的自主机器人、语音识别、神经网络和机器学习等AI技术为预测、诊断疾病、护理患者提供了空前的助力[13]；2016—2018年研究人员可以使用大型公共重症监护数据库（如MIMIC和eICU）进行数据分析，AI技术和大型数据库的进步推动了发文量的急剧增长[6,12]。但整体相较于在非重症医学领域的研究稍晚，这可能与AI技术用于危重患者时的安全隐患和伦理问题有关[14-15]。
由发文作者及团队、机构可视化分析可知，国内主要集中在冯慧芬-黄平、蔺轲-孔桂兰形成的研究团队，其余作者合作较少，未形成资源整合与共享；国外作者之间协作性较强，团队之间合作较为密切。发表中文文献较多的机构主要集中于国内顶级医学院校及其附属医院，发文机构共计140个，但网络密度仅为0.002 9，表明机构间合作度欠缺；发表英文文献较多的机构集中于中国、美国、英国等国家的顶级研究所或大学，最大的合作网络是以中国科学院为中心的合作机构，与其直接合作的机构达到18所，发文量前三的机构分别为中国科学院、哈佛大学和浙江大学，同时也是中心度最高的3所机构，这表明，重症医学领域的AI应用已经受到国内外顶尖研究机构的关注。
由国家分布可知，中国的发文量虽然排名第一，但中心性较低，表明我国科研人员在此领域与国际间的交流较少，美国、德国和印度在发文量及中心性的排名均在前列，这可能与软件工业能力有关[16-17]，表明了高新技术发展对AI技术应用于重症医学领域的积极推动作用。
由关键词分析可知，国内外文献频次排名前十的关键词都出现了“预测模型”、“危险因素”、“机器学习”、“脓毒症”、“深度学习”，表明应用机器学习等AI技术建立脓毒症及相关危险因素预测模型是该领域的热点话题，在国内外文献关键词中，出现频次最多的疾病是脓毒症、手足口病、、COVID-19、急性胰腺炎、急性呼吸窘迫综合征和心脏骤停，这些ICU常见的疾病已经成为AI算法的热门靶点；出现频次最多的AI技术包括机器学习、神经网络、深度学习和支持向量机。AI可以通过先进的文本和图像处理能力获得更精确的诊断及时检测或预测疾病，使临床医生能够更早地管理危重病人。例如，使用机器学习模型可以将充血性心力衰竭与其他肺部疾病区分开[18]，并且可以通过使用变分自动编码器的半监督机器学习来量化继发于充血性心力衰竭的肺水肿量[19]。随着最近通过卷积神经网络对病变进行图像分割和量化技术的发展，AI判断头颅CT创伤性脑损伤面积准确率已经高于传统手段[20]。在ICU中，患者病情变化迅速，若识别不及时可导致疾病恶化甚至死亡。因此，利用AI对疾病进程的预测也是研究的热点之一。心动过速是休克前最常见的心律失常之一，Chen等[21]在发病前75分钟使用随机森林模型的归一化动态风险评分轨迹进行预测。另外，机器学习模型在减少术中低血压的有效性在一项对接受中高风险手术的患者的随机对照试验中进一步得到证实，接受AI驱动干预的患者中有1.2%发生低血压，而使用传统方法的患者发生低血压的比例为21.5%[22]。缺氧和呼吸窘迫也是预测的主要目标，在COVID-19大流行初期，基于影像学、生物学和临床变量的AI驱动模型被用于预测COVID-19的进展[23]。AI技术在对疾病表型或亚型分类的应用也较为广泛，如Seymour等[24]使用不同的临床研究队列，通过共识K-Means聚类将脓毒症聚为4个表型（α、β、γ和δ），这些表型与宿主反应模式相关，有不同的人口统计学特征、不同的生化表现，并最终与不同的临床结果相关。在急性呼吸窘迫综合征中，潜伏期分析显示两种亚型（低炎症和高炎症）与不同的临床特征、治疗反应和临床结果有关[25]，这种机器学习驱动的急性呼吸窘迫综合征表型鉴定扩展了评估和治疗复杂疾病方面的知识。综上，可以发现AI的主要功能包括疾病识别、预测临床中病情变化、监测和疾病表型或亚型分类，也有文献报道了其他重要功能，如预测预后或死亡和指导决策等[26-29]。
由共被引分析可知，与AI技术在重症医学领域的应用相关的文献被引次数低于重症医学其他研究热点[30]。这可能与AI在现实世界中的应用成熟度较低[31-33]，以及缺乏外部验证过程和前瞻性评估有关。除此之外，共被引分析中被引次数最多的文献主要介绍了重症监护数据库MIMIC-Ⅲ，该数据库共享了来自全球各级医院的患者生命体征、用药、实验室检查结果、护理记录、出入量、成像报告、住院时间、生存数据等，并对该数据库在学术研究、临床质量改进和高等教育课程等领域的发展提出了畅想[12]。
本文概述了重症监护医学相关AI研究的趋势和热点，与Tang等[34]的研究相比，本文的检索范围较广，涵盖了主流中英文数据库，并着重突出了近十年的研究进展。除此之外，应用CiteSpace 5.7.R5和Vosviewer 1.6.19软件联合分析，突出了最具生产力的国家和学术机构，以促进潜在的合作，并为未来的研究提供方向。然而，本研究仍存在不足，如在检索文献阶段，尽管包含了较多的AI相关术语（如神经网络、机器学习、深度学习和自然语言处理），但并未涵盖所有AI技术，可能导致文献纳入不全面。此外，英文文献时只检索了Web of Science核心合集数据库，可能存在不够全面的情况。
综上所述，AI在重症医学领域的应用研究呈上升趋势，研究热点主要涉及监测、预测疾病进展、死亡率、疾病预后以及疾病表型或亚型的分类。在过去十年间，尽管AI在改善重症患者预后和优化诊疗护理流程等方面显示出巨大潜力，但与AI应用于重症医学领域的相关医疗产品研发还处于起步阶段，极少常规应用于临床实践，仍有诸多挑战需要面对和解决。
人工智能（artificial intelligence，AI）是一个广义的计算机科学术语，其具有感知、推理、归纳、总结及做出决定的能力，AI技术大致可分为机器学习（machine learning，ML）、自然语言处理、计算机视觉等[1]。AI已应用于分子生物学、生物信息学和医学影像学等医学领域，主要用于人口健康管理、提供有针对性的诊断和治疗、监测病人数据、预测健康轨迹、指导手术及护理[2-4]。重症监护室（intensive care unit，ICU）中，由于病人病情危重、病情变化迅速，需要医护人员通过各种设备对病人生命体征、出入量、用药情况等与病情变化相关指标进行严密监测并不断生成大量的数据入库[5]。随着计算机科学的发展，已经有从各种临床数据信息系统中整合和归档而建立的大型研究数据库出现，如公共ICU数据库eICU[6]和MIMIC[7]，这些公共数据库的开放对AI技术在重症医学临床研究中的应用和决策支持工具的开发提供了助力。利用AI技术进行重症监护数据分析，并进行疾病预后评估、重症监测、病情预测、治疗决策成为研究新靶点[8-9]。
文献计量学研究是一种可量化的信息学技术，通过对学术文献进行分析，可以对某一主题进行宏观、定量或定性的概述，并对该领域活跃度高的作者、机构、国际合作和研究热点等进行总览[10]。尽管人们对AI技术应用于重症医学领域的兴趣越来越浓厚，但仍缺乏衡量和分析国内外研究现状及趋势的文献计量研究。因此，本文旨在运用文献计量学方法对近十年国内外重症医学领域应用AI技术的研究趋势进行可视化分析，分析核心作者、领先国家和机构，以探讨未来的研究热点及潜在合作方向。
1 资料与方法
1.1 纳入与排除标准
纳入标准：① AI技术应用于重症医学的文献；② 中文文献类型为期刊论文，英文文献类型为“Article”或“Review”。
排除标准：① 重复发表的文献；② 与研究内容不相关的文献；③ 文献类型为会议论文、报纸、年鉴、评论及新闻；④ 无法获取全文的文献。
1.2 文献检索策略
计算机检索CNKI、WanFang Data、VIP和Web of Science核心合集数据库，搜集重症医学领域应用AI技术的相关文献，检索时限均从2013年1月1日至2022年12月31日。中文检索词包括：人工智能、AI、机器学习、深度学习、预测模型、神经网络、支持向量机、决策树、随机森林、贝叶斯网络、重症医学、重症监护室、重症护理、病危等；英文检索词包括：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 文献筛选与资料提取
由2位研究者独立筛选文献和提取资料并交叉核对，如遇分歧则咨询第三方协助判断。文献检索后导出题录，题录包含文献作者、关键词、摘要、机构、发表期刊、年度等信息。分别将导出后的中英文题录文件导入NoteExpress 3.2软件去除重复、不符合纳入标准的文献。
1.4 统计分析
采用CiteSpace 5.7.R5和Vosviewer 1.6.19软件进行文献计量学分析。设置参数：时间分区为2013—2022年，时间切片（YearPerSlice）为1年，阈值（TopN per Slice）为25，统计各年度国内外数据库收录文献数量，使用Microsoft Excel 2019软件绘制出变化趋势条形图以了解近年来发文量变化趋势；生成对作者、关键词、机构等方面的共现网络，突出国内外在重症医学应用AI技术领域研究较多的作者、机构，展现不同作者、机构研究方向、合作程度以及该领域的热点方向分布。
2 结果
2.1 发文量分析
共纳入986篇中文文献、4 016篇英文文献。发文量呈逐年递增的趋势（图1）。
图1
2013—2022年人工智能应用于重症监护领域的发文量及趋势
2.2 研究主体探究
2.2.1 核心作者及团队共现分析
国外发文量排名前3位的作者是Leo Anthony Celi、Gilles Clermont、Shamim Nemati，发表相关文献最高达12篇，发文量≥5篇的作者有14人。国内作者以冯慧芬、黄平、王斌等发文量排名前列，其发文量≥6篇共6人，最高达9篇；国内合计335个发文作者，合作线有366条，形成了冯慧芬-黄平、蔺轲-孔桂兰等研究团队，各团体之间的联系不密切。国外合计426个发文作者，合作线有573条，作者之间具有关系网，形成以Leo Anthony Celi、Patrick J Thoral、Shamim Nemati为代表的团队，其他作者比较分散，联系不紧密。
2.2.2 核心机构共现分析
以发文机构为网络节点进行可视化图谱分析，共提取国内发文机构140个，连线达28条，网络密度仅为0.002 9，主要集中在医学院校及其附属医院，以四川大学华西医院/华西临床医学院发文量排名居首位，共计50篇。机构分布与合作图谱显示，国内AI技术在重症医学领域的应用合作上较少。发表英文文献的机构共计412个，连线1 411条，网络密度为0.016 7。最大的合作网络是以中国科学院为中心的合作机构，与其直接合作的机构达到18所，合作发表94篇文章。中、英文文献共现网络和发文量排名前十的机构见表1。
表1
2013—2022年文献发表共现网络和发文量排名前十的机构
2.2.3 国家间合作分析
表2列出了英文数据库中发表与重症医学运用AI技术相关的文献数量和中心性排名前十的国家，图2a为Vosviewer软件生成的各国家之间共现网络，图中圆圈越大，表示发文量越多；两个国家间的连线越密集，代表合作越密切；图2b为CiteSpace软件生成的国家之间共现网络，节点圈外的紫圈表示该国家中心性>0.1，表明该国家在该研究领域地位越重要，合作度及影响力高[11]。共提取发文国家或地区105个，连线达995条，网络密度仅为0.182 2，分析发表文献量和中心性2个不同指标可以推断美国、中国、德国是重症医学领域AI技术应用研究的中坚力量，欧美国家之间合作密切，合作优势也十分明显，美国、德国、印度的研究处于世界一流水平。中国发文数量虽然排第1位，但影响力和合作度都未进入排名前十，表明中国在该领域研究水平还有待提高，还应加强与其他国家和地区的合作。
表2
2013—2022年Web of Science核心合集数据库收录文献数量和中心性排名前十的国家
图2
2013—2022年国家间合作图谱
a：Vosviewer生成国家间共现网络；b：CiteSpace生成国家间共现网络。
2.3 研究内容分析
2.3.1 关键词共现分析
关键词中心度反映其在整个关键词共现网络中的重复性，节点的大小代表关键词出现频次多少，节点越大说明关键词出现的次数越多，关键词出现的频率在一定程度上反映了研究的热点[11]，去掉“人工智能”、“重症监护室”等普通分类检索词后频次排名前10的高频关键词见表3。
表3
2013—2022年国内外文献排名前十的核心关键词
2.3.2 共被引网络与演化分析
对Web of Science核心合集数据库检索出的4 016篇文献进行文献共被引网络与演化分析，该网络以2012年为界限，采用LLR算法对聚类命名，删除小于20的聚类，保留8个聚类（图3），分别是重症监护（critical care）、动态生理特征（dynamic physiologic signature）、脓毒症（sepsis）、呼吸暂停（apnea）、机器学习（machine learning）、谵妄（delirium）、预测模型（predictive models）和深度学习（deep learning）。被引频次最高的论文由Johnson等[12]于2016年发表（共被引237次）。
图3
2013—2022年Web of Science核心合集数据库共被引聚类知识图谱
3 讨论
本研究使用文献计量学的方法对AI在重症医学领域的发展趋势进行研究，通过对2013—2022年十年间国内外主流数据库收录的相关文献的发文量、作者或团队、机构、国家、关键词等进行分析，直观、简洁地展示国内外该领域的研究热点及趋势。
由发文量可知，2017年之前国内外该领域的发文量一直增长缓慢，从2018年起，国内外学者对AI在重症医学领域应用的兴趣大幅增长，可能的原因为2014—2018年出现的自主机器人、语音识别、神经网络和机器学习等AI技术为预测、诊断疾病、护理患者提供了空前的助力[13]；2016—2018年研究人员可以使用大型公共重症监护数据库（如MIMIC和eICU）进行数据分析，AI技术和大型数据库的进步推动了发文量的急剧增长[6,12]。但整体相较于在非重症医学领域的研究稍晚，这可能与AI技术用于危重患者时的安全隐患和伦理问题有关[14-15]。
由发文作者及团队、机构可视化分析可知，国内主要集中在冯慧芬-黄平、蔺轲-孔桂兰形成的研究团队，其余作者合作较少，未形成资源整合与共享；国外作者之间协作性较强，团队之间合作较为密切。发表中文文献较多的机构主要集中于国内顶级医学院校及其附属医院，发文机构共计140个，但网络密度仅为0.002 9，表明机构间合作度欠缺；发表英文文献较多的机构集中于中国、美国、英国等国家的顶级研究所或大学，最大的合作网络是以中国科学院为中心的合作机构，与其直接合作的机构达到18所，发文量前三的机构分别为中国科学院、哈佛大学和浙江大学，同时也是中心度最高的3所机构，这表明，重症医学领域的AI应用已经受到国内外顶尖研究机构的关注。
由国家分布可知，中国的发文量虽然排名第一，但中心性较低，表明我国科研人员在此领域与国际间的交流较少，美国、德国和印度在发文量及中心性的排名均在前列，这可能与软件工业能力有关[16-17]，表明了高新技术发展对AI技术应用于重症医学领域的积极推动作用。
由关键词分析可知，国内外文献频次排名前十的关键词都出现了“预测模型”、“危险因素”、“机器学习”、“脓毒症”、“深度学习”，表明应用机器学习等AI技术建立脓毒症及相关危险因素预测模型是该领域的热点话题，在国内外文献关键词中，出现频次最多的疾病是脓毒症、手足口病、、COVID-19、急性胰腺炎、急性呼吸窘迫综合征和心脏骤停，这些ICU常见的疾病已经成为AI算法的热门靶点；出现频次最多的AI技术包括机器学习、神经网络、深度学习和支持向量机。AI可以通过先进的文本和图像处理能力获得更精确的诊断及时检测或预测疾病，使临床医生能够更早地管理危重病人。例如，使用机器学习模型可以将充血性心力衰竭与其他肺部疾病区分开[18]，并且可以通过使用变分自动编码器的半监督机器学习来量化继发于充血性心力衰竭的肺水肿量[19]。随着最近通过卷积神经网络对病变进行图像分割和量化技术的发展，AI判断头颅CT创伤性脑损伤面积准确率已经高于传统手段[20]。在ICU中，患者病情变化迅速，若识别不及时可导致疾病恶化甚至死亡。因此，利用AI对疾病进程的预测也是研究的热点之一。心动过速是休克前最常见的心律失常之一，Chen等[21]在发病前75分钟使用随机森林模型的归一化动态风险评分轨迹进行预测。另外，机器学习模型在减少术中低血压的有效性在一项对接受中高风险手术的患者的随机对照试验中进一步得到证实，接受AI驱动干预的患者中有1.2%发生低血压，而使用传统方法的患者发生低血压的比例为21.5%[22]。缺氧和呼吸窘迫也是预测的主要目标，在COVID-19大流行初期，基于影像学、生物学和临床变量的AI驱动模型被用于预测COVID-19的进展[23]。AI技术在对疾病表型或亚型分类的应用也较为广泛，如Seymour等[24]使用不同的临床研究队列，通过共识K-Means聚类将脓毒症聚为4个表型（α、β、γ和δ），这些表型与宿主反应模式相关，有不同的人口统计学特征、不同的生化表现，并最终与不同的临床结果相关。在急性呼吸窘迫综合征中，潜伏期分析显示两种亚型（低炎症和高炎症）与不同的临床特征、治疗反应和临床结果有关[25]，这种机器学习驱动的急性呼吸窘迫综合征表型鉴定扩展了评估和治疗复杂疾病方面的知识。综上，可以发现AI的主要功能包括疾病识别、预测临床中病情变化、监测和疾病表型或亚型分类，也有文献报道了其他重要功能，如预测预后或死亡和指导决策等[26-29]。
由共被引分析可知，与AI技术在重症医学领域的应用相关的文献被引次数低于重症医学其他研究热点[30]。这可能与AI在现实世界中的应用成熟度较低[31-33]，以及缺乏外部验证过程和前瞻性评估有关。除此之外，共被引分析中被引次数最多的文献主要介绍了重症监护数据库MIMIC-Ⅲ，该数据库共享了来自全球各级医院的患者生命体征、用药、实验室检查结果、护理记录、出入量、成像报告、住院时间、生存数据等，并对该数据库在学术研究、临床质量改进和高等教育课程等领域的发展提出了畅想[12]。
本文概述了重症监护医学相关AI研究的趋势和热点，与Tang等[34]的研究相比，本文的检索范围较广，涵盖了主流中英文数据库，并着重突出了近十年的研究进展。除此之外，应用CiteSpace 5.7.R5和Vosviewer 1.6.19软件联合分析，突出了最具生产力的国家和学术机构，以促进潜在的合作，并为未来的研究提供方向。然而，本研究仍存在不足，如在检索文献阶段，尽管包含了较多的AI相关术语（如神经网络、机器学习、深度学习和自然语言处理），但并未涵盖所有AI技术，可能导致文献纳入不全面。此外，英文文献时只检索了Web of Science核心合集数据库，可能存在不够全面的情况。
综上所述，AI在重症医学领域的应用研究呈上升趋势，研究热点主要涉及监测、预测疾病进展、死亡率、疾病预后以及疾病表型或亚型的分类。在过去十年间，尽管AI在改善重症患者预后和优化诊疗护理流程等方面显示出巨大潜力，但与AI应用于重症医学领域的相关医疗产品研发还处于起步阶段，极少常规应用于临床实践，仍有诸多挑战需要面对和解决。
