基于知識圖譜的自閉癥譜系障礙研究主題分析
發布時間：2020-11-16 09:35所屬分類：臨床醫學加入收藏
[摘要] 自閉癥是一種廣泛性發育障礙的疾病，近幾年的自閉癥患者數量不斷增加。該文選取自閉癥相關研究文獻，從PubMed數據庫中抽取自閉癥相關文獻，通
[摘要] 自閉癥是一種廣泛性發育障礙的疾病，近幾年的自閉癥患者數量不斷增加。該文選取自閉癥相關研究文獻，從PubMed數據庫中抽取自閉癥相關文獻，通過發文量統計發現自閉癥研究文獻呈現指數上漲趨勢且在2016年達到頂峰。運用詞頻分析法截取相關高頻詞制作關鍵詞詞云發現隨著自閉癥患者年齡的不斷增長，研究者較為關注自閉癥的共病問題。利用中心性分析、共詞分析和社會網絡分析方法，通過VOSviewer可視化軟件形成了6個研究主題的聚類，分別為自閉癥的相關基礎理論研究、致病因素研究、表型癥狀研究、臨床診斷研究、干預措施研究、共病研究，并基于知識圖譜對自閉癥研究相關文獻進行主題分析，從發文量和研究熱點角度探究自閉癥的研究現狀及發展趨勢，為科研人員提供參考依據。
[關鍵詞] 自閉癥譜系障礙;知識圖譜;主題分析
自閉癥譜系障礙(autism spectrum disorder，ASD)，又稱孤獨癥，是一種發育障礙類疾病。美國在2013年頒布了《精神疾病診斷與統計手冊—第5版》(DSM-5)，并以自閉癥譜系障礙替代了除雷特氏癥以外的廣泛性發育障礙[1]。目前，自閉癥多高發于兒童，且男女比例差異明顯，男孩多于女孩。其主要特征為社交互動障礙、語言溝通障礙和重復刻板行為等[2]。然而自閉癥的病因尚不明確，但有研究[3]認為與遺傳、免疫、代謝、腸道菌群和環境等因素密切相關。近幾十年來，自閉癥譜系障礙(ASD)的發病率持續上漲，根據美國疾病控制與預防中心CDC估計，大約每59名兒童中就有1名被確診患有自閉癥譜系障礙。隨著醫學技術和醫療信息化等技術的迅速發展，生物醫學數據呈現出爆發式增長的趨勢[4]，以此為基礎的生物醫學文獻數量也急劇增長。生物醫學文獻中蘊含著大量的生物醫學知識，及時從中獲取有效的信息就顯得尤為重要。該文基于知識圖譜方法研究自閉癥相關文獻，了解自閉癥研究現狀并探究其發展趨勢，為科研人員提供參考依據。
1 數據與方法
1.1 數據來源
該研究數據來自于 PubMed 生物醫學文獻數據庫，通過MeSH詞檢索到9個與自閉癥相關的醫學主題詞分別為autistic disorder(自閉癥);autism spectrum disorder (自閉癥譜系障礙);rett syndrome rett (綜合征);akinetic mutism (動力學緘默癥);macrocephaly autism syndrome (自閉癥綜合征);AUTS2 protein， human AUTS2 (蛋白，人);Auts2 protein， mouse(Auts2 蛋白，小鼠); Adenylosuccinate lyase deficiency(腺苷酸琥珀酸裂解酶缺乏);GoPro49 protein， human(GoPro49 蛋白，人類)，以OR并列構建其檢索式，共收集到自閉癥相關的研究文獻29 458篇(檢索時間為2019年5月13日)。
1.2 研究方法
①詞頻分析法。詞頻分析法是一種文獻計量方法，其中關鍵詞或主題詞是文獻的主要核心內容。因此通過統計關鍵詞、主題詞等核心詞匯在某一領域文獻中所出現的頻次， 進而揭示該領域的研究熱點及發展趨勢[5]。通過詞頻的高低可以反映出一定的社會現象[6]。該文從PubMed數據庫中下載XML題錄數據，利用Kettle軟件進行解析，從中抽取出Title、Year、Keywords關鍵字段。對其進行數據歸一化處理，刪除重復無關數據，從中截取出頻次>10的關鍵詞共769個，根據關鍵詞在自閉癥相關文獻中的詞頻情況，預測自閉癥研究的發展方向及趨勢。
②中心性分析法。中心性分析方法可以反映出節點在網絡中的重要程度。該文選用3種中心性分析方法，分別為點度中心性(degree centrality)、中介中心性(betweenness centrality) 和親近中心性(closeness centrality)。其中點度中心性代表與該關鍵詞節點的連線數量。中介中心性是指節點對網絡的控制能力。親近中心性是指與其他關鍵詞節點的最短距離的大小。
③共詞分析法。共詞分析法是一種基于關鍵詞的共現分析方法，表示某一領域中關鍵詞共同在同一篇文獻中出現的次數，并且次數越多越說明它們關系緊密、距離越短。運用共詞分析方法構建共現矩陣，從而反映關鍵詞之間的緊密程度并進一步分析其領域結構[7]。該文利用關鍵詞共現建立共現矩陣，并以此為依據構建共現網絡。
④社會網絡分析法。社會網絡分析法(social network analysis，SNA)是一種科學的計量方法，主要是對社會關系網絡結構及其屬性進行分析研究從而發現其內在聯系的一種學科交叉的方法[8]。社會網絡由圖中的節點和連線構成，其中節點表示事件中的行動者，連線代表行動者之間的關系紐帶。社會網絡分析的優勢在于可根據網絡結構與網絡位置對多個節點和多個主體網絡進行合理分析并加以預測[9]。該文通過共現關系自建網絡，反映關鍵詞節點之間的關聯關系，并通過VOSviewer軟件進行可視化。
2 結果與分析
2.1 發文量分析
由圖1可以看出自閉癥研究相關文獻總體上呈現逐年上漲趨勢，且增長幅度較大呈指數增長趨勢。自閉癥文獻數量從1946年開始緩慢增長，初期較為平穩。從2001年開始持續增長迅速到2008年達到一個小高峰，2008年聯合國將每年的4月2日定為“世界自閉癥日”[10]，以提高人們對自閉癥患者的關注度以及對自閉癥早期干預的研究。在2010—2014年間研究人員對于自閉癥的關注度稍有下降，但在2016年迅速上升達到高點，說明近幾年來，隨著自閉癥患者的不斷增長，研究人員對自閉癥研究的關注度越來越高。
2.2 高頻關鍵詞分析
從自閉癥相關文獻中截取頻次>10的關鍵詞共769個，通過WordArt在線詞云制作工具繪制關鍵詞詞云，見圖2，頻次排名前10的關鍵詞主要有Autism Spectrum Disorder(自閉癥)、Intellectual Disability(智力障礙)、Children(兒童)、anxiety(焦慮)、Schizophrenia(精神分裂癥)、ADHD(注意缺陷多動障礙)、Diagnosis(診斷)、adult(成人)、Development(發展)、Social Cognition(社會認知)，可以看出自閉癥多發生于兒童，然而隨著自閉癥患者年齡的增長，研究人員對成人自閉癥患者的關注也逐年增長。同時對自閉癥患者與注意缺陷多動障礙、精神分裂癥、焦慮等的共患病情況也受到了更多關注。
2.3 研究主題分析
通過自建網絡并采用關聯強度進行主題聚類，同時采用VOSviewer軟件對其進行可視化，圖中節點大小表示關鍵詞頻次的高低，連線代表關鍵詞之間的關聯程度，見圖3，整個研究主題以“Autism Spectrum Disorder自閉癥譜系障礙”為中心構成一個基于關鍵詞共現形成的知識圖譜，并根據關聯強度自閉癥知識圖譜被聚為6個研究主題，分別為如下幾方面。
①自閉癥的相關基礎理論研究。隨著自閉癥患者數量逐年增加，研究人員對自閉癥的關注度不斷上升，在自閉癥的相關基礎理論研究主題下，研究人員主要對自閉癥不同年齡段的患者包括兒童、青少年、成人的患病率、性別差異等基礎信息進行統計學分析，并對患者的心理健康、生活質量和睡眠壓力、情緒調節方面進行評估。根據詞頻和中心性分析可以看出圖中的高頻關鍵詞有“children(兒童)”“diagnosis(診斷)”“adult(成人)”“intervention(干預)”“assessment(評估)“epidemiology(流行病學)”等。其中3種中心性在整個網絡中都處于靠前位置，說明該主題為自閉癥的基礎理論研究，且對其他主題都有支撐作用。主要針對不同年齡段的人群包括兒童、成人及患者的兄弟姐妹的患病情況、診斷情況及生活情況進行宏觀描述，并根據患者的心理健康、社會技巧、睡眠質量。常用的分析方法有Meta分析、隨機對照實驗、流行病學研究等。
推薦閱讀：醫學類課題安排什么位置評職稱
轉載請注明來自：http://www.aapkanpur.com/lcyx/54192.html
臨床醫學相關期刊
