基于高频关键词共现聚类的远程医疗研究热点分析

,

1906年，心电图发明者Wilhelm Einthoven通过电话为患者提供医疗咨询，开启了远程医疗的先河。而第一个真正意义上的具有医生和患者交互功能的远程医疗系统，则是1967年由美国马萨诸塞州波士顿综合医院的一位放射科医生创建[1]。随着计算机、通讯以及数据处理技术的不断发展，远程医疗在用户覆盖范围和技术方面都取得了良好的发展。

2014年8月21日，国家卫生和计划生育委员会发布的《关于推进医疗机构远程医疗服务的意见》(国卫医发〔2014〕51号)(简称《意见》)认为，远程医疗服务是一方医疗机构(即邀请方医疗机构)邀请其他医疗机构(即受邀方医疗机构)，运用通讯、计算机及网络技术，为本医疗机构诊疗患者提供技术支持的医疗活动。远程医疗作为解决空间距离困境的医疗服务提供方式，不仅可以为边远地区的人群提供较高水平的医疗服务，还可以降低医疗成本、缩减医疗时间，并且可以进行医疗数据的多方面共享和整合。

我国人口众多、幅员辽阔，医疗资源配置不均衡的矛盾较为突出。远程医疗能够帮助解决资源配置不均的问题，弥补我国边远地区医疗资源的不足，使边远地区民众享受到平等的医疗服务，同时可以借助建设的远程医疗系统采集国民健康数据，辅助建立国民健康档案。

Web of Science(WOS)是进行学科领域数据分析研究的首选数据库。本文应用书目共现分析方法以及双聚类软件gcluto对WOS数据库中远程医疗领域内近10年的文献进行分析，旨在挖掘远程医疗研究热点，为远程医疗研究人员提供参考。

1 材料与方法

1.1 数据来源

题录数据来自SCI核心合集，检索式为：TS=(“tele* medicine*” OR “tele* health*” OR “remote* medicine*” OR “remote* health*”) OR TS=(“telemedicine” OR “telehealth”)，检索起始时间为2008年1月1日至2017年11月20日，限定文献类型为论文(article)、会议录论文(proceedings paper)、书籍章节(book chapter)以及会议摘要(meeting abstract)，共检索到9 523篇文献，将这些文献的题录数据以txt格式导出。

1.2 研究方法

共词分析即分析一对词在同一对象(文献、专利等)中出现的频次，构建共词矩阵，结合多元统计分析等其他分析方法对这些词进行分析，是词频分析法的重要补充。共现分析的原理与共词分析相似，但分析内容更加丰富，已经成为情报研究人员揭示研究领域主题、挖掘不同主题之间脉络关系演变的重要情报研究方法之一[2]。书目共现分析系统(Bibliographic Items Co-occurrence Matrix Builder，BICOMB)作为文本挖掘的基础工具，可以对中国知网(CNKI)、万方、WOS等国内外数据库的题录数据进行抽取、统计以及共现分析[3]。图形聚类工具包(Graphical Clustering Tool，gcluto)提供了交互式的可视化双聚类方法。

将题录数据导入BICOMB中，抽取数据并进行关键词统计。首先对关键词进行数据清洗，去除对本文无作用的词，合并内涵相同的关键词后，然后借助词频g指数法进行高频关键词截取。词频g指数法选取高频关键词，可以克服共现分析中关键词选取主观性强的缺陷。

应用词频g指数法选取关键词的步骤为：将清洗后的关键词按照出现频次降序排列，从最高频次关键词开始计有g个关键词出现频次累计不少于g2次，而g+1个关键词出现频次累计少于(g+1)2次，选取前g个关键词作为词篇共现矩阵的关键词项[4]。借助此方法，最终选取73个高频关键词作为词篇共现矩阵的关键词项(表1)。

表1 远程医疗领域高频关键词

续表1

在BICOMB中截取词频高于18的关键词生成词篇共现矩阵，然后对矩阵数据进行清洗。根据表1中的关键词，将无意义的词项去除、同内涵的词项合并之后，将txt格式的词篇共现矩阵导入gcluto中进行双向聚类。聚类方法选择重复二分法，相似性计算选择cosine函数，聚类标准函数设置为12，根据生成的聚类山峰图不断调整聚类的类数。

2 结果

2.1 聚类结果概述

对四到十类聚类类数方案比较之后，发现5个类数的聚类方案类内相似度较高，类间相似度较低，为合适的聚类方案。生成的可视化词篇聚类矩阵如图1所示。图1的左侧为高频关键词聚类树，右侧为对应的高频关键词，横线隔开的5块区域，平行右边的关键词为对应的类内关键词，从上到下5个聚类分别为类2、类4、类1、类3和类0。

远程医学高频关键词聚类山峰见图2。图中每个山丘的形状为高斯曲线，可以粗略表示出类内数据分布的情况。其中山丘的高度与类内文献相似性成正比，山丘的体积与类内包含的文献量成正比。只有山丘顶部的颜色是有意义的，偏红色为较低的类内标准差，偏蓝色为较高的类内标准差。

2.2 类内内容

通过对类内关键词的语义关系以及每个类内代表文献进行解读后，总结出远程医学领域近10年的5个研究热点。

类0：远程医疗的评价研究。评价的方面包括移动医疗应用的成本效益、系统的可用性、老年人自我健康管理方面应用评价、发展中国家建设系统的效果评价以及远程通讯系统技术评价等。如Silvio等人对在发展中国家采取的一种由较发达国家向其提供技术以及医疗资源支持的自下而上的策略来建设可持续的远程医疗系统的效果进行评估，分析了一项建设在距离巴拿马城市230公里印第安保留区山区的乡村远程医疗系统。该系统提高了当地的卫生服务水平，使儿科、妇产科以及远程急救服务等成为现实[5]。又如Neufeld等人对远程医疗诊所的精神卫生服务效果进行研究，经过24个月的随访，结果发现远程医疗模式的精神卫生服务效率较传统方式提高近20%，并且在治疗方面具有较好的持续性，说明远程医疗可以有效提高缺医少药地区精神卫生的服务质量[6]。

类1：远程医疗数据研究。包括数据组织的信息系统、保健监测监护的记录数据、数据的筛选、急救时医院可接收数据量以及数据安全隐私保护等。如Durisko等人开发了一个远程获取神经心理数据的数据系统，系统可向被测试者提供听觉以及视觉刺激以采集测试者语言以及动作反应数据。

图1 远程医学领域词篇共现矩阵可视化图(部分)

图2 远程医学高频关键词聚类山峰

采用此系统对16名中风患者进行虚拟神经心理家庭评估，系统完整获得了被测试者的数据，医务人员对此数据进行分析，对系统作出了满意的评估结果[7]。又如Katayama等人于2013年开发了一款可在救护车与医院之间共享空余床位数等信息的手机应用程序，并对照分析应用开发前(2010-2012年)和开发后(2013-2015年)医院急诊接收率，由85.81%提高到89.07%，大大提高了医院的急救接收率[8]。

类2：远程医疗技术及平台建设研究。包括无线局域网用于疾病管理以提高生活质量、远程医学数字成像与辅助诊断平台、利用低功耗局域网进行数据传输以及远程中风治疗平台的研究等。如Silva等人开发了一种基于云架构的图片存档与通讯系统模块，它可实现与传统医学数字成像与传输系统设备的交互操作，并在云提供商的系统上实例化了这个模块且试运行[9]。又如Monteiro等人开发了一个远程医疗平台，平台帮助医务人员在医疗中心获得来自远程援助的关于复杂诊断的诊断意见，在系统架构中设计了JAVA语言编写的医疗管理信息系统网关，网关在Web服务平台与影像归档和通信系统(Picture Archiving and Communication Systems，PACS)之间起审核作用，提高了进入云医疗社会网络数据的可信度[10]。

类3：远程医疗在公共卫生领域的应用及政策研究。包括艾滋病、心血管疾病、高血压以及凸显的心理疾病等。如Moeckli等将已经较好应用于丙型肝炎治疗的社区健康结果拓展项目的(Extension for Community Health Outcomes，ECHO)远程医疗模式，应用于艾滋病护理的研究，鼓励研究人员探讨远程医疗模式运用到此方面的可能性[11]。

类4：传统医疗技术与远程医疗技术的交叉结合研究。包括远程放射学结合影像归档和通讯系统、远程心电图监控结合远程病患监测技术、急性中风患者溶栓治疗的远程电话会诊以及基于云计算的家庭远程护理监测等。如Gabriel等人开发了一款6分钟行走试验App，通过对103名试验参与者跟踪调查发现,这款App可有效测试充血性心力衰竭的严重程度，是远程医疗终端对患者个体进行传统医疗测试的应用研究[12]。

3 结语

本文利用共词双聚类对WOS中远程医疗领域的论文主题进行了分析，总结了该领域的国际研究热点。其中比较成熟的研究热点有：远程医疗系统建设的评价反馈、医疗信息化大背景下健康数据的收集共享研究、远程医疗平台开发以及功能实现等方面的技术研究、公共卫生领域如流行病的远程医疗应用研究和传统医疗技术远程化的研究。远程医疗可以有效优化资源配置和辅助推进分级诊疗，尤其在新技术快速发展的时代，研究人员应寻求远程医疗更加广阔的发展空间，让远程医疗渗入医疗服务活动的各个环节，改善医疗服务质量。