Page 123 - 《中国药房》2024年4期

2.5.2 聚类分析
英文关键词聚类结果见表4。Q值表示网络的模块
度，取值范围为 0～1，Q＞0.3 表明该关键词聚类图具有

显著的网络聚类结构；该值越接近1，表明关键词聚类间
的联系越密切，聚类效果越好。S 值为用于衡量网络同
质性的轮廓值，取值范围为－1～1，该数值越大，代表该
聚类成员的相似性越高，S＞0.7即表示聚类效果令人信
[10]
服 。平均年通过计算该聚类中文章的发表年份获得，
用于估计该聚类的形成时间。聚类标签采用对数似然
A.英文文献
比（log-likelihood ratio，LLR）确定。经分析，英文文献关
键词可得到7个聚类标签，Q＝0.372 9（＞0.3），S＝0.725 4
（＞0.7），表明该聚类效果较好，结果可信。分析聚类结
果可知，目前国外在该领域的研究多以机器学习、自然

语言处理和深度学习等高端技术的开发和应用为主，对
预防、风险评估、药物治疗优化等实际医疗服务问题的
研究较为集中。从聚类出现的时间来看，2016 年，机器
学习和 AI 在该领域的研究逐渐增多，2017 年自然语言
处理在电子健康记录领域的应用开始受到关注，到了
2020年，深度学习和神经网络在相关领域的研究开始快
B.中文文献
图3 AI 应用于医院药学服务领域相关文献的机构合 速发展。
作网络 表4 AI 应用于医院药学服务领域的英文文献关键词
聚类情况
classification（分类）、risk（风险）、models（模型）、pharma‐ 聚类名称 文献/篇 S 平均年 高频关键词
#0 prevention 44 0.605 2019 prevention， risk factors， major depressive disorder，
cokinetics（药动学）等，反映出机器学习、预测模型的建
depression， pharmacotherapy
立、风险评估以及药动学分析是目前该领域的研究重 #1 machine learning 44 0.798 2016 machine learning， drug discovery， virtual screening，
drug development
点，详见表3。
#2 AI 32 0.724 2016 AI， artificial neural network， sleep， additive manufactu-
表3 AI 应用于医院药学服务领域相关文献排前 10 位 ring， nanocarriers
的高频关键词 #3 genetic polymorphism 38 0.703 2018 automated docking， genetic algorithms， evolutionary
computation， performance， homology models
英文文献 中文文献
排序 #4 natural language processing 26 0.797 2017 natural language processing， electronic health records，
关键词 频次 中心度 关键词 频次 中心度 pharmacovigilance， social media， adverse drug events
1 machine learning 406 0.21 大数据 34 0.31 #5 therapy 26 0.804 2016 therapy， hollow fiber system model， pharmacokinetic
2 AI 204 0.15 AI 30 0.22 variability， stochastic gradient boosting， therapy duration
3 prediction 115 0.10 合理用药 14 0.10 #6 deep learning 25 0.745 2020 deep learning， neural networks， personalized medicine，
4 drug discovery 76 0.04 处方点评 9 0.01 cancer， cell replacement therapy
5 deep learning 76 0.06 全科医生 7 ＜0.01
6 classification 62 0.04 数据挖掘 6 0.03 中文关键词聚类结果见表5。中文文献的关键词可
7 natural language processing 61 0.04 处方审核 5 0.01 聚为 4 类，Q＝0.811 9（＞0.3），S＝0.938 6（＞0.7），聚类
8 risk 60 0.02 机器学习 5 ＜0.01
9 models 60 0.02 互联网+ 5 0.04 效果较好，结果可信。由聚类结果可知，目前国内对于
10 pharmacokinetics 59 0.08 中医药 4 ＜0.01
AI 在医院药学服务领域的应用研究多集中在合理用药
中文文献中，合理用药、处方点评、处方审核、“互联 和处方审核等方面。从聚类形成的时间上可以得知，
网+”、中医药是比较重要的关键词（表 3）。这些关键词 2018年，大数据和信息化在基本药物领域的研究逐渐增
反映了我国对于利用AI技术推动合理用药、处方点评以 多，合理用药和处方点评等医疗服务实践的相关研究也

及处方审核等方面较为关注，同时也表明“互联网+”和 在增加。结合前文关键词共现性分析结果可知，与国外
中医药在我国医院药学服务中的应用研究也得到了较 相比，我国的研究更加关注于医疗服务实践，这也契合
高的重视。 了我国在“互联网+医疗健康”领域的政策导向。

中国药房 2024年第35卷第4期 China Pharmacy 2024 Vol. 35 No. 4 · 497 ·