中国数字医疗创新中健康需求、信息供给和技术应用的交互作用测量:内容映射与分析

介绍

背景

医学信息学(MI)，或生物医学和健康信息学，已成为世界范围内建立的科学学科。它研究生物医学和卫生保健的数据、信息和知识及其系统的组织、表示和分析方法[1]。该社区的基础研究学者采用定量和定性方法来理解和改进围绕信息使用的过程，其具体目标是推进生物医学科学，而应用研究学者利用信息技术来改善卫生保健结果[2]。卫生信息技术(HIT)的应用被认为是提高卫生保健服务的生产力、有效性和质量的一种有前景的潜在解决方案。hit最重要的好处是减少医疗差错和成本，提高患者的生活质量，提高医疗决策。具有大数据的信息学可以用于各种应用，包括人工智能(AI)，预测分析和护理点临床决策[3.]。美国曾两次通过立法推广医疗信息技术，包括1996年的《健康保险流通与责任法案》(HIPAA)和2009年的《经济与临床健康卫生信息技术法案》(HITECH) [4]。

在中国，政府对医疗辅助的发展也有两大激励因素。一是2009年第二轮医改的启动，医疗辅助投入了大量资金[5]。这次医疗改革的一个重要贡献是，医疗保险被定义为“四大建设、八大支柱”之一，这是这次改革的基础。由于这些卫生政策，中国政府和行业在医院信息学和人口健康信息学方面投入了大量资金。第二个激励因素是，2016年，中国发布了首个健康行动计划《健康中国2030》，指导和协调了改善中国人口健康和国家卫生体系的国家战略。在所有公立医院和初级卫生保健机构建立全面的卫生信息系统，开展“互联网+健康”行动，利用基于互联网的新技术，增加医疗服务的可及性，提高医疗服务的质量和效率。特别是，鼓励将远程医疗作为将居民与公立医院联系起来的一种手段，它的使用被视为除了改善获得保健服务的机会之外，减少城乡地区之间不平等的一种方式。中国以抗疫经验为指导，加快推进医药卫生信息化建设，创新管理服务模式，优化资源配置，提高服务效率。[qh]6]。

然而，有证据表明，中国的人工智能研究与实践之间存在不平衡。该学科长期以来侧重于面向图书馆的信息学，而不是面向医院的信息学。中国人工智能的学术研究落后于人工智能的应用。目前，中国的人工智能研究处于“工业应用热、学术研究冷”的状态。这种对HIT应用而非MI研究的日益关注阻碍了理论研究在现实环境中的应用，导致中国重复的HIT建设和巨大的资源浪费[7-9]。

为了描述全球或中国的医学信息学学术研究状况，以前的研究人员要么使用信息学相关概念收集的出版物数据，如医学主题标题(MeSH)“公共医学信息学”[10，11]，或专业期刊[12]。然而，人工智能是一个多学科领域;来自专业概念和期刊的数据可能无法反映MI社区之外的活动。因此，很难描绘出信息学概念或技术与健康或医疗需求之间相互作用模式的完整图景。据我们所知，对中国卫生需求和信息供应之间的相互作用进行的系统调查有限。

为了填补这一空白，本文提出了一种收集研究出版物的新方法，该方法使用MeSH术语的层次树对MI进行广泛的解释。我们通过检查文章中包含的属于健康MeSH分支或信息学MeSH分支的MeSH术语的比例来确定健康和信息学之间是否存在相互作用。例如，如果给定的出版物被以下两个分支的MeSH术语中的任何一个编入索引，则可以理解为包含在MI领域中:(1)MeSH树父节点“疾病[C]”或节点“健康[N01.400]”或“公共卫生[N06.850]”，以及(2)MeSH树父节点“信息科学[L]”。本文利用三元图和桑基图等可视化方法进一步论证了卫生需求和信息供给之间的相互作用。

MeSH树父节点“疾病[C]”或节点“健康[N01.400]”或节点“公共卫生[N06.850]”下的所有术语都标记为h。节点“信息科学[L]”下的所有术语都标记为I，节点“分析、诊断和治疗技术及设备[E]”下的所有术语都标记为T。

研究问题

主要目的是测量中国卫生需求与信息学供给之间的相互作用模式，以及信息学供给、卫生需求和技术应用之间的相互作用。本文主要以美国为比较国来考察中国智能手机的发展，并特别关注每个国家的H-I-T互动。研究问题如下:

(1)中国卫生需求与信息供给、技术应用的互动模式如何?

(2)信息学研究工作是否涉及中国疾病负担最重的主要卫生需求?

(3)在中国重要的特定领域，如人工智能，信息供给、卫生需求和技术应用之间的相互作用模式是什么?

文献综述

中国MI发展的相关研究

为了实现医疗资源的全民可及，中国政府把医疗卫生技术创新作为国家医疗卫生体系的重要技术支撑工具。根据中国医院信息管理协会(China Hospital Information Management Association, China)年度调查的一项纵向研究，2018年中国电子病历(emr)的整体采用平均已超过2015年的美国和2017年的德国，但每家医院所需的资金和人力资源仅为美国HITECH项目的五分之一左右。13]。

此外，中国正计划在全国卫生信息交流推动的区域hit基础上建立一个区域医院医疗联盟。有一些研究探讨了中国医院发展医疗卫生技术的独特贡献和特点。根据2006年至2015年的中国年度调查，中国医院之间医疗数据的电子共享正在迅速增长。仅依靠文书工作进行数据交互的医院比例从2011年的43.3%下降到2015年的8.0%。加入联盟的医院与电子医疗数据交换计划的可及性之间存在很强的正线性相关。2015年，支持双重转诊和预约、允许在医院和区域信息系统之间浏览数据以及提供远程会诊服务的医院数量分别增长至65.0%、61.6%和81.9%，而2011年这一比例分别为18.8%、16.8%和10.9% [14]。从2007年到2018年，中国大陆32个行政区的10954名医院首席信息官接受了中国年度调查[13]。在资金方面，抽样医院的年度医疗卫生投资和平均床位投资大幅增加。在信息系统开发方面，截至2018年，样本医院EMR的平均实施率超过了美国同行2015年和德国同行2017年的平均水平(分别为85.26%和83.8%和68.4%)。

然而，在中国，人工智能的学术研究落后于人工智能的应用。Hu等[15]揭示了近年来医学图书馆情报学教育这一植根于医学图书馆情报学教育的专业在中国的显著增长。虽然它的发展受到频繁更名和身份不明的影响，但它的成功并没有完全被忽视。建议在中国，(1)将机械工程作为一门“必修”学科予以高度重视;(二)设立独立、均衡的学位专业;(三)在“医学”类别下设立“医学信息学”专业;(4)课程与国际MI教育接轨。

Lei等[7]认为，尽管中国拥有庞大的医疗信息技术市场和对医院信息系统的巨大投资，但中国在医疗信息技术领域的研究人员对全球社会的贡献还不够。传统上，信息学关注的是医学图书馆或书目信息，而不是医学(医院信息或患者信息)信息。其发展缓慢很大程度上是由于错误的集中，缺乏受过正规教育的教学人员，以及错误的定位为本科学科。Liu等[16比较了3个亚洲国家排名前10的大学的MI教育。日本和韩国已经发展出了现代化的MI教育体系，而中国大陆的大学却很少提供与国际标准和实践相一致的课程体系。从会议的角度分析了中美两国MI的发展和继续教育的现状。我们在中国和美国分别举办了四次医学信息学术会议，分别是:中国医学信息协会年会(CMIAAS)、中国医院信息网络年会(CHINC)、中国卫生信息技术交流年会(CHITEC)、中国医学信息学术年会(CPMI)与美国医学信息协会(AMIA)和医疗信息与管理系统学会(HIMSS)。CMIAAS和CPMI是中国的主流学术会议，CHINC和CHITEC是中国的行业会议。结果表明，考虑到中国的经济规模以及对HIT的巨大投资，中国在会议产出和与会者多样性方面处于较低水平[8，9]。此外，与在人工智能应用方面的巨额投资相比，中国的基础人工智能研究经费不足[7]。因此，目前中国人工智能的发展可以用“工业应用热，学术研究冷”来形容。

使用MeSH树映射不同知识实体之间的交互

MeSH同义词典是由医学的国家图书馆产生的一个控制和分层组织的词汇。它用于索引、编目和搜索生物医学和健康相关信息[17]。MeSH术语组织成树形网络结构，由16个用a - n、V和z编码的分支组成。分支的名称是解剖学、有机体、疾病、化学和药物、分析、诊断和治疗技术和设备、精神病学和心理学、现象和过程、学科和职业、人类学、教育、社会学和社会现象、技术、工业、农业、人文科学、信息科学、命名组、卫生保健、出版特点和地理。在每个分支中，具有较短“树数”识别码的MeSH术语是相对通用的概念，可扩展为更具体的概念。PubMed中的每篇文章通常被分配到几个MeSH术语。

MeSH树是一种被广泛认可的用于信息检索系统的受控词汇同义词典[18];它已被用于绘制生物医学和卫生领域不同知识实体之间的相互作用。

一是衡量MeSH术语所反映的基础研究与应用研究之间的转化相互作用。韦伯(19]介绍了一种将PubMed文章映射到一个称为“生物医学三角”的图上的方法，通过将文章分配到3个类别(人类，动物和分子/细胞生物学[HAC])，基于它们属于每个类别的MeSH术语的数量。每个出版物根据其是否包含该组的MeSH术语而被赋予一个代码(例如，包含1或10个来自蜂窝组的MeSH术语的出版物将被赋予“C”)。韦伯将翻译定义为一组文章，或引用这些文章的文章，向人类角落的移动。基于这一框架，美国国立卫生研究院(NIH)的一个数据科学团队修改了算法，以便对HAC类别进行分数计算，即通过将每个类别中的HAC术语数除以所有三个类别中的术语总数来对每篇文章进行分数计算[20.]。代替二元变量Weber [19使用的，NIH的发展打开了三角，所以文章可以出现在它的任何地方，而不仅仅是韦伯三角的7点。最近，柯[21]进一步整合了该模型中的元素。他采用了一个与细胞和动物相关的MeSH术语的基本和与人类相关的工作定义。柯提出了一种方法，通过学习受控词汇的嵌入，将出版物置于翻译谱上。他将这些学习方法应用在MeSH术语上，获得与人类相关的术语与其他术语的相似度，这些相似度总体上决定了文章的基础程度。

另一种是根据MeSH术语，通过需求、供应和技术之间的相互作用来衡量医疗创新。一些学者利用MeSH是一棵层次树的特点，利用特定MeSH节点及其子树对应的相关主题区域来衡量医学创新的过程。阿加瓦尔和塞尔斯[22]是第一个将医疗创新互动概念化为“需求”(用MeSH术语表示为“疾病”)与“供应”(用MeSH术语表示为新的“药物和化学品”)的概念。Leydesdorff等人专注于3个主要分支——“疾病”、“药物和化学品”以及“技术和设备”。23]使用基础地图和覆盖技术来调查翻译和相互作用，从而获得关于医学创新动态的文献计量学观点。基于Agarwal和Searls [22]， Petersen等[24]通过引入MeSH术语的第三个分支，即“分析、诊断和治疗技术和设备”(即“技术和设备”)，开发了医疗创新的三螺旋模型——供应、需求和技术能力，这提供了与医疗创新相关的另一个视角。与Agarwal和Searls的研究中只研究需求和供给的相互作用相比[22)，技术能力使我们有可能观察到产品、过程和服务形式中产生的创新。

哈工大创新与更成熟的制药行业的比较

HIT和循证数字医学也可以理解为一种类似于药物和设备的医疗技术(“供应”方面)，以满足医疗保健和疾病管理的需求(“需求”方面)。在世界范围内，在资本和人力资源的巨大投资之后，特别是与更成熟的药物和器械行业相比，注意到医疗卫生创新的混乱和低水平过程和结果[25]。“循证医学”最适合处理围绕MI和HIT应用的不确定性[26]。循证精神医学可以定义为“认真、明确和明智地使用当前最佳证据”，以支持采用信息技术的医疗保健决策[27]。应用循证医学评价HIT、数字健康干预以及人工智能健康算法的有效性和安全性的研究较少[26，28-31]。基于证据的人工智能尽管取得了一些进展，但仍处于发展的早期阶段[1]。整个社会都有责任在人工智能中建立证据，前提是它被认为是一门科学学科[27]。药品和器械创新必须遵循标准化的生产流程，而HIT创新不符合等效标准。因此，当涉及到为公众生产有效和可靠的产品时，HIT落后于更成熟的药品和器械行业。

由于新药是医疗创新的主要来源，与信息学相关的概念和技术是数字医疗创新的主要来源。受此启发，在“使用MeSH树绘制不同知识实体之间的相互作用”一节中，结合上述衡量医疗创新的框架，我们建议通过将“药物和化学品”替换为“信息科学”相关的MeSH术语来衡量数字医疗创新(或MI创新或HIT创新)。

方法

H-I-T模型

概述

我们使用3个MeSH分支来表示H平衡需求,我信息学供应，和T技术应用(H-I-T模型)，并利用它们的共现来衡量中国的数字医疗创新过程。HIT的详细定义如下。对于“H”，整个“疾病[C]”分支以及2个子分支(即“卫生[01.400]”和“公共卫生[06.850]”)被视为对HIT创新的卫生需求的代表。“卫生[N01.400]”和“公共卫生[N06.850]”分别位于“人口特征[N01]”和“环境与公共卫生[N06]”分支下，顶部的根是“卫生保健[N]”。因此，我们使用“健康”和“公共卫生”两个MeSH术语来表示人口健康需求，使用“疾病类别”MeSH术语来表示个人健康需求(特定疾病管理)。

对于“I”而言，“信息科学[L]”分支是信息学概念和技术方面供应方的代表。

对于“T”，“分析、诊断和治疗技术和设备[E]”分支代表了最先进的技术应用，即通过信息学实现的功能(例如，诊断、治疗、外科手术、调查技术、设备和供应)。

在H-I-T模型中，每一篇相关文章都可以使用MeSH术语和HIT分数分类为健康需求(H)、信息供给(I)、技术应用(T)或这三者的组合。MeSH术语按字母顺序和层次结构排列，从最一般的级别到最狭窄的级别。表1显示了用于区分H-I-T分类的MeSH术语的分支。请注意，由于MeSH中的"公共卫生"一词有另一个树号H02.403.720(涉及在国际、国家、州或市一级预防和控制疾病和残疾以及促进人口身心健康的医学分支)，因此这一分支下的术语也包括在卫生需求(H)类别中。这些术语包括流行病学、分子流行病学、药物流行病学、预防医学、环境医学、职业医学和预防精神病学。

值得注意的是，对于每个出版物，只有一个MeSH主要主题(即MeSH[主要]术语)用于我们的数据收集和计算。在PubMed出版物中，作为文章中讨论的主要主题之一的MeSH术语在MeSH术语或MeSH/副标题组合上用星号(*)表示，称为MeSH主要主题。主题可以揭示一篇文章最本质的研究内容。

H-I-T模型的数学描述

分类算法通过将每个类别的H-I-T MeSH(主)术语数除以所有3个类别的总术语数来计算每个类别的百分比。图1给出了计算HIT分数的2个例子。第一篇PMID为28117445的文章被标记为3个MeSH(主要)术语。值得注意的是，一个MeSH术语可能属于2个或更多的分支，并且具有2个或更多的MeSH代码。在这种情况下，我们标记了每个MeSH代码一次。现在，3项变成了6个MeSH代码;以C或N06.850或N01.400开头的代码被分类为“h”。以L开头的代码被归类为“i”。以E开头的代码被归类为“t”。最终的HIT分数仅使用属于3个H-I-T类别的代码来计算，例如，如下所示图1共有3个H-I-T MeSH项，H为2,I为1,T为0。本文最终的H-I-T得分为H=2/3, I=1/3, T=0，只有H与I之间的联系，与T没有联系。

PMID为25981148的第二篇文章的H-I-T分数也使用相同的算法计算。它共有10个H-I- t MeSH术语:2个代表H, 2个代表I, 6个代表t。技术和设备(“心脏再同步化治疗装置”、“除颤器、植入式”和“遥感技术”)将健康需求(“心脏病”、“生活质量”)与信息供应(“远程医疗”)联系起来。如果没有像“遥感技术”这样的技术和设备，远程医疗很难应用于心脏病治疗。

‎ 查看此图

H-I-T模型的可视化

为了使H-I-T模型的效用最大化，我们采用了韦伯生物医学三角模型[19来表示由H-I-T组成的系统的组成。3个顶点分别代表健康需求(H)、信息供给(I)和技术应用(T)。如果一篇文章包含100%的H或I或T，它将作为一个点放置在三角形的一个顶点上。如果一篇文章包含50%的H和50%的I，那么它将被放置在三角形左边缘的中间，如图所示图2A.如果一篇文章含有至少33%的H/I/T，那么它将被放置在三角形的中心，依此类推。

通常，一篇论文中只有5到10个MeSH(主要)术语，在计算每篇文章的H-I-T分数时，重复率的百分比会很高。三角形图上会有大量的点重叠，而这些点本身由于视觉上的杂乱而失去了意义。学者们通常使用三角形的密度等高线(图2B)提高可视化，但是仅靠这些密度标记仍然很难被人眼快速观察到。本文通过将整个三角形划分为多个小三角形，进一步改进了三角形的显示细节。我们把整个三角形切成N在三个方向上等量，然后N*N小三角形出现在原来的大三角形中。它使我们能够在小的三角形区域中存放点;每个小区域的点数都可以计算。有了大的数据集，我们可以同时显示tribin上的计数数和颜色(图2C).也许它可以增加三角图的丰富性，从而增强HIT三角图的可视化。本文中的三角图是使用R[.]中的ggtern库实现的。32]。

‎ 查看此图

将ICD-10映射到MeSH术语

为了估计卫生需求的程度，我们使用世界卫生组织(WHO)全球疾病负担(GBD)调查作为有用的信息。世界卫生组织提供了相应的《国际疾病分类》(ICD-10)代码，其中对上述每种疾病进行了分类。

最近，Yegros等[33]将世卫组织ICD-10与相应表格中的MeSH术语相匹配，以确定研究工作是否满足全球卫生需求。我们再次回顾了这个对应表，并使用它来绘制中国信息学相关出版物的疾病负担与发病率之间的相关性。为了将出版物与疾病联系起来，我们不仅使用了分配给ICD-10代码的MeSH术语，还使用了MeSH树中位于它们下方的所有MeSH术语。例如，这使我们能够将带有MeSH术语“糖尿病肾病”的出版物分配给“肾脏疾病”，即使MeSH术语“肾脏疾病”没有分配给这些出版物。事实上，“糖尿病肾病”是“肾脏疾病”的从属概念。表2显示特定心血管疾病ICD-10与MeSH的对应表。

数据收集

为了系统地收集与信息学供应和健康需求相关的出版物，在这里，我们使用了一种新的方法来收集出版物，这些出版物使用MeSH 2020术语的层次树来提供MI的广泛解释。如果给定的出版物被来自两个分支中的每个分支的以下两个MeSH(主)术语编入索引，则可以理解为包含在MI领域中:(1)MeSH树父节点“疾病[C]”或节点“健康[N01.400]”或“公共卫生[N06.850]”，以及(2)MeSH树父节点“信息科学[L]”。请注意，我们将分析限制在每篇文章的“主要主题标题”上，在每篇PubMed文章页面的MeSH术语旁边用星号*表示;这些MeSH(主要)术语足以识别文章的核心内容。

2010-2020年(截至2020年6月30日)期间，使用两个分支MeSH(主要)术语的共现从MEDLINE中收集了总计213,215篇出版物。我们排除了以以下MeSH(主要)术语为索引的出版物:(1)“以系统综述为主题”和(2)“以元分析为主题”。虽然它们位于“信息科学”和“公共卫生”的父MeSH树中，但它们并不分别反映信息学供应和卫生需求，而是代表一种二级研究方法。其他排除标准适用于出版物类型为“评论”和“撤回出版物”以及标题中出现“文献计量学”关键字的出版物。这一过程留下194 567份全球出版物供下列分析。

结果

整体结果

美国在出版物数量上排名第一，占全球出版物总数的四分之一。中国排名第二，论文发表数量与排名第三的英国基本持平。与美国和英国相比，2010年以来，中国政府启动了第二次医疗改革，并投入了大量资金(图3，表3）.

值得注意的是，在中国发表的所有MI论文中，中文论文有1083篇，发表在medline索引的中文期刊上，如生物易学功成学志(N = 126),南方大学学报(N = 80)中华刘星冰学志(N = 77;表3）.它反映了MI与生物医学工程以及流行病学之间的相互作用，流行病学是中国公共卫生和预防医学的一个重要分支学科。我们首先进行了探索性数据分析，发现英国和中国的卫生需求和信息供应之间的相互作用模式是相似的。美国和英国/中国之间存在显著差异。在下一节中，我们将主要比较中国和美国，并回答上述研究问题。

‎ 查看此图

卫生需求、信息供给与技术应用之间的相互作用

总的H-I-T相互作用

首先，我们计算了世界、美国和中国出版物的平均H-I-T分数。如图所示表4，我们发现，如果我们只计算平均分数，中国、美国和世界的H-I-T分数非常相似。总体而言，H得分高于I和T得分，说明H相关的MeSH主要主题词数量多于I和T相关的主题词数量。换句话说，这项研究倾向于以健康需求为导向。然后，我们统计了中国和美国的H-I和H-I- t相互作用的出版物(图3）.与美国的波动趋势相比，中国的H-I和H-I- t的相互作用都呈现出显著的增加趋势。

接下来，我们在基于H-I-T模型的H-I-T三角图上绘制了中国和美国的出版物，如图所示图4。由于搜索策略是任何给定的论文都肯定包含H和I MeSH术语，我们自然会假设三角形上的大多数文章都倾向于H和I的边缘。然而，美国出版物的分布有点出乎意料。在美国三角形图中，最红的子三角形位于中心(N=4499)，而不是H和I的边缘(N=4350)。中国出版物在三角地区的分布与美国有很大的不同;他们更不倾向于三角形的T边。大多数来自中国的文章位于H和I的边缘。在正中心的子三角形中，具有相同百分比的H, I和T MeSH主要术语(每个类别占三分之一)的文章数量在中国(N=870)比美国(N=4499)少得多。这表明，虽然中国现有的技术和设备已经建立了信息学供给和卫生需求之间的联系，但美国的信息学研究工作提供了比中国更强的H-I-T联系。

‎ 查看此图

详细的H-I-T相互作用

当考虑到详细的H-I-T相互作用时，也可以观察到中国和美国之间的这种差异。我们使用MeSH树中的第一级疾病分类，将“Health [N01.400]”和“Public Health [N06.850]”合并为“population Health”。利用“信息科学”分科和“分析、诊断和治疗技术与设备”分科的第一级概念，绘制以各种特定疾病和人口健康为代表的信息学供应、技术应用和健康需求之间的相互作用图。

图5描述了H-I-T相互作用的详细概况。总的来说，与美国相比，中国的这种互动相对较弱。根据图5无论是在疾病、信息学还是技术应用方面，美国更加平衡，而中国更加集中。计算方法、信息学和通信媒体(如社交媒体和互联网)构成信息学领域的大部分，是解决中国健康和疾病问题最常用的三个hit。在中国，社交媒体、互联网和其他形式的传播媒介不仅用于解决公共卫生问题，而且还应用于特定的疾病问题，特别是传染病、心血管疾病、呼吸道疾病、肿瘤、神经系统疾病和许多其他慢性疾病。日前，国务院发布《慢性病防治中长期规划(2017-2025年)》，强调互联网+健康在促进健康中的作用。因此，社交媒体和其他互联网媒体对于促进患者及其家庭成员和护理人员的健康和自我保健非常重要。

‎ 查看此图

如图所示图5人口健康是美国和中国最大的信息学研究目标，因为公共MI已经成为两国的既定研究领域。事实上，2003年，“公共卫生信息学”一词被引入MeSH树，并被定义为“信息和计算机科学在公共卫生实践、研究和学习中的系统应用”。但中美两国在与信息学交互的健康需求领域存在一定差异。中国信息学研究支持的主要疾病包括神经系统疾病、肿瘤、消化系统疾病、心血管疾病和呼吸道疾病。在中国，最具互动性的疾病类型在美国排名很低。男性泌尿生殖系统疾病、免疫系统疾病、营养和代谢疾病均有此类病例。换句话说，中国和美国正在使用类似的hit来解决各自的健康问题。

中国信息学研究成果与疾病负担

本小节将要讨论的问题是，中国信息学研究工作是否正在处理以疾病负担衡量的主要卫生需求。使用生命损失年，残疾调整生命年(DALYs)由世界卫生组织提供，作为疾病负担的代表。虽然伤残调整生命年并非没有限制，但它们是最确定的疾病负担指标之一。我们确定了与世卫组织2016年GBD估计数中考虑的一些疾病相关的信息学相关出版物[34]，它更接近本文中使用的出版物搜索窗口。结合1990-2017年中国伤残调整生命年的前25个主要原因排名[35]，我们考虑了中国在“传染病、孕产妇、围产期和营养状况”和“非传染性疾病”组中具有高DALYs的24种最具体的疾病。我们没有考虑“伤害”组中的疾病，因为很难将它们与MeSH术语相匹配，尽管“道路伤害”在2017年DALYs的主要原因中排名第五。

根据图6在按世界卫生组织分类的特定治疗领域进行分析时，一般而言，疾病负担与面向信息学的研究出版物之间存在正相关关系。线性回归结果为y = 0.0079x, R²= 0.4103。中风和缺血性心脏病这两大心血管疾病是中国DALYs的主要原因，近年来吸引了大量的信息科学研究。对于肺癌、肝癌、胃癌、食道癌、结肠癌和直肠癌等几种主要恶性肿瘤，虽然其DALYs差异很大，但研究吸引了最多的信息学研究工作。在中国DALYs相关疾病排名前24位的疾病中，慢性阻塞性肺疾病、背部和颈部疼痛、抑郁症的疾病负担与信息学研究力度存在差距，这些疾病负担较高，信息学研究力度较低。总体而言，在精神障碍中，除抑郁症外，精神分裂症、药物滥用和焦虑症的信息学研究工作与其疾病负担不成比例。

‎ 查看此图

卫生需求、人工智能供给与技术应用的互动关系

“计算方法”代表了中美两国信息科学研究的最大部分，其中人工智能是最主要的领域。我们使用MeSH树中的“人工智能”MeSH术语及其下的所有术语来构建AI子数据集。根据表5在所有连接卫生需求和信息科学供应的出版物中，中国(11.3%)的人工智能特定出版物的比例明显高于全球平均水平(6.8%)和美国(7.4%)。人工智能出版物的数量增长迅速，特别是自2016年以来(图7）.在MeSH树中，“人工智能”被定义为执行通常需要人类智能的任务的计算机系统的理论和发展。这些任务可能包括语音识别、学习;视觉感知;数学计算;推理，解决问题，决策和语言翻译。它有8个分支:(1)计算机启发式，(2)专家系统，(3)模糊逻辑，(4)知识库(即生物本体)，(5)机器学习，(6)自然语言处理，(7)计算机神经网络，(8)机器人技术。

人工智能及其相关技术作为信息科学的一个分支领域，在医学研究中日益盛行，并开始应用于卫生保健和医学研究。在本节中，我们具体分析和讨论了人工智能相关研究出版物中的H-I-T相互作用。图8为中美人工智能研究中的H-I-T交互关系，选取MeSH主题“人工智能[L01.224.050.375]”下的次级MeSH术语，计算健康需求、人工智能供给和技术应用之间的共现关系。

在卫生需求与人工智能供给的关系方面，卫生需求最关注的领域是人口健康;最集中的人工智能概念是计算机神经网络和机器学习;最广泛的技术应用是调查技术、诊断技术和治疗技术。调查技术通常用于临床前和临床研究、流行病学、化学、免疫学和遗传学等。调查技术不包括专门应用于诊断、治疗、麻醉和镇痛、外科手术、外科和牙科的技术。在详细分析了“调查技术”下的具体主题后，我们发现最受关注的主题是“观察”，“研究设计”，“流行病学方法”和“模型，理论”。我们总结了“人口健康-机器学习(包括神经网络等深度学习)-调查技术”的链接，展示了诸如机器学习支持的临床研究和基于现实世界数据的疾病预测模型等热门话题。现在，我们从“人口健康”转向具体疾病。这两个国家都将人工智能技术用于所有疾病的研究。其中，神经系统疾病和肿瘤分别是美国和中国最关注的人工智能靶向疾病。 Diseases that very rarely use AI include infections, otorhinolaryngologic diseases, immune system diseases, and hemic and lymphatic diseases.

在信息学供给侧，机器学习和神经网络是中美两国出版物中最常用的技术。在美国，“机器学习”和“计算机神经网络”与健康需求相关的术语分别共出现1169次和914次。另一方面，中国分别被统计为829次和901次。在美国学者的健康人工智能研究中，“计算机神经网络”技术主要用于临床研究和现实世界的研究，共出现248次，很少用于诊断[E01]，仅出现5次。然而，在国内学者的研究中，“计算机神经网络”技术主要支持“诊断”[E01]，共出现209次。

此外，中美学者在健康人工智能研究中观察到的另一个显著差异是使用自然语言处理技术。自然语言处理与美国学者对文章的健康需求共出现325次，但中国只有65次。正如桑基图所示(图8)，美国最常用的自然语言处理技术集中在“人口健康”方面，其次是心血管疾病、神经系统疾病和许多其他特定疾病。

自然语言处理相关的研究似乎是中国的一个空白或弱点，这可能是由于中国对电子健康记录(EHRs)的研究相对缺乏。MeSH术语“电子健康记录”是一个标准化的术语，统一了计算机化医疗记录和电子病历等同义词。它被定义为促进有关患者疾病的相关信息在不同提供者和地理位置之间的可运输性的媒体。一些版本包括与在线消费者健康信息的直接链接，这些信息与特定患者的健康状况和治疗相关。在不断增加(图7)，与世界平均水平(3.3%)和美国(4.8%)相比，中国关于电子病历的总体卫生信息研究出版物(193份，1.4%)不足。

‎ 查看此图

‎ 查看此图

讨论

卫生需求、信息供给与技术应用之间的相互作用

信息学利用电子数据的协同“桥接”作用，使个别疾病和人口健康受益。自2010年以来，中国标注与健康相关和信息科学相关MeSH术语的出版物数量持续增加。这与以下观察结果相一致:“特别是在2011年之后，中国学者在18种国际专业期刊上发表的MI文章数量出现了显著上升趋势”[12]。他们还得出结论，中国学者的全球影响力正在全球范围内增长;它们正越来越自觉地努力加强与国际研究人员的合作关系。在他们的贡献中，研究了人工智能中最热门和新兴的技术领域，如电子病历、人工智能和图像处理，而这些信息学技术已经实现的功能，如支持疾病的诊断和治疗，以及它们用来解决的健康需求，尚未得到调查。本文的重点是通过健康、信息和技术相关术语的三个维度的共现来研究知识实体之间的相互作用，而不是宏观文献计量分析。研究结果表明，中国卫生需求与信息供给以及技术应用之间的相互作用呈现出显著增长趋势。在发文量排名前三的国家中，中国的H-I-T发文量增长最快。在我们的分析中，人口健康或公共卫生是与美国和中国的信息学相互作用的最大需求领域。人口健康对健康信息学研究的影响最大。最近，Bhattarai等[10]调查了信息和通信技术(信通技术)如何应用于公共卫生，发现"传染病监测"、"公共卫生政策和研究"和"公共卫生意识"是与信通技术相互作用的最常见的公共卫生领域。他们的研究的局限性之一是，通过仅使用一个MeSH标签作为选择标准，没有“公共医学信息学”MeSH术语的出版物被排除在他们的数据集中。我们的研究避免了这样的限制。

尽管学术研究的产出不断增加，但中国的卫生需求、信息供应和技术应用之间的整体相互作用弱于美国。这在一定程度上影响了hit向产品的技术转移，并最终影响了循证数字医学的发展。在医生、患者和消费者使用HIT之前，必须对其有效性和安全性进行科学评估。例如，Bhattarai等人[10[]报告说，当各种预测指标用于疾病监测和紧急监测(如综合征监测、调度电话、非处方药销售和学校缺勤)时，大多数信息学指标的有效性存在不一致的结果。他们建议应该进行更多的研究来进一步调查这些预测的有效性。然而，对于循证医学而言，对于生物医学或行为健康干预措施的开发和有效性评估有明确的指导方针，而对于医学和健康信息学的系统开发和评估缺乏指导方针，相应的研究才刚刚开始[25]。

信息学研究将集中在疾病的最大负担或它可以产生最大影响的地方

我们不准备强调信息学研究工作必须与疾病负担成比例的观点。我们认为信息学研究应该集中在疾病的最大负担或它可以产生最大影响的地方，这并不矛盾。事实上，我们已经考虑了这两种观点。H-I-T相互作用和H-AI-T相互作用的总体结果表明，人口健康或公共卫生是与美国和中国的信息供应和技术应用相互作用需求最大的领域。我们认为人口健康可以对健康信息学研究产生最大的影响。人口健康和特定疾病管理是两个主要的卫生领域。虽然对特定疾病的需求程度很容易衡量(例如，使用疾病负担数据)，但对人口健康的需求程度不容易量化，因为它与疾病无关。

我们使用“健康”和“公共卫生”两个MeSH术语来表示人口健康需求，使用“疾病类别”MeSH术语来表示特定疾病的个人健康需求。我们注意到有两个MeSH术语，“综合医疗服务”和“以患者为中心的医疗服务”，它们与独立于特定疾病的健康需求有关。“综合医疗服务”一词是指将医生、医院和其他医疗服务与健康计划结合起来，为客户提供全面医疗服务的医疗保健系统。在一个完全整合的系统中，医生、医院和健康计划成员这三个关键要素在将医疗资源与购买者和患者的需求相匹配方面保持平衡。“以病人为中心的护理”一词代表了一种病人护理的设计，在这种设计中，机构的资源和人员是围绕病人而不是围绕专门的部门来组织的。不幸的是，这些术语不包括在我们的概念框架和数据收集中。在这里，我们试图确定“以患者为中心的护理”/“提供综合医疗保健”和“信息科学”之间的研究前景。使用这样的搜索策略，“(以患者为中心的护理”或“提供综合医疗保健”)和(“信息科学类别”)，搜索字段为“MeSH主要主题”，我们从MEDLINE数据库中收集了2010年至2021年3月15日期间发表的2071篇出版物。我们绘制了至少有10个出版物标记的MeSH主要主题的共现集群，发现“以患者为中心的护理”倾向于与护理实践联系起来，如“护理人员、医院”、“养老院”、“家庭”、“护患关系”、“患者参与”和“患者安全”(图9）.

‎ 查看此图

最近，关于向以患者为中心的综合护理模式转变的讨论非常紧迫[36]。综上所述，护理信息学以患者为中心，MI以疾病为中心，健康信息学以人群健康为中心。根据世卫组织2015年发布的一份报告[37]，以人为中心的综合卫生服务意味着将人民和社区的综合需求，而不仅仅是疾病，置于卫生系统的中心，并使人们能够在自身健康方面发挥更积极的作用。传统的护理模式，为狭窄的患者群体(如心脏项目、糖尿病项目)提供高度专业化、项目特异性的服务，无法以一种达到最佳结果的方式支持综合复杂需求。因此，重点需要回到对整个人的整体治疗，在文化和社会上对个人需求敏感，并在适当的情况下包括个人、家庭、团体或社区的护理模式。将信息学专业知识与护理在整体医疗保健方面的独特视角相结合，理想地将专业知识提供给数字环境中新兴护理模式的整合。我们认为这是护理信息学发展的大好机遇。

卫生需求、人工智能供给与技术应用的互动关系

在我们的研究中，“计算机神经网络”是卫生人工智能研究中最热门的信息学技术之一。总体而言，中国的健康人工智能出版物不到美国的一半，但计算机神经网络出版物的数量与美国几乎相同。中国学者在健康人工智能领域的研究主要集中在深度学习上，更有可能将复杂的深度学习模型(如深度神经网络)应用于健康和医学诊断。这与最近一项系统综述的结果相呼应，该综述将医学成像诊断深度学习算法的性能与专家临床医生的性能进行了比较[29]。在最终纳入的10个深度学习算法随机试验注册中，8个来自中国，1个来自美国。两项试验已经完成，均来自中国，其结果于2019年发表。在纳入的81项非随机研究中，排名前4位的国家分别是:美国(24/ 81,30%)、中国(14/ 81,17%)、韩国(12/ 81,15%)和日本(9/ 81,11%)。中国学者在医学影像诊断深度学习算法方面非常活跃。人工智能成像已成为智能和医疗科学行业中最成熟的领域，拥有庞大的市场规模、可观的收入收益和良好的融资环境。

应该指出的是，就H-I-T相互作用而言，自然语言处理在卫生人工智能研究中还不是一个得到充分研究的领域。在阅读了出版物的标题后，我们发现该数据集中几乎所有使用自然语言处理的美国研究都与电子病历有关。这进一步证明，中文电子病历数据的开放程度极大地限制了学者发掘其价值的机会。

数据显示，电子病历没有得到充分的研究，尤其是在中国。这与以下来自美国和中国的证据不谋而合。通过在美国各地进行深入的定性访谈，谢赫及其同事[38研究了如何通过hit改善病人护理和人口健康，以及如何减少医疗保健支出。然而，他们发现在现有系统下仍然存在以下问题:电子病历的可用性差，支持多学科护理的能力有限，以及使用卫生信息交换系统的主要困难。另一方面，张和他的同事[39探索大数据在中国医疗领域的应用。尽管90%以上的中国医院都在使用电子病历，但基于医院的系统共享数据仍然很困难，因为它们是由300多家供应商使用不同的数据标准开发的。美国的调查显示，尽管政府对信息系统进行了大量投资，但由于系统碎片化，综合护理存在障碍。在中国，电子病历由国家卫生健康委员会管理，保险理赔数据由国家医疗保障局管理，每家医院都建立了独特的病历系统，但没有一个是可互操作的[5]。因此，将大量的电子健康、医疗和索赔记录集成到所有提供者级别的统一信息系统中是至关重要的。尽管面临这些挑战，中国政府仍大力推动大数据的发展及其在健康和医疗领域的应用。中国国务院宣布，将建立一个全国和省级综合人口健康信息平台，以促进数据共享、临床研究和全国公共卫生行动。

本研究的局限性包括:(1)只检索了一个数据库(即MEDLINE);(2)以两个分支的MeSH标签组合作为选择标准，没有或索引不准确的MeSH术语出版物无法被收录;(3) H-I-T相互作用的映射可能不充分。一种更复杂、更细粒度的基于mesh的分类技术可以被开发出来。然而，保持3个H-I-T区域的简单定义似乎并没有限制我们的分析，反而使结果更容易解释。此外，只使用MeSH主要主题似乎过于严格，但这种方法确保了一个给定出版物的核心内容。在许多国家，研究人员需要资助，而这些资助往往由研究资助机构或行业决定，这将决定研究的重点和出版物。此外，在一些国家，许多应用研究和发展是在公共资助的卫生机构内进行的，即使有创新，出版也没有得到优先考虑;在具有竞争性和商业化生产的国家，研究赞助者可能会限制发表，以避免被视为失去商业优势。

结论

本研究提出了一种新的方法来绘制不同知识实体之间的相互作用，利用MeSH的树状结构来了解中国卫生需求、信息供应和技术应用之间的相互作用。这种方法可以通过对医学和健康信息学更广泛的解释来帮助收集出版物数据，也可以应用于其他跨学科领域，如医学物理学、医学工程和医学社会科学。

中国对医疗信息技术(hit)的重视始于2009年的新一轮医疗改革。从那时起，中国的医学和心肌梗死研究发展很快，发表的论文数量已经超过了英国。美国的出版趋势相对稳定。虽然中国取得了这些进步，但为了充分利用信息学在医学研究和卫生保健服务中的优势，仍需要填补一些制度和学术空白。以下各段将在整个分析过程中提出的下列意见加以说明。

中国健康需求与信息学供给之间的相互作用略显稀疏，主要集中在心血管疾病、神经系统疾病、肿瘤和人群健康等方面，这些方面的相互作用需要借助计算方法和信息学技术进行更多的研究。其他技术，如社交媒体、互联网等传播媒体主要用于解决公共卫生问题，在美国很少用于其他疾病研究。虽然已经建立了技术应用(T)来连接信息学供给(I)和健康需求(H)，但中国信息学研究中的H-I-T联系比美国研究弱。建议应加强技术转让，即医疗/保健信息学实现的功能(如诊断、治疗、外科手术、实验室检测技术、设备和用品)。

中国疾病负担与疾病信息学研究成果呈正相关。信息学研究的主要目标是心血管疾病、肿瘤和呼吸道疾病，这些疾病与美国人群的特征不同。中国和美国正在使用类似的hit来解决各自国家不同的卫生需求。

中国在信息科学与医学卫生科学结合使用方面存在不平衡。中国总体的H-I相互作用较少，主要集中在几种主要疾病和2种主要信息学技术上。中国还应加强对电子病历与自然语言处理相结合的研究，以提高未来医疗卫生和大数据在现实世界中的应用。

用于计算HIT分数的所有数据都存储在科学数据库中，其中包括MeSH术语，MeSH树列表和HIT分数的论文列表[40]。