《Bioengineering》:Artificial Intelligence for Infant Pain Detection: A Bibliometric and Knowledge Mapping Review
编辑推荐:
人工智能(Artificial Intelligence, AI)已被开发为一种能够通过提供客观且持续的新生儿健康监测来辅助临床决策的有力工具。与成人不同,婴儿无法用语言表达疼痛,传统疼痛测量主要依赖主观性和观察性疼痛量表。这种依赖性引入了出现一定评估者间变异
人工智能(Artificial Intelligence, AI)已被开发为一种能够通过提供客观且持续的新生儿健康监测来辅助临床决策的有力工具。与成人不同,婴儿无法用语言表达疼痛,传统疼痛测量主要依赖主观性和观察性疼痛量表。这种依赖性引入了出现一定评估者间变异性和观察者偏倚的可能性,可能导致评估结果变异以及新生儿重症监护环境中的疼痛管理欠佳。为应对这些挑战,本研究旨在通过开展全面的文献计量学与科学知识图谱综述,提供关于基于AI的婴儿疼痛检测文献的完整概览,并绘制该领域的知识结构图谱。系统检索采用Scopus数据库,并使用先进且结构化的关键词检索式,以获取2010年至2026年的相关英文期刊论文。在按照预设纳入标准筛选后,最终保留153篇核心文献进行分析。研究人员评估了所识别论文的科研产出与引文影响,并使用基于网络的文献计量分析平台BiblioSpy?,通过文献计量处理和网络可视化识别了新兴主题结构。定量结果表明,该领域动态发展且快速扩张,年发文增长率为29.06%,累计被引2474次。所分析语料库的h指数为26,g指数为46,平均每篇论文有6.08位作者,国际合著率为88.24%,表明这是一个高度协作的研究环境。总之,关键词的时间追踪定量地证实了这一演变:传统二元算法显示出较早的平均发文时间线,而深度学习、卷积神经网络(Convolutional Neural Networks, CNNs)和多信号预测模型主导了近期产出,表明从孤立二元分类器向连续、可解释且临床可行的多模态监测系统发生了定量转变。结果表明,尽管早期研究仅涉及面部表情和/或哭声声学的二元分类,当前研究正朝着连续、可解释且临床可行的多模态监测系统发展。
1. 引言
人工智能(Artificial Intelligence, AI)已成为医疗健康领域的重要技术,尤其在新生儿疼痛识别方面具有变革性意义。婴儿无法用语言表达疼痛,传统评估工具依赖对行为学和生理指标的主观观察,这些方法在可靠性和时效性方面存在局限,可能导致疼痛管理不充分。AI通过面部表情分析、音频信号处理以及多模态数据整合,能够为自动化、客观且高效的疼痛检测提供替代方案。卷积神经网络(Convolutional Neural Networks, CNN)和迁移学习模型在疼痛相关面部表情识别中表现出较高准确性。然而,AI在临床实践中的落地仍面临伦理问题、高质量数据集获取困难、光照变化、运动干扰及面部遮挡等挑战,需要在多学科协作下确保人类监督、数据隐私和可及性。
2. 文献综述
基于AI的婴儿疼痛检测研究主要利用三类信号:面部表情、哭声声学和生理测量,并呈现向多模态系统整合发展的趋势。面部表情分析是较为成熟的路径,早期研究使用静态图像和视频进行疼痛与非疼痛分类或疼痛强度分级。分类表情项目(COPE)被视为首个基于机器学习的婴儿疼痛评估研究;后续基于CNN的模型在COPE数据库上取得较高准确率,但存在样本量小和缺乏外部验证的问题。真实新生儿病房中的微调预训练CNN模型在足跟采血图像上取得一定准确率,但多级别疼痛分级准确率仍低于二元检测。哭声分析将音频信号转化为声谱图或倒谱特征,结合经典机器学习与深度学习,能够区分疼痛和需求相关哭声,但哭声也可能由饥饿、不适、疲倦等状态引起,因此在真实噪声环境中的疼痛特异性检测仍有限。当前领域正从单模态分类转向临床导向的多模态实时系统,例如整合心率、呼吸、血氧饱和度与计算机视觉的术后监护系统;多模态深度学习模型的性能优于单一模态模型,并可用于术后疼痛发作的早期预测。此外,模型的鲁棒性、可解释性、数据集规模及部署约束也是临床转化的关键因素,新生儿专用目标检测器和可视化解释技术已显示出改善潜力。
3. 研究问题
本研究提出八项研究问题(Research Question, RQ):该领域文献的关键文献计量特征如何;科研成果如何演变;哪些期刊构成核心出版来源;哪些作者贡献最具影响力;作者生产力与引文影响之间存在何种关系;全球科研贡献格局如何以及哪些地区代表性不足;主要研究主题和新兴知识结构是什么;国家合著网络揭示出怎样的国际合作模式。
4. 材料与方法
本研究采用整合了数据预处理、绩效分析和科学知识图谱绘制的分析流程。使用OpenRefine进行数据清洗与标准化,使用Microsoft Excel进行描述性统计和文献计量指标计算,使用VOSviewer进行关键词共现分析和国家合作网络分析。BiblioSpy?用于生成和组织整体文献计量概况,但科学知识图谱分析主要由VOSviewer完成。数据来自Scopus数据库,检索策略围绕人群、临床状况、技术任务和使能技术四个概念维度构建,并纳入医学主题词表(Medical Subject Headings, MeSH)以扩充同义词覆盖。纳入标准为2010年至2026年6月间以英文发表的同行评审期刊论文,排除会议论文、社论、书籍章节等。初检获得239条记录,经过两阶段筛选后排除86条,最终保留153篇核心文献。
5. 结果与发现
RQ1. 关键文献计量特征
该领域共有153篇文献,累计被引2474次,年增长率达29.06%,平均每篇文献被引16.17次。854位作者贡献了930次作者出现,平均每篇作者数为6.08,国际合著率为88.24%,涉及55个国家的411家机构。语料库的h指数为26,g指数为46,m指数为1.529,表明文献相对年轻但已形成核心被引文献群,领域具备快速扩张和国际协作特征。
RQ2. 科研成果演变
2010年仅有2篇论文,且当年被引次数异常高;此后长期年均不超过10篇。2020年后科研产出显著增加,2020年9篇、2021年11篇、2022年16篇、2023年17篇、2024年25篇、2025年39篇。2022年和2023年发表论文的被引影响力较强。整体呈现从探索性研究向巩固和扩张阶段转变。
RQ3. 核心期刊
Biomedical Signal Processing and Control和Frontiers in Pediatrics是发表量最高的期刊,各发表8篇。AI in Medicine的平均每篇被引次数最高,达164.67次;Computer Methods and Programs in Biomedicine和IEEE Journal of Biomedical and Health Informatics也具有较高引文影响。多数核心期刊位于第一四分位(Q1),显示该领域已在生物医学工程、AI、医学信息学和儿科领域获得学术认可。
RQ4. 有影响力的学者
被引次数最高的论文来自Nanni等,累计469次被引;Werner等的综述被引165次。Gholami等的早期婴儿疼痛强度评估研究被引101次,Hariharan等的婴儿哭声分类研究被引88次。发表量最高的作者为Chakib Tadj,但高被引作者如Alessandra Lumini仅发表2篇论文即获500次被引,说明高影响力贡献不一定来自高产出作者。
RQ5. 作者生产力与引文影响的关系
作者生产力与引文影响之间存在非线性关系。高被引作者并非最高产作者,例如Chakib Tadj发表3篇仅获16次被引,而Lumini发表2篇获500次被引。Lucas Pereira Carlini和Tatiany Marcondes Heiderich等作者也以较少论文获得较高平均被引次数。影响学术影响的关键在于研究的方法学重要性、新颖性和临床价值,而非单纯论文数量。
RQ6. 全球科研贡献格局
美国以34篇论文和1267次被引居首,中国以29篇位居第二,印度以20篇列第三。意大利尽管仅发表9篇,但平均每篇被引71次。贡献高度集中于北美、欧洲和部分亚洲地区;非洲仅摩洛哥有贡献记录,拉丁美洲、中东和东南亚的代表性有限。这种地理分布可能影响AI模型在不同医疗环境和人群中的适用性。
RQ7. 研究主题与新兴知识结构
关键词共现分析显示,“机器学习”出现频率最高,并与“深度学习”“人工智能”“分类”“预测模型”等形成紧密聚类。第二类主题围绕新生儿重症监护病房、新生儿、婴儿和疼痛评估等临床应用场景。时间趋势表明,支持向量机(Support Vector Machines, SVM)等传统算法平均发表年份较早,而深度学习、CNN和连续预测模型平均发表年份更近,反映出从静态二元分类向实时多模态深度学习的系统性转变。
RQ8. 国际合作模式
国家合著网络显示国际合作活跃,美国处于网络中心,具有最高总连接强度。中国形成高产但国际连接相对较少的研究集群;印度与土耳其构成另一合作组;德国、英国、意大利和加拿大等欧洲国家也存在密切合作。沙特阿拉伯、韩国和澳大利亚虽有合作但网络连接较弱,许多发展中地区在国际合作网络中参与不足。
6. 讨论
AI婴儿疼痛检测研究的快速扩张反映了新生儿监护从间断性、依赖观察者的疼痛评估向自动化、连续和潜在多模态监测的转变。地理集中可能源于研究经费、计算基础设施和临床数据可及性差异,这会影响模型的跨环境泛化能力。高比例国际合著反映了该领域内在的多学科性和数据密集型特征,未来应建立共享的数据采集、标注和外部验证协议。文献主题演变表明算法开发进展显著,但技术性能并不等同于临床实用性,未来应重视前瞻性外部验证、连续疼痛轨迹评估以及饥饿、疲劳等混杂状态的识别。多模态架构需要与单模态方法对比以证明其增量价值。全球研究参与的不均衡可能造成数据集和算法偏向资源丰富的医疗环境,因此多中心验证和低资源环境测试对实现公平发展至关重要。
7. 局限性
本研究仅检索Scopus数据库,可能遗漏Web of Science、IEEE Xplore或PubMed等数据库收录的相关文献;仅纳入英文文献,可能排除非英语研究;仅纳入最终发表的同行评审期刊论文,未包含会议论文、书籍章节和预印本,可能低估最新算法进展。2026年数据仅覆盖上半年,不能代表完整年度产出。此外,现有原始文献多依赖小规模、受控条件下的数据集,临床可推广性有限,需要更严格的外部验证和多中心协作。
8. 结论
2010年至2026年间,基于AI的婴儿疼痛检测研究处于快速发展期,年增长率约29%,2020年后发表量显著增长。该领域文献相对年轻,合作程度高,体现出多学科交叉特征。主题分析显示,研究正从依赖单一模态的传统方法转向整合视频、音频和生理信号的多模态系统;深度学习和先进信号处理推动了从实验性算法开发向临床导向应用的转变。未来发展方向应强调多模态和可解释AI,支持连续评估并提供可解释输出,以辅助临床决策。要实现临床转化,仍需稳健的外部验证、多样化多中心数据集、标准化评估流程、伦理考量以及AI研究者、生物医学工程师和儿科医护人员之间的紧密协作。