方法文章

特应性皮炎与过敏性鼻炎共病的知识图谱分析:一项文献计量学研究

DOI:

10.3791/70363

2026年4月21日

本文内容

摘要

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

特应性皮炎和过敏性鼻炎是常见的共病疾病,但关于二者共病现象的研究仍需进一步阐明。本研究旨在采用文献计量学方法,描绘该领域的知识结构,识别研究热点,并追踪其演变趋势。

摘要

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

特应性皮炎(AD)和过敏性鼻炎(AR)是常见的过敏性疾病,常共病发生,具有共同的潜在病理生理机制。本研究从Web of Science(WOS)数据库检索了过去十年间关于AD与AR共病的相关文献。采用Microsoft Excel、VOSviewer、CiteSpace和Scimago Graphica等软件工具进行文献计量分析,考察国家、研究机构、期刊、作者及关键词的分布情况。结果显示,过去10年共发表相关文献1571篇,呈波动上升趋势。美国发表文献最多(244篇),聚类分析识别出以美国、中国和德国为代表的3个主要研究集群。在研究机构方面,中国医科大学产出文献最多(42篇)。机构聚类分析揭示了4个主要研究中心,分别以苏黎世大学、中国医科大学、首尔国立大学和科罗拉多大学为代表。在期刊方面, 过敏 发表文章最多(56篇),而《过敏与临床免疫学杂志》学术影响力最强,平均每篇文章被引78.77次。在作者层面,Akdis, Cezmi A. 的发文量最高(15篇),Irvine, Alan D. 的影响力最强,总被引频次达2711次。关键词分析共识别出11个聚类,主要与免疫调节相关。本方案为研究人员提供了一种有效策略,以识别潜在的研究空白,并指导这些相互关联的过敏性疾病领域的未来研究。

引言

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

特应性皮炎(AD)和过敏性鼻炎(AR)是两种常见的慢性炎症性过敏性疾病,共同构成了特应性进程的核心组成部分1,2,3。特应性皮炎是一种与过敏遗传易感性相关的慢性炎症性皮肤病,其特征为皮肤屏障功能受损、免疫失调以及剧烈瘙痒4,5。过敏性鼻炎则是由环境过敏原引发的、IgE介导的鼻黏膜慢性炎症,通常表现为鼻塞、流涕、鼻痒和打喷嚏6。近年来,大量流行病学和临床研究已证实特应性皮炎与过敏性鼻炎之间存在显著的共病关系7,8。患者常同时或先后发生这两种疾病,不仅加重了疾病负担,还导致生活质量显著下降以及医疗成本升高。同时,这两种疾病之间的关联为研究其发病机制提供了重要线索。学术界普遍认为,这两种疾病具有复杂的共同遗传背景、免疫学机制以及环境影响因素9。然而,尽管在特应性皮炎或过敏性鼻炎的基础与临床研究方面已取得显著进展,针对二者共病的系统性、宏观层面的研究仍相对有限。

文献计量学作为一门运用数学和统计方法对学术文献进行定量分析的科学学科,展现出独特的优势10。它通过分析出版物数量、作者、机构、国家/地区间的合作、关键词共现以及文献共被引等数据,克服了传统综述中固有的主观局限性11。这使得人们能够客观而系统地揭示特定领域的研究成果、知识结构、演化动态及未来发展方向12。将文献计量学应用于特应性皮炎(AD)与过敏性鼻炎(AR)共病的研究领域,有助于研究人员快速掌握该领域的整体研究格局。本研究整合文献计量方法,对过去十年间与AD和AR相关的文献进行系统性回顾。本研究提供了一套可重复的文献计量流程,该流程结合多种软件工具,对文献数据进行系统化处理与分析。通过这种数据驱动的方法,我们全面呈现了AD与AR共病领域的知识结构,包括研究热点、合作网络以及过去十年间研究主题的演变过程。这一方法论框架超越了传统的叙述性综述,通过对文献进行客观且定量的综合分析,为研究人员提供了理解该领域当前状况与未来趋势的有力工具。

访问受限。请登录或开始试用以查看此内容。

方案

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. 文献检索与获取

  1. 访问医学主题词表(MeSH)数据库(https://meshb.nlm.nih.gov/)。
  2. 输入术语 "特应性皮炎" 和 "过敏性鼻炎" 分别检索其各自的受控词汇术语和子标题。
  3. 根据已确定的MeSH主题词和副主题词,制定一个全面的方案 检索策略
  4. 导航至 Web of Science (WoS) 数据库(https://www.webofscience.com/wos/)。选择 "高级搜索" 选项
  5. 在查询框中输入以下检索策略:TS=("特应性皮炎" 或 "特应性湿疹" 或 "婴儿湿疹" 或 "特应性神经性皮炎" 或 "播散性神经性皮炎")并且 TS=("过敏性鼻炎"). 限制发表日期范围 从 2015年1月1日至2024年12月31日
  6. 排除会议摘要、会议论文、编辑材料、书籍章节和已撤稿出版物等非研究性文献类型;仅保留英文文献。
  7. 对于作者姓名或机构 affiliation 不一致的出版物,应以第一作者的 affiliation 为准,以确保网络分析中的一致性。
  8. 将获得的数据集以纯文本格式导出,并存储在计算机中以供后续分析。
  9. 记录每年发表的文章数量并点击 引用报告 导出引用次数。
  10. 点击 "查看全部" 在 "国家/地区" 部分并导出国家出版物产出至 Excel。
  11. 在……之下 "发表年份" 柱,点击 "查看全部",然后依次选择 "2015" 和 "优化"接下来,单击 "查看全部" 在 "国家/地区" 柱
  12. 记录2015年发表论文数排名前十的国家的具体发表数量。
  13. 在完成第10步后,记录2015年至2024年期间发表论文数排名前十的国家的年度发表数量。

2. 年度发表产出与引用频率的趋势分析

  1. 打开 Microsoft Excel,依次输入年份、对应的已发表文章数量以及引用次数。
  2. 选中输入的数据,然后进入 插入 > 图表 > 组合图。将每年发表的文章数量设置为柱形图,引用次数设置为折线图。
  3. 选中图表,将 X 轴标题标注为 "年份",Y 轴标题标注为 "文献数量"。
  4. 选中数据标签,并设置为显示具体数值。
  5. 选中该图表,并以 TIFF 格式保存。

3. 国家出版物产出与跨境研究网络

注意:由于 VOSviewer 在文献计量网络可视化方面具有优势,因此被用于构建国家合作网络。随后使用 Scimago Graphica 生成世界地图,以更清晰地展示网络数据的地理分布。

  1. 启动软件,然后依次点击: 创建 → 基于书目数据创建地图 → 从书目数据库文件读取数据
  2. 导入纯文本数据集,然后点击“下一步”以读取数据。
  3. 在"分析类型"字段中选择"合著关系";然后在"分析单元"下选择"国家",并点击"下一步"。将"待选机构数量"的值设为22,点击"下一步"继续,并启动数据分析
  4. 右键单击"来源"列中的数据,导出指标,包括各国的论文产出量和被引频次,用于后续数据分析。
  5. 点击"完成"生成国家合作网络,然后在左侧工具栏中选择"项目"标签,查看聚类数量。
  6. 在左侧工具栏中进入"分析",选择"最小聚类大小",并调整该参数,使聚类数量保持在适当范围内。
  7. 在左侧工具栏中访问"分析"和"布局"部分,调整"吸引力"和"排斥力"参数的数值,以优化可视化图谱的尺度。
  8. 在右侧选择"可视化"以修改可视化地图的外观。拖动"缩放"滑块,将国家/地区标签调整至合适大小;使用"标签"控件设置节点尺寸;调节"线条"参数以获得合适的连接线粗细;点击"曲线"选择连接线为直线或曲线。
  9. 依次点击文件 > 截图 > 保存导出可视化图像;然后选择文件 > 保存 > GML,保存GML格式文件以供后续使用。
  10. 启动软件并导入GML格式文件。
  11. 将"lable"列设置为"国家",将"cluster"列的数据类型更改为"字符串",然后点击左上角的可视化图标。
  12. 从左侧面板将"weight<documents>"拖动至"大小"框,将"cluster"移至"颜色"框,并将"lable"分别放入"标签"、"提示"和"单位"框中。
  13. 在右侧工具栏的"标记"部分选择"地图"以生成世界地图;然后使用"边线"选项调整连接线的曲率,并修改"边线颜色"以配置节点颜色。
  14. 在左侧工具栏中选择"颜色"以调整聚类颜色;然后配置"图例位置"以修改图例的放置位置。
  15. 点击顶部工具栏中的"导出",将图像保存为PNG格式。

4. 机构出版产出与合作网络分析

注意:选择 VOSviewer 进行机构合作分析,是因为它能够有效处理大规模文献计量数据,并清晰地展示机构聚类情况。

  1. 启动软件,然后依次点击: 创建 → 基于书目数据创建地图 → 从书目数据库文件读取数据
  2. 导入纯文本数据集,然后点击“下一步”以读取数据。
  3. 在"分析类型"字段中,选择"合著关系";然后在"分析单位"下选择"机构",并点击"下一步"。将"所选机构数量"的值设为50,点击"下一步"继续,并启动数据分析。
  4. 右键单击"来源"列中的数据,导出包括机构发文量和被引频次在内的指标,用于后续数据分析。
  5. 点击"完成"生成机构合作网络,然后在左侧工具栏中选择"项目"标签,查看聚类数量。
  6. 在左侧工具栏中进入"分析",选择"最小聚类规模",并调整该参数以保持聚类数量处于合理范围内。
  7. 在左侧工具栏中依次访问"分析"和"布局"部分。调整"吸引力"和"排斥力"参数的数值,以优化可视化图谱的显示比例。
  8. 在右侧选择"可视化"以修改图谱外观。拖动"比例"滑块,将机构名称调整至合适大小;使用"标签"控件设置节点尺寸;调节"连线"参数以获得适当的连接线粗细;点击"曲线连线"选择连接线为直线或曲线。
  9. 点击"文件",然后选择"截图",最后点击"保存"导出可视化图谱。
  10. 启动Microsoft Excel,按发文量和被引频次对研究机构进行排序,选取前10名机构,确定其所属国家,并准备该数据集用于可视化展示。
  11. 选择包含按发文量排名前10的研究机构、对应发文数量及其所在国家的三列数据。然后依次点击插入 > 图表 > 柱形图,创建按发文量排序的前10名研究机构的可视化图表。
  12. 选中数据标签以显示实际数值,并以TIFF格式导出图表。
  13. 选择包含按被引频次排名前10的研究机构、对应被引次数及其所在国家的三列数据。然后依次点击插入 > 图表 > 柱形图,创建按被引频次排序的前10名研究机构的可视化图表。

5. 期刊发表产出与引用分析

注意:使用 VOSviewer 软件对期刊发表产出和引用情况进行分析。

  1. 启动软件,然后依次点击: 创建 → 基于书目数据创建地图 → 从书目数据库文件读取数据
  2. 导入纯文本数据集,然后点击“下一步”以读取数据。
  3. 在“"分析类型"”部分,选择“"引文"”;然后在“"分析单元"”下选择“"来源"”,并点击“"下一步"”。将“"来源的最少文献数量"”字段的值设为5,将“"来源的最少被引次数"”设为0,点击“"下一步"”,然后继续进行数据分析。
  4. 在“"来源"”列中的数据上单击右键,选择“"另存为"”选项,以导出期刊发表产出和被引频次数据,用于后续数据分析。
  5. 点击“"完成"”生成期刊合作网络图,然后在左侧工具栏中选择“"项目"”标签页以查看聚类数量。
  6. 在左侧工具栏中点击“"分析"”,并设置“"最小聚类大小"”参数,以将聚类数量维持在适当范围内。
  7. 在左侧工具栏中依次进入“"分析"”和“"布局"”。调整“"吸引力"”和“"排斥力"”参数的数值,以获得最佳缩放效果的可视化图谱。
  8. 在右侧选择“"可视化"”以修改可视化地图的外观。拖动“"缩放"”滑块,将期刊名称调整至合适大小;使用“"标签"”控件设置节点尺寸;调节“"连线"”参数以获得合适的连接线粗细;点击“"曲线连接线"”以选择连接线为直线或曲线。
  9. 点击“"文件"”,然后选择“"截图"”,最后点击“"保存"”以导出可视化图像。
  10. 启动 Microsoft Excel,根据期刊的发表产出和被引频次计算每种期刊的平均被引次数。
  11. 选择三列数据(期刊名称、发表产出和平均被引次数),然后进入 插入 > 图表 > 柱形图,创建用于比较期刊发表产出与平均被引率的可视化图表。
  12. 选中数据标签以显示实际数值,然后以 TIFF 格式导出该图表。

高产作者的合作网络分析

注意:使用 VOSviewer 软件对高产且高被引作者进行合作网络分析。

  1. 启动软件,然后依次点击: 创建 → 基于书目数据创建地图 → 从书目数据库文件读取数据
  2. 在"分析类型"字段中选择"合著关系";然后在"分析单位"下选择"作者",并点击"下一步"。将"所选机构数量"的值设为95,点击"下一步"继续,并开始数据分析。
  3. 右键单击"来源"列中的数据,导出高产作者的出版物数量和被引次数等指标,用于后续数据分析。
  4. 点击"完成"生成机构合作网络后,在左侧工具栏中选择"项目"标签,查看聚类数量。
  5. 点击"完成"生成作者合作网络后,在左侧工具栏中选择"项目"标签,查看聚类数量。
  6. 在左侧工具栏中依次进入"分析"和"布局",调整"吸引力"和"排斥力"参数的数值,以获得最佳缩放效果的可视化图谱。
  7. 在右侧选择"可视化"以修改可视化地图的外观。拖动"缩放"滑块,将期刊名称调整至合适大小;使用"标签"控件设置节点尺寸;调节"线条"参数以获得合适的连接线粗细;点击"曲线"选择连接线为直线或曲线。
  8. 依次进入文件 > 截图 > 保存,导出可视化图像。
  9. 启动Microsoft Excel,按出版物数量对高产作者进行排序,选取前10位作者,并准备用于可视化展示。
  10. 选择前10位高产作者及其对应的出版物数量,然后依次进入插入 > 图表 > 柱形图,创建横轴为作者姓名、纵轴为出版物数量的可视化图表。启用数据标签显示。最后,右键单击图表并将其保存为TIFF格式。

7. 关键词共现与主题演变分析

注意:由于 CiteSpace 在检测研究热点、聚类分析和时间演化模式方面具有先进功能,因此被选用于关键词分析。

  1. 启动软件,使用 CiteSpace 的去重功能识别并删除重复记录。导航至 数据 > 进口/出口,将输入目录设置为 "输入" 文件夹,并将输出目录配置为 "输出" 文件夹
  2. 导航至 去重 & 组织机构,同时选择两者 "文章" 和 "综述" 文档类型,然后单击 "开始"然后导入纯文本数据集,并通过点击继续 "开始" 再次。
  3. 点击 "关闭" 退出设置页面并返回主界面。
  4. 点击 "" 在主界面中,将项目主页设置为 "项目" 文件夹,将数据目录配置为 "数据" 文件夹,选择 "WoS" 数据来源和 "英文" 选择首选语言,最后保存设置。
  5. 在右侧的时间切片面板中,将时间范围设置为2015年1月到2024年12月。选择 "关键词" 作为节点类型。选择 g指数(k=25) 用于网络扩展。启用 "探路者", "修剪切片网络",以及 "修剪合并后的网络" 修剪设置中的选项可简化并优化网络可视化效果。
  6. 点击 "开始" 开始数据处理。操作完成后,选择 "一键式聚类标签优化" 生成关键词聚类图的功能。
  7. 在右侧控制面板中调整节点标签和簇标签,以修改可视化图中节点大小等元素。
  8. 导航至 工具栏 > 标记 > 标签颜色 > 文章标签 自定义标签颜色;然后选择 节点 使用工具栏中的选项来修改节点属性,例如颜色和形状。
  9. 完成调整后,导航至 文件 > 另存为 并以 PNG 格式导出图像。
  10. 导航至 布局 > 时间线控制面板 生成关键词时间线视图。
  11. 在控制面板中,调整节点标签和聚类标签以修改节点大小和聚类标签大小。
  12. 导航至 文件 保存 PNG 格式的图像。
  13. 导航至 爆发性 在控制面板中,依次单击 刷新查看,输入 "20" 在数据字段中确认选择,并生成前 20 个关键词的研究热点分析图。
  14. 使用计算机截图工具捕获并保存前 20 个关键词的研究热点分析图。

访问受限。请登录或开始试用以查看此内容。

结果

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

过去十年间,关于特应性皮炎和过敏性鼻炎的研究共发表了1,571篇文章。年度发表数量总体呈上升趋势,引用频次也表现出稳定增长(图1)。从国家层面来看,美国发表的文章数量最多(244篇)。对各国研究集群及合作网络的进一步可视化分析揭示了三个主要的国家级研究集群,分别以美国、中国和德国为代表。整体研究网络结构呈现出多中心模式(图2)。在研究机构方面,中国医科大学是发文量最多的机构(42篇)(图3)。发文量排名前十的机构列于表1中。进一步的聚类分析识别出四个主要的研究集群,分别以苏黎世大学、中国医科大学、首尔国立大学和科罗拉多大学为代表。在期刊方面,发文量排名前十的期刊列于表2中。《过敏与临床免疫学杂志》(Journal of Allergy and Clinical Immunology)的篇均引用次数最高,达到78.77次。期刊合作网络使用VOSviewer进行可视化呈现。发文量最多的作者是Akd...

访问受限。请登录或开始试用以查看此内容。

讨论

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究开展的文献计量分析对阿尔茨海默病(AD)与阿尔茨海默病(AR)共病的研究领域进行了全面的图谱绘制。该方法不仅揭示了全球研究趋势,还识别出该重要领域中的主要贡献者、新兴研究主题以及潜在的未来研究方向。

过去十年中,关于AD与AR共病的研究论文数量呈现出波动上升的趋势,反映出全球对该领域的兴趣日益增长。然而,在2021年达到峰值(182篇论文)后,发文量有所下降,随后于2024年重新回升至峰值水平。回顾其他文献计量学研究可知,2021年相关研究活动的减少是一种普遍现象13,14,15。这一下降可能与COVID-19大流行有关。在国家层面,美国是该领域发文量最多的国家,处于领先地位,其次为中国和德国。这些趋势表明国际间合作活跃,尤其是在北美、欧洲和亚洲的研究中心之间。中国医药大学和苏黎世大学等机构已成为该领域的重要研究中心,推动了广泛的学术交流并促进了知识体系的发展。对国家、机构和作者的聚类分析揭...

访问受限。请登录或开始试用以查看此内容。

披露

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者在本研究中无任何利益冲突。

致谢

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究由中国康复研究中心中日友好医院精英计划骨干人才项目第二组(编号:ZRJY2023-GG05)资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
CiteSpaceChaomei Chen, Drexel UniversityCiteSpace 6.2.R4 (64-bit) beta Basic用于关键词共现分析、聚类分析、时间线可视化和突现检测,以识别研究热点和主题演变。
Scimago Graphica西班牙国家研究委员会(CSIC)Scimago Graphica Setup 1.0.49用于可视化国家合作网络,并基于 VOSviewer 输出数据生成世界地图。
VOSviewer荷兰莱顿大学科学技术研究中心VOSviewer version 1.6.19用于构建和可视化国家、机构及作者之间的合作网络,以及进行期刊引文分析。

参考文献

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Guttman-Yassky, E., Renert-Yuval, Y., Brunner, P. M. Atopic dermatitis. Lancet. 405 (10478), 583-596 (2025).
  2. Mandlik, D. S., Mandlik, S. K. Atopic dermatitis: new insight into the etiology, pathogenesis, diagnosis and novel treatment strategies. Immunopharmacol Immunotoxicol. 43 (2), 105-125 (2021).
  3. Czech, E. J., Overholser, A., Schultz, P. Allergic rhinitis. Med Clin North Am. 108 (4), 609-628 (2024).
  4. Sroka-Tomaszewska, J., Trzeciak, M. Molecular mechanisms of atopic dermatitis pathogenesis. Int J Mol Sci. 22 (8), 4130 (2021).
  5. Afshari, M., et al. Unraveling the skin; a comprehensive review of atopic dermatitis, current understanding, and approaches. Front Immunol. 15, 1361005 (2024).
  6. Czech, E. J., Overholser, A., Schultz, P. Allergic rhinitis. Prim Care. 50 (2), 159-178 (2023).
  7. Obbagy, J. E., et al. Complementary feeding and food allergy, atopic dermatitis/eczema, asthma, and allergic rhinitis: A systematic review. Am J Clin Nutr. 109 (Suppl 7), 890S-934S (2019).
  8. Sobkowiak, P., et al. Neuroinflammatory gene expression pattern is similar between allergic rhinitis and atopic dermatitis but distinct from atopic asthma. Biomed Res Int. 2020, 7196981 (2020).
  9. Dierick, B. J. H., et al. Burden and socioeconomics of asthma, allergic rhinitis, atopic dermatitis and food allergy. Expert Rev Pharmacoecon Outcomes Res. 20 (5), 437-453 (2020).
  10. Yang, D., et al. Knowledge domain and emerging trends in heart failure and anxiety comorbidity: A scientometric analysis. J Multidiscip Healthc. 18, 7175-7191 (2025).
  11. Lazarides, M. K., Lazaridou, I. Z., Papanas, N. Bibliometric analysis: Bridging informatics with science. Int J Low Extrem Wounds. 24 (3), 515-517 (2025).
  12. Ninkov, A., Frank, J. R., Maggio, L. A. Bibliometrics: Methods for studying academic publishing. Perspect Med Educ. 11 (3), 173-176 (2022).
  13. Zhao, Y., Chen, G. Y., Fang, M. Research trends of rheumatoid arthritis and depression from 2019 to 2023: A bibliometric analysis. J Multidiscip Healthc. 17, 4465-4474 (2024).
  14. Chen, G., Yan, Z., Wang, Y., Tao, Q. Rheumatoid arthritis and fibromyalgia syndrome: A bibliometric and bioinformatics perspective on comorbidity research. J Multidiscip Healthc. 18, 6811-6827 (2025).
  15. Wang, Y., et al. Research trends and hotspots in JAK inhibitors for ulcerative colitis: A bibliometric analysis from 2015 to 2024. J Multidiscip Healthc. 18, 6755-6771 (2025).
  16. Paller, A. S., Spergel, J. M., Mina-Osorio, P., Irvine, A. D. The atopic march and atopic multimorbidity: Many trajectories, many pathways. J Allergy Clin Immunol. 143 (1), 46-55 (2019).
  17. Tsang, M. S., Sun, X., Wong, C. K. The role of new IL-1 family members (IL-36 and IL-38) in atopic dermatitis, allergic asthma, and allergic rhinitis. Curr Allergy Asthma Rep. , (2020).
  18. Kilanowski, A., et al. Allergic disease trajectories up to adolescence: Characteristics, early-life, and genetic determinants. Allergy. 78 (3), 836-850 (2023).
  19. Kim, H. S., Kim, K., Rhee, E. H., Kim, W. K., Song, D. J., et al. Atmospheric environment and persistence of pediatric asthma: A population-based cohort study. Asian Pac J Allergy Immunol. 43 (2), 281-289 (2025).
  20. Song, K. B., Kim, J. H., Choi, E. J., Lee, S. W., Kim, J. T., et al. Pet ownership increases the exhaled nitric oxide and asthma severity in children with atopic asthma. Allergy Asthma Immunol Res. 17 (3), 394-404 (2025).
  21. Sato, T., et al. Skin surface biomarkers are associated with future development of atopic dermatitis in children with family history of allergic disease. Skin Res Technol. 29 (10), e13470 (2023).
  22. Kan, L. L., et al. Deciphering the interplay between the epithelial barrier, immune cells, and metabolic mediators in allergic disease. Int J Mol Sci. 25 (13), 6913 (2024).
  23. Ogulur, I., et al. Type 2 immunity in allergic diseases. Cell Mol Immunol. 22 (3), 211-242 (2025).
  24. Hsu, U. H., Chiang, B. L. γδ T cells and allergic diseases. Clin Rev Allergy Immunol. 65 (2), 172-182 (2023).
  25. Gao, Y. D., et al. The evolution, immunopathogenesis and biomarkers of type 2 inflammation in common allergic disorders. Allergy. 80 (7), 1848-1877 (2025).
  26. Yang, G., et al. Skin barrier abnormalities and immune dysfunction in atopic dermatitis. Int J Mol Sci. 21 (8), 2867 (2020).
  27. Carr, S., Pratt, R., White, F., Watson, W. Atopic dermatitis. Allergy Asthma Clin Immunol. 20 (Suppl 3), 63 (2024).
  28. Tang, X. F., et al. Genetic variant rs4982958 at 14q11.2 is associated with allergic rhinitis in a Chinese Han population. J Investig Allergol Clin Immunol. 22 (1), 55-62 (2012).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

相关文章