Citation classics in neuro-oncology: assessment of historical trends and scientific progress
Notice bibliographique
Résumé
BACKGROUND: Citation classics represent the highest cited works in a field and are often regarded as the most influential literature. Analyzing thematic trends in citation classics across eras enables recognition of important historical advances within a field. We present the first analysis of the citation classics in neuro-oncology. METHODS: The Web of Science database was searched using terms relevant to "neuro-oncology." Articles with >400 citations were identified and the top 100 cited articles were evaluated. RESULTS: The top 100 neuro-oncology citation classics consisted of 43 clinical studies (17 retrospective, 10 prospective, 16 randomized trials), 43 laboratory investigations, 8 reviews/meta-analyses, and 6 guidelines/consensus statements. Articles were classified into 4 themes: 13 pertained to tumor classification, 37 to tumor pathogenesis/clinical presentation, 6 to imaging, 44 to therapy (15 chemotherapy, 10 radiotherapy, 5 surgery, 14 new agents). Gliomas were the most common tumor type examined, with 70 articles. There was a significant increase in the number of citation classics in the late 1990s, which was paralleled by an increase in studies examining tumor pathogenesis, chemotherapy, and new agents along with laboratory and randomized studies. CONCLUSIONS: The majority of citation classics in neuro-oncology are related to gliomas and pertain to tumor pathogenesis and treatment. The rise in citation classics in recent years investigating tumor biology, new treatment agents, and chemotherapeutics may reflect increasing scientific interest in nonsurgical treatments for CNS tumors and the need for fundamental investigations into disease processes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,035 | 0,036 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».