Diagnostic Imaging in Disasters: A Bibliometric Analysis
Notice bibliographique
Résumé
OBJECTIVE: To investigate the role of diagnostic imaging in the clinical diagnosis, treatment, and follow-up management of patients in response to disasters. METHODS: A MEDLINE (OVID) search of original research articles identified 177 articles on this topic published since 2000. A bibliometric analysis was conducted on the top 100 articles ranked by average yearly citation. RESULTS: The most frequently studied disaster categories were disease outbreak (55 articles), armed conflict (23 articles), terrorist incident (10 articles), and earthquake (7 articles). The most studied disasters were the H1N1 influenza outbreak in 2009 (28 articles), Severe Acute Respiratory Syndrome outbreak in 2003 (24 articles), War in Afghanistan, 2001-2014 (8 articles), Iraq War, 2003-2011 (6 articles), and the Sichuan earthquake (China) in 2008 (6 articles). Among the first authors, 59 were primarily affiliated with Radiology. The United States of America produced the most articles (25 articles), followed by the People's Republic of China (24 articles). Eighty-one studies were retrospective, with 19 studies being prospective. Computed tomography was the most investigated modality (52.8%), followed by conventional radiography (33.3%) and ultrasound (9.7%). CONCLUSIONS: Our study identifies intellectual milestones in the utility of diagnostic imaging in response to various disasters, and could help guide future research in developing disaster management plans. (Disaster Med Public Health Preparedness. 2018;12:265-277).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,216 | 0,212 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».