MétaCan
Menu
Retour à la cohorte
Enregistrement W2995035149 · doi:10.3390/medicina55120785

Nanomedicine: Insights from a Bibliometrics-Based Analysis of Emerging Publishing and Research Trends

2019· review· en· W2995035149 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueMedicina · 2019
Typereview
Langueen
DomaineMedicine
ThématiqueHealth and Medical Research Impacts
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésNanomedicineBibliometricsMEDLINEMedicineNanotechnologyData scienceMedical physicsComputer scienceLibrary sciencePolitical scienceMaterials science

Résumé

récupéré en direct d'OpenAlex

Background and Objectives: Nanomedicine, a term coined by the American engineer Eric Drexler (1955) and Robert Freitas Jr. (1952) in the nineties, can be defined as a complex, multi-disciplinary branch of medicine, in which nano-technologies, molecular biotechnologies, and other nano-sciences are applied at every step of disease management, from diagnosis (nano-diagnostics) to treatment (nano-therapeutics), prognosis, and monitoring of biological parameters and biomarkers. Nanomedicine is a relatively young discipline, which is increasingly and exponentially growing, characterized by emerging ethical issues and implications. Nanomedicine has branched out in hundreds of different sub-fields. Materials and Methods: A bibliometrics-based analysis was applied mining the entire content of PubMed/MEDLINE, using “nanomedicine” as a Medical Subject Heading (MeSH) search term. Results: A sample of 6696 articles were extracted from PubMed/MEDLINE and analyzed. Articles had been published in the period from 2003 to 2019, showing an increasing trend throughout the time. Six thematic clusters emerged (first cluster: molecular methods; second cluster: molecular biology and nano-characterization; third cluster: nano-diagnostics and nano-theranostics; fourth cluster: clinical applications, in the sub-fields of nano-oncology, nano-immunology and nano-vaccinology; fifth cluster: clinical applications, in the sub-fields of nano-oncology and nano-infectiology; and sixth cluster: nanodrugs). The countries with the highest percentages of articles in the field of nanomedicine were the North America (38.3%) and Europe (35.1%). Conclusions: The present study showed that there is an increasing trend in publishing and performing research in the super-specialty of nanomedicine. Most productive countries were the USA and European countries, with China as an emerging region. Hot topics in the last years were nano-diagnostics and nano-theranostics and clinical applications in the sub-fields of nano-oncology and nano-infectiology.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,109
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Bibliométrie, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesBibliométrie
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,947
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,109
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0060,001
Bibliométrie0,0960,106
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,535
Tête enseignante GPT0,582
Écart entre enseignants0,047 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle