Trends of Repetitive Transcranial Magnetic Stimulation From 2009 to 2018: A Bibliometric Analysis
Notice bibliographique
Résumé
Repetitive transcranial magnetic stimulation (rTMS) technology, which is amongst the most used noninvasive brain stimulation techniques currently available, has developed rapidly from 2009 to 2018. However, reports on the trends of rTMS using bibliometric analysis are rare. The goal of the present bibliometric analysis is to analyse and visualise the trends of rTMS, including general (publication patterns) and emerging trends (research frontiers), over the last 10 years by using the visual analytic tool CiteSpace V. Publications related to rTMS from 2009 to 2018 were retrieved from the Web of Science (WoS) database, including 2986 peer-reviewed articles/reviews. Active authors, journals, institutions and countries were identified by WoS and visualised by CiteSpace V which could also detect burst changes to identify emerging trends. GraphPad Prism 8 was used to analyse the time trend of annual publication outputs. The USA ranked first in this field. Pascual-Leone A (author A), Fitzgerald PB (author B), George MS (author C), Lefaucheur JP (author D), and Fregni F (author E) made great contributions to this field of study. The most prolific institution to publish rTMS-related publications in the last decade was the University of Toronto. The journal Brain Stimulation published most papers. Lefaucheur et al.’s paper in 2014, and the keyword ‘noninvasive brain stimulation’ showed the strongest citation bursts by the end of 2018, which indicates increased attention to the underlying work, thereby indicating the research frontiers. This study reveals the publication patterns and emerging trends of rTMS based on the records published from 2009 to 2018. The insights obtained have reference values for the future research and application of rTMS.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,088 | 0,358 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».