Modeling the Research Landscapes of Artificial Intelligence Applications in Diabetes (GAPRESEARCH)
Notice bibliographique
Résumé
The rising prevalence and global burden of diabetes fortify the need for more comprehensive and effective management to prevent, monitor, and treat diabetes and its complications. Applying artificial intelligence in complimenting the diagnosis, management, and prediction of the diabetes trajectory has been increasingly common over the years. This study aims to illustrate an inclusive landscape of application of artificial intelligence in diabetes through a bibliographic analysis and offers future direction for research. Bibliometrics analysis was combined with exploratory factor analysis and latent Dirichlet allocation to uncover emergent research domains and topics related to artificial intelligence and diabetes. Data were extracted from the Web of Science Core Collection database. The results showed a rising trend in the number of papers and citations concerning AI applications in diabetes, especially since 2010. The nucleus driving the research and development of AI in diabetes is centered around developed countries, mainly consisting of the United States, which contributed 44.1% of the publications. Our analyses uncovered the top five emerging research domains to be: (i) use of artificial intelligence in diagnosis of diabetes, (ii) risk assessment of diabetes and its complications, (iii) role of artificial intelligence in novel treatments and monitoring in diabetes, (iv) application of telehealth and wearable technology in the daily management of diabetes, and (v) robotic surgical outcomes with diabetes as a comorbid. Despite the benefits of artificial intelligence, challenges with system accuracy, validity, and confidentiality breach will need to be tackled before being widely applied for patients' benefits.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».