A bibliometric analysis of multimorbidity from 2005 to 2019
Notice bibliographique
Résumé
CONTEXT: Multimorbidity is frequently seen in primary care. We aimed to identify and analyze publications on multimorbidity, including those that most influenced this field. METHOD: A bibliometric analysis of publications from 2005 to 2019 in the PubMed database containing "multimorbidity" or "multi-morbidity" identified with the tool iCite. We analyzed the number of publications, total citations, the article-level metric Relative Citation Ratio (RCR), type of study, and journals with the most cited articles. RESULTS: The number of publications using "multimorbidity" has continuously increased since 2005 (2005-2009: 138; 2010-2014: 823; 2015-2019: 3068). The median number of total citations per article was 3. The median RCR was 1.04. Articles with RCR at or above the 97th percentile (RCR = 7.43) were analyzed in detail (n = 104). In 34 publications of this subgroup (33%), the word multimorbidity was used but was not the subject of study. The remaining top 70 publications included 32 observational studies, 22 reviews, five guideline statements, three analysis papers, two randomized trials, three qualitative studies, two measurement development reports, and one conceptual framework development report. The publications were produced by authors from 32 countries. They were published in 37 different journals, ranging from one to four articles in the same journal. CONCLUSIONS: We found a continuous increase in the number of publications about multimorbidity since 2005. However, our study suggests that the numbers should be considered only a general trend because multimorbidity was not the main subject in 33% of publications in a subgroup of 104 analyzed in detail.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,025 | 0,063 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».