Telemedicine in Arab Countries: Innovation, Research Trends, and Way Forward
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.
Notice bibliographique
Résumé
Background: The progress and innovation in telemedicine within the Middle Eastern countries have not been heavily monitored. Therefore, the present study aims to analyze the scholarly work conducted in the Arab world, using reproducible statistical and scientometric techniques. Methods: An electronic search of Web of Science (core database) had been conducted through use of an extensive search strategy comprising of keywords specific to the Arab region, EMRO countries, telehealth, medical conditions, and disorders. A total yield of 1,630 search results were processed, indexed through July 7, 2020. CiteSpace (5.7.R1, Drexel University, Pennsylvania, USA) is a Java-based application, a user-friendly tool for conducting scientometric analyses. Results: The present analyses found a lack of innovation in the field of digital health in the Arab countries. Many gaps in research were found in Arab countries, which will be discussed subsequently. Digital health research was clustered around themes of big data and artificial intelligence; a lack of progress was seen in telemedicine and digital health. Furthermore, only a small proportion of these publications had principal or corresponding authors from Arab countries. A clear disparity in digital health research in the Arab world was evident after comparing these insights with our previous investigation on telemedicine research in the global context. Conclusion: Telemedicine research is still in its infancy in the Middle Eastern countries. Recommendations include diversification of the research landscape and interdisciplinary collaborations in this area.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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) | 0,000 | 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 découle