Google Trends in Dermatology: Scoping Review of the Literature
Notice bibliographique
Résumé
BACKGROUND: Google Trends is a powerful online database and analytics tool of popular Google search queries over time and has the potential to inform medical practice and priorities. OBJECTIVE: This review aimed to survey Google Trends literature in dermatology and elucidate its current roles and relationships with the field. METHODS: A literature search was performed using PubMed to access and review relevant dermatology-related Google Trends studies published within the last 5 years. RESULTS: Current research utilizing Google Trends data provides insight related to skin cancer, pruritus, cosmetic procedures, and COVID-19. We also found that dermatology is presently the highest-searched medical specialty-among 15 medical and surgical specialties as well as general practitioners. Google searches related to dermatology demonstrate a seasonal nature for various skin conditions and sun-related topics, depending on a region's inherent climate and hemi-sphere. In addition, celebrity social media and other viral posts have been found to potentiate Google searches about dermatology and drive public interest. CONCLUSIONS: A limited number of relevant studies may have been omitted by the simplified search strategy of this study, as well as by restriction to English language articles and articles indexed in the PubMed database. This could be expanded upon in a secondary systematic review. Future re-search is warranted to better understand how Google Trends can be utilized to improve the quality of clinic visits, drive public health campaigns, and detect disease clusters in real time.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,061 | 0,044 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».