Retrospective review of Google Trends to gauge the popularity of global surgery worldwide: A cross-sectional study
Notice bibliographique
Résumé
INTRODUCTION: Global surgery is a growing movement worldwide, but its expansion has not been quantified. Google Search is the most popular search engine worldwide, and Google Trends analyzes its queries to determine popularity trends. We used Google Trends to analyze the regional and temporal popularity of global surgery (GS). Furthermore, we compared GS with global health (GH) to understand if the two were correlated. METHODS: This is a retrospective cross-sectional study examining Google Trends of GS and GH. We searched the terms "global surgery" and "global health" on Google Trends (Google Inc., CA, USA) from January 2004 to May 2021. We identified time trends and compared the two search terms using SPSS v26 (IBM, WA, USA) to run summary descriptive analyses and Wilcoxon rank-sum tests. RESULTS: The ten countries most interested in GS were India (5.0%), the United Kingdom (5.0%), Ireland (4.0%), the United States (4.0%), Australia (3.0%), Canada (3.0%), New Zealand (3.0%), Germany (2.0%), South Africa (2.0%), and Nigeria (1.0%). GS became more popular after 2015 (2.3% vs. 1.3%, P < 0.001) and was consistently less popular than GH (1.6% vs. 45.3%, P = 0.04). The difference between GS and GH interest levels increased after 2015 (45.4% vs. 42.9%, P = 0.04). CONCLUSION: GS is less popular than GH, more popular in high-income countries, and has become more popular after 2015 when the Lancet Commission on Global Surgery published its seminal report. The World Health Organization passed resolution WHA 68.15. Future advocacy efforts should target low- and middle-income countries primarily.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 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 ».