Exploring the Shift in International Trends in Mobile Health Research From 2000 to 2020: Bibliometric Analysis (Preprint)
Notice bibliographique
Résumé
BACKGROUND Smartphones have become an integral part of our lives with unprecedented popularity and a diverse selection of apps. The continuous upgrading of information technology has also enabled smartphones to display great potential in the field of health care. OBJECTIVE We aimed to determine the future research direction of mobile health (mHealth) by analyzing its research trends and latest research hotspots. METHODS This study collected mHealth-related literature published between 2000 and 2020 from the Web of Science database. Descriptive statistics of publication trends of mHealth research were determined by analyzing the annual number of publications in the literature and annual number of publications by country. We constructed visualization network maps of country (or regional) collaborations and author-provided keyword co-occurrences, as well as overlay visualization maps of the average publication year of author-provided keywords to analyze the hotspots and research trends in mHealth research. RESULTS In total, 12,593 mHealth-related research papers published between 2000 and 2020 were found. The results showed an exponential growth trend in the number of annual publications in mHealth literature. JMIR mHealth and uHealth, the Journal of Medical Internet Research, and JMIR Research Protocols were the 3 top journals with respect to number of publications. The United States remained the leading contributor to the literature in this area (5294/12,593, 42.0%), well ahead of other countries and regions. Other countries and regions also showed a clear trend of annual increases in the number of mHealth publications. The 4 countries with the largest number of publications—the United States, the United Kingdom, Canada, and Australia—were found to cooperate more closely. The rest of the countries and regions showed a clear geographic pattern of cooperation. The keyword co-occurrence analysis of the top 100 authors demonstrated 5 clusters, namely, development of mHealth medical technology and its application to various diseases, use of mHealth technology to improve basic public health and health policy, mHealth self-health testing and management in daily life, adolescent use of mHealth, and mHealth in mental health. The research trends revealed a gradual shift in mHealth research from health policy and improving public health care to the development and social application of mHealth technologies. CONCLUSIONS To the best of our knowledge, the most current bibliometric analysis dates back to 2016. However, the number of mHealth research published between 2017 and 2020 exceeds the previous total. The results of this study shed light on the latest hotspots and trends in mHealth research. These findings provide a useful overview of the development of the field; they may also serve as a valuable reference and provide guidance for researchers in the digital health field.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | high |
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 | 0,006 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,100 | 0,201 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».