Infodemiology of autoimmune encephalitis: An analysis of online search behavior using Google Trends
Notice bibliographique
Résumé
Abstract BackgroundPatients and their caregivers, including clinicians and educators, use web-based search engines to access healthcare-related information from the internet. Online search behavior analysis has been used to obtain insights on health information demand.ObjectivesWe aimed to describe the online search behavior for autoimmune encephalitis worldwide over time through the analysis of search volumes made on Google.MethodsIn this infodemiological study, we retrieved search volume indices for the keyword “autoimmune encephalitis (disease)” based on worldwide search data from January 01, 2004 to October 31, 2021, using Google Trends. We performed a descriptive analysis of search volume patterns, including related topics and queries.ResultsThere was a progressive increase in search volume numbers over time for the keyword “autoimmune encephalitis (disease)” with no annual seasonal variation. Peak search volume was recorded in July 2018. The greatest search volume was recorded in Singapore, followed by Australia, the United States of America, the Philippines, and New Zealand. The most searched topics were related to autoimmune encephalitis definition, causes, symptoms, diagnosis, and treatment. All related topics and queries increased in volume by more than 5000-fold over time.ConclusionsThis study showed an uptrend in the online search interest on autoimmune encephalitis over time, which may reflect the increased awareness on the condition by the public and the medical community. Information on online health information-seeking behavior may be obtained from Google Trends data despite its limitations.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».