The Application of Angiotensin Receptor Neprilysin Inhibitor in Cardiovascular Diseases: A Bibliometric Review From 2000 to 2022
Notice bibliographique
Résumé
Cardiovascular disease (CVD) has become a huge challenge for the global public health system due to its high morbidity, mortality and severe economic burden. In recent years, angiotensin receptor neprilysin inhibitor (ARNI), a new class of drugs, has shown good therapeutic effects on CVD patients in several clinical studies, reducing the morbidity and mortality of CVD patients. In this study, we retrieved publications on ARNI research in the cardiovascular field from the Web of Science core collection and analyzed the annual output, spatial and temporal distribution, institutions and authors, core journals, keywords and co-cited literature based on CiteSpace. As a result, 604 publications were retrieved, and the number of annual publications generally increased year by year, with the largest number of articles. The analysis of the co-occurrence of output countries and authors showed that a few developed countries such as the United States, Canada, and United Kingdom are the most active in this field, forming academic groups represented by John Joseph Valentine McMurray and Scott D. Solomon, and New England Journal of Medicine, Cirulation, and Journal of the American College of Cardiology are the most popular journals in the field, with research hotspots focused on ARNI in the treatment of total ejection fraction heart failure, hypertension and its target organ damage, with the potential for future benefit throughout the cardiovascular event chain as research progresses. This study reveals the prospective application of ARNI in the cardiovascular field and the research hotspots, providing broader and deeper guidance for its use in the clinic, which is beneficial to improve the treatment and prognosis of CVD patients.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,005 |
| Bibliométrie | 0,015 | 0,053 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».