Research trends and global productivity on mechanical ventilation with the impact of COVID-19: a bibliometric analysis in the period 1980-2021
Notice bibliographique
Résumé
Aim: Although the number of global studies on mechanical ventilation (MV) therapy, which plays an important role in the life process of patients in the intensive care unit, has increased, there is still no bibliometric research on this subject in the literature. This study, it was aimed to determine trend topics and global productivity by holistically analyzing scientific articles on MV published between 1980 and 2021 using various statistical methods and bibliometric approaches. Material and Method: Articles on MV published between 1980 and 2021 were downloaded from the Web of Science (WoS) database and analyzed using various statistical methods. Spearman's correlation coefficient was used for correlation studies. Network visualization maps were used to identify the most effective studies with global collaborations, trend topics, and citation analysis. Results: The study, which was in the category of 5323 articles out of a total of 10135 publications, was analyzed. The first 3 countries that contributed the most to the literature were the USA (n=1740), France (448), and Canada (386). The most active author was Laurent Brochard (n=50). The top 3 most active institutions were Assistance Publique Hopitaux Paris (224), University of Toronto (216), and League of European Research Universities (169). The top 3 journals that published the most articles were Critical Care Medicine (289), Chest (204), and Intensive Care Medicine (166). Gross Domestic Product (GDP) was highly effective in article productivity (r=0.719, p
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 | 0,006 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,092 | 0,137 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».