Trends in Ophthalmological Patents, 2005–2020
Notice bibliographique
Résumé
Purpose:Technological development drives the optimization of therapeutics in ophthalmology, but quantifiable and systematic review of such innovation is lacking. To fill this gap, we characterize trends in ophthalmology-related patents in the United States from 2005 to 2020. Methods:Publicly available patent data from the US Patent and Trademark Office was analyzed with the R programming language. Ophthalmology-related patents were identified with a keyword search of their titles and claims text. Temporal trends were assessed with the Mann–Kendall trend test (α = 0.05, two-sided). Results:Of 4.5 million collected patents, some 21,000 (0.5%) were ophthalmology related. The number of annually granted ophthalmology patents increased over time (Mann–Kendall test: z = 4.91; P < 0.001), from 619 patents released in 2005 to 2,019 patents in 2020. Patent counts also increased over time for all ophthalmic subspecialties except oculoplastics, with steepest rises in retina (z = 4.91; P < 0.001) and cornea (z = 4.64; P < 0.001). The most cited patents were in biocompatible intraocular implants and implantable controlled-release drug delivery systems, which underscores particular advancement in therapeutic efficacy and safety in devices used in the treatment and management of common yet debilitating eye conditions. Conclusion:This exploratory analysis reveals hotspots for ophthalmology-related innovation in the United States that may predict current and future growth trends in device development and pharmacologic advancement in ophthalmology, paving the way for more diverse and effective treatment options for preserving vision.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 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 ».