Knowledge mapping and visualization of current sarcopenia and cancer research: a bibliometric analysis
Notice bibliographique
Résumé
Abstract Background Cancer survivors face broad challenges in weight loss due to multiple factors. Sarcopenia prevalence among cancer survivors has a wide range and is associated with worse outcomes. Sarcopenia and cancer attract global attention. The use of bibliometrics analysis in this area of interest still needs to be identified. This study was performed to assess the global trends and patterns of sarcopenia and cancer-related scientific publications. Methods Web of Science (WOS) and articles indexed in Science Citation Index Expanded. VOS viewer (Leiden University, Leiden, Netherlands) and R-studio using bibliometrics and R package were used for quantitative analysis of the dataset (year of publications, number of publications, institutes, journals, total citations, H-index status, authors, hotspots of institutes, Keywords, research area, and funding sponsor. Results Our analysis extracted 384 publications from 172 journals written by 2525 authors from the Institute for Web of Science Core Collection database. Overall, 384 articles from the WOS database met the inclusion criteria. The number of published papers has risen since 2014. The results showed that Japan, China and the USA contributed the most to this field. Moreover, our results recognized future research trends and the current condition of sarcopenia and cancer research based on the top 10 most cited articles and the keyword analysis. Finally, the leading author's analysis demonstrated that Shen Xian from Wenzhou Medical University, China, Baracos and Vickie E from the University of Alberta, Switzerland, were the most productive, active, and influential authors. Conclusion Our study demonstrates a comprehensive and objective overview of the up-to-date status of sarcopenia and cancer research. These data would benefit scholars who need information on sarcopenia and cancer research. It would be a reference guide for researchers wanting to conduct additional studies related to the topic.
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 | 0,012 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,144 | 0,152 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».