Robotic surgery in obstetrics and gynecology: a bibliometric study
Notice bibliographique
Résumé
We aimed to identify the trends and patterns of robotic surgery research in obstetrics and gynecology since its implementation. We used data from Clarivate's Web of Science platform to identify all articles published on robotic surgery in obstetrics and gynecology. A total of 838 publications were included in the analysis. Of these, 485 (57.9%) were from North America and 281 (26.0%) from Europe. 788 (94.0%) articles originated in high-income countries and none from low-income countries. The number of publications per year reached a peak of 69 articles in 2014. The subject of 344 (41.1%) of articles was gynecologic oncology, followed by benign gynecology (n = 176, 21.0%) and urogynecology (n = 156, 18.6%). Articles discussing gynecologic oncology had lower representation in low- and middle-income countries (LMIC) (32.0% vs. 41.6%, p < 0.001) compared with high income countries. After 2015 there has been a higher representation of publications from Asia (19.7% vs. 7.7%) and from LMIC (8.4% vs. 2.6%), compared to the preceding years. In a multivariable regression analysis, journal's impact factor [aOR 95% CI 1.30 (1.16-1.41)], gynecologic oncology subject [aOR 95% CI 1.73 (1.06-2.81)] and randomized controlled trials [aOR 95% CI 3.67 (1.47-9.16)] were associated with higher number of citations per year. In conclusion, robotic surgery research in obstetrics & gynecology is dominated by research in gynecologic oncology and reached a peak nearly a decade ago. The disparity in the quantity and quality of robotic research between high income countries and LMIC raises concerns regarding the access of the latter to high quality healthcare resources such as robotic surgery.
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 | 0,011 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,105 | 0,157 |
| 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 | 0,001 |
| 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 ».