Mapping the Scientific Landscape of Bacterial Influence on Oral Cancer: A Bibliometric Analysis of the Last Decade’s Medical Progress
Notice bibliographique
Résumé
The research domain investigating bacterial factors in the development of oral cancer from January 2013 to December 2022 was examined with a bibliometric analysis. A bibliometric analysis is a mathematical and statistical method used to examine extensive datasets. It assesses the connections between prolific authors, journals, institutions, and countries while also identifying commonly used keywords. A comprehensive search strategy identified 167 relevant articles, revealing a progressive increase in publications and citations over time. China and the United States were the leading countries in research productivity, while Harvard University and the University of Helsinki were prominent affiliations. Prolific authors such as Nezar Al-Hebshi, Tsute Chen, and Yaping Pan were identified. The analysis also highlights the contributions of different journals and identifies the top 10 most cited articles in the field, all of which focus primarily on molecular research. The article of the highest citation explored the role of a Fusobacterium nucleatum surface protein in tumor immune evasion. Other top-cited articles investigated the correlation between the oral bacteriome and cancer using 16S rRNA amplicon sequencing, showing microbial shifts associated with oral cancer development. The functional prediction analysis used by recent studies has further revealed an inflammatory bacteriome associated with carcinogenesis. Furthermore, a keyword analysis reveals four distinct research themes: cancer mechanisms, periodontitis and microbiome, inflammation and Fusobacterium, and risk factors. This analysis provides an objective assessment of the research landscape, offers valuable information, and serves as a resource for researchers to advance knowledge and collaboration in the search for the influence of bacteria on the prevention, diagnosis, and treatment of oral cancer.
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 | 0,009 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,131 | 0,199 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 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) | 0,002 | 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 ».