Temporal Trends in the United States Patent Landscape: Innovation in Cardiology Across Industry and Academia
Notice bibliographique
Résumé
Background: Novel approaches to diagnostics and therapeutics in medical care reflect the scientific community's evolving understanding of disease states and their clinical implications. Marketable and valuable innovations are generally patented for protection of intellectual property. Here, we explore the landscape of cardiology-related patents in the United States. Methods: All United States patents granted between 2005 and 2020 were included in this study. Keywords filtering was used to identify patents related to cardiovascular medicine. Statistical inference was conducted with the Mann-Kendall trend and analysis of variance tests. The results in this report are entirely reproducible with Python and R scripts available in a publicly accessible repository. Results: Of the 4,453,733 patents issued by the USPTO between 2005 and 2020, 31,048 (0.7%) were identified as cardiology-related patents. We identified the top 10 institutions within the for-profit and not-for-profit categories that were assigned the most cardiology-related patents in this time period. Distributions of number of patents per inventor were heavily right-skewed, with a small number of inventors responsible for a large number of patents each. Patents in the cardiac imaging subgroup took the longest to gain approval after submission (median delay: 3.6 years). Conclusions: By studying the patent universe, we are able to identify underexplored areas within cardiovascular medicine. Obstacles such as long delays between patent application and approval can hamper innovation within a field. As a next step, we aim to use these results to predict the next area within cardiovascular medicine to undergo explosive research and innovation.
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 | 0,068 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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 | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».