Smartphone use in Neurology: a bibliometric analysis and visualization of things to come
Notice bibliographique
Résumé
Background and objectives: Smartphones are a ubiquitous part of society with increasing use as a healthcare tool. We aimed to analyze the published literature on smartphone usage within the field of Neurology to define the scientific landscape and forecast future research initiatives. Methods: We performed a bibliometric review of smartphone uses in Neurology based on a search of two Web of Science databases from inception through September 16, 2022. This librarian-guided review was conducted using Bibliometrix for data assessment and visualization. Temporal trends in publications, citation counts, collaborations, and author affiliations were among key metrics evaluated. VOS viewer identified hot spots based on generating co-occurrences and bibliographic coupling mapping. Results: were the most cited journals. Rapid growth in scientific production occurred in recent years, including during the COVID-19 pandemic. Hotspots and keyword co-occurrence included telehealth, machine learning, and self-management. Temporal trends reflect transitioning from a focus of initial publications regarding mobile phone safety to more recent application of smartphones as "smart" tools for single modality diagnosis, monitoring, management, and treatment of neurological diseases. Discussion: There has been rapid expansion of the published literature on smartphone uses in Neurology. Initial focus on smartphones and health risk has shifted to uses for neurological disease diagnosis, detection, and management, with relevance as a global interface for collaboration and clinical practice.
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 | 0,013 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,192 | 0,208 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 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 ».