Descriptive and Predictive Analysis of Artificial Intelligence Research and Innovation in Health
Notice bibliographique
Résumé
Objectives: The aim of this study is to assess the research and innovation status of artificial intelligence (AI) in health sciences with a special focus on different application areas in health sciences and start-ups companies. Materials and Methods:Here in, two different datasets were used for analysis.The Web of Science database was analyzed to examine the scientific and technological knowledge production of AI technology in the health sector in general and in predetermined application areas.Secondly, the database of the technological investment portal dealroom.co,which includes innovative start-up organizations that produce AI-based solutions in the field of digital therapeutics and healthtech, was investigated.Results: In terms of contribution to AI-related literature, the USA and China lead in AI-focused publications, while Germany (22.2%) and the USA (21%) have the most health-specific coverage.Italy, Canada and the England follow these countries respectively (13.8%).Türkiye's rate was found to be 10.1%.On the other hand, the United Kingdom (n=24) and Israel (n=21) stand out in terms of AI-powered start-ups in the health sector.Türkiye stands in the top ten countries distributing to AI-powered health science research but has no companies in the same field.Conclusion: AI in healthcare is on the rise, driven by increased research and applications, especially during the coronavirus disease-2019 pandemic.Some health subtopics remain underexplored, but start-ups are making promising strides.Wider AI adoption in healthcare is expected as financial and regulatory challenges are addressed.
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 | 0,015 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,015 | 0,024 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 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) | 0,005 | 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 ».