The evolution and mapping trends of mobile health (m-Health): a bibliometric analysis (1997–2023)
Notice bibliographique
Résumé
Background: Mobile health (m-Health) is widely acknowledged as a pivotal domain for improving global healthcare and driving its digital health transformation. Despite the vast amount of literature published in recent years, bibliometric studies on m-Health remain limited in scope and coverage. This study presents a comprehensive review of m-Health literature extracted from Scopus and PubMed databases, spanning the period from 1997 to 2023, including publications during the coronavirus disease 2019 (COVID-19) pandemic. Methods: The combined Scopus and PubMed databases were used in this study. The search formula for the literature retrieval used the most appropriate and relevant keywords to m-Health. The bibliometric data importation, extraction and analysis of authors, titles, publication date, publication place, publisher, volume number, issue number, citation count, document type, author keywords, affiliation were all carried out using the ‘Biblioshiny’, ‘EndNote X9®’, ‘Microsoft Excel®’ and ‘Microsoft Access®’ software tools. Duplicate records were manually identified and removed. Visualization maps illustrating the recurrent keywords, collaboration patterns, and prolific publishing countries were generated using ‘VOSviewer®’. Results: A total of 37,470 (20,703 from Scopus and 16,767 from PubMed) publications were selected for the literature analysis. The results provided the definitive literature evidence on the origin of the concept of m-Health in 2003. Significant increase in the publications followed the global surge of smart phones usage in 2007, and the emergence of m-Health applications (Apps) and their global markets and ecosystems. The number of the publications peaked between 2013 and 2022 with most citations in 2022. There was noticeable spike in m-Health literature during the COVID-19 pandemic. The results also showed that most of the highly cited publications, leading institutions, and most prolific authors were predominantly from the developed countries. The USA has the highest number of publications followed by the UK, Australia, Germany, Canada and China, with most of the prolific authors originating from these countries. Conclusions: In conclusion, while there has been a remarkable increase in global m-Health publications since 2003, most of the impactful literature and publications in this area originated from selected countries in the developed world. The study indicates a significant disparity between the published literature from developed compared to the developing countries. Addressing this disparity, further bibliographical studies are required to address these and other literature gaps.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | medium |
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 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,157 | 0,264 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».