Research landscape analysis on dual diagnosis of substance use and mental health disorders: key contributors, research hotspots, and emerging research topics
Notice bibliographique
Résumé
BACKGROUND: Substance use disorders (SUDs) and mental health disorders (MHDs) are significant public health challenges with far-reaching consequences on individuals and society. Dual diagnosis, the coexistence of SUDs and MHDs, poses unique complexities and impacts treatment outcomes. A research landscape analysis was conducted to explore the growth, active countries, and active journals in this field, identify research hotspots, and emerging research topics. METHOD: A systematic research landscape analysis was conducted using Scopus to retrieve articles on dual diagnosis of SUDs and MHDs. Inclusion and exclusion criteria were applied to focus on research articles published in English up to December 2022. Data were processed and mapped using VOSviewer to visualize research trends. RESULTS: A total of 935 research articles were found. The number of research articles on has been increasing steadily since the mid-1990s, with a peak of publications between 2003 and 2012, followed by a fluctuating steady state from 2013 to 2022. The United States contributed the most articles (62.5%), followed by Canada (9.4%). The Journal of Dual Diagnosis, Journal of Substance Abuse Treatment, and Mental Health and Substance Use Dual Diagnosis were the top active journals in the field. Key research hotspots include the comorbidity of SUDs and MHDs, treatment interventions, quality of life and functioning, epidemiology, and the implications of comorbidity. Emerging research topics include neurobiological and psychosocial aspects, environmental and sociocultural factors, innovative interventions, special populations, and public health implications. CONCLUSIONS: The research landscape analysis provides valuable insights into dual diagnosis research trends, active countries, journals, and emerging topics. Integrated approaches, evidence-based interventions, and targeted policies are crucial for addressing the complex interplay between substance use and mental health disorders and improving patient outcomes.
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 | 0,025 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,103 | 0,117 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».