Bibliometric Analysis of Research on Exercise Intervention for Cancer-Related Cognitive Impairments
Notice bibliographique
Résumé
Introduction: Cancer treatments frequently lead to cognitive impairments, affecting a substantial global population. Among various approaches, exercise has emerged as a promising strategy for rehabilitation. However, a comprehensive bibliometric analysis of research in this field is lacking. Methods: We conducted a bibliometric analysis of 10,345 articles sourced from the Web of Science database using the R package “bibliometrix”. Our analysis examined publication trends, leading countries, journals, authors, institutions, keywords, and prevalent themes. Results: Over the past two decades, research on exercise interventions for cancer-related cognitive impairments (CRCI) has advanced significantly. Nonetheless, challenges persist in elucidating underlying mechanisms, developing innovative strategies, and creating effective tools. Conclusions: The number of publications notably increased from 1998 to 2023, although there has been a recent decline in citations. The United States (US) leads in both publications and citations, while China is showing increasing influence. Using Lotka’s Law in our bibliometric analysis, we identified 58 key authors in the field of exercise interventions for CRCI. Leading institutions such as the University of Toronto and Duke University are at the forefront of this research. Although the Journal of Clinical Oncology has fewer publications, it remains influential. Current research focuses on exercise interventions to enhance the quality of life for cancer patients, with particular emphasis on cognitive rehabilitation in breast cancer and the challenges faced by survivors. Future research should delve deeper into intervention mechanisms, behavioral strategies, telemedicine, and precise cognitive assessment tools.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,100 | 0,176 |
| 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 | 0,000 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».