Artificial Intelligence and Medicine 2014-2024: Bibliometric Analysis and Global Impacts
Notice bibliographique
Résumé
Artificial intelligence (AI) has radically transformed the field of medicine in the last decade, with a significant increase in academic publications. Based on 1783 English-language articles analyzed with Biblioshiny and VOSviewer tools, the findings highlight an annual growth rate of 30.38% and a significant increase from 2018 onwards. Each article received an average of 17.54 citations. The studies had contributions from 11678 authors and an international collaboration rate of 29%. There were single-author (118) and single-country (129) articles. Prominent contributing authors include Forestiero A, Mazzuca D and Zinno F. Harvard Medical School (104 papers) and the University of Toronto (83 papers) have played important roles in the advancement of AI applications in medicine. The USA stands out with both publication volume (3241 articles) and number of citations (9176). Journals such as Journal of Medical Internet Research (26 articles) and Frontiers in Medicine (25 articles) stand out as the leading publication venues in the field. The most cited articles were published in journals such as Jama, Radiology and Nature. This study highlights the wide-ranging applications of AI in areas such as machine learning, deep learning, natural language processing and computer vision, demonstrating its potential in medical imaging, genetic analysis and clinical decision support systems. Future research needs to focus on maintaining collaboration, increasing methodological rigor and finding solutions to emerging challenges.
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 | 0,011 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,091 | 0,177 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».