Bibliometric analysis of multimodal analgesia research in the perioperative period: trends, contributions, and emerging areas (2013–2023)
Notice bibliographique
Résumé
Objectives: Multimodal analgesia (MA) is a cornerstone in perioperative pain management, enhancing pain relief and minimizing opioid consumption by targeting various pain pathways. This study conducts a bibliometric analysis of MA research from 2013 to 2023 to understand its development and impact on perioperative care. Methods: A comprehensive literature search of the Web of Science Core Collection (WOSCC) was conducted, covering publications from January 2013 to December 2023. Data were analyzed using VOSviewer and other bibliometric tools to identify publication trends, key contributors, and emerging research themes. Results: The analysis identified 1,939 studies on MA, with a notable increase in annual publications since 2020. The USA, China, and Canada were the leading contributors. Key terms like Non-Steroidal Anti-Inflammatory Drugs (NSAIDs), Enhanced Recovery After Surgery (ERAS), and Patient-Controlled Analgesia (PCA) were frequently associated with MA. Significant journals included the Cureus Journal of Medical Science and Anesthesia and Analgesia. Influential authors such as Richard D. Urman and Henrik Kehlet were highlighted for their contributions. The research showed significant advancements and growing global interest in MA. Conclusion: The study underscores the growing importance of MA in perioperative pain management, with significant contributions from leading countries and researchers. Future research should focus on optimizing pain management protocols, enhancing patient recovery, and reducing opioid dependency through MA.
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 | 0,012 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,179 | 0,238 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».