Research trends and hot spots in the prevention and management of radiation dermatitis: a bibliometric analysis based on CiteSpace
Notice bibliographique
Résumé
OBJECTIVE: This study sought to examine the current state and explore the key areas and emerging trends in radiation dermatitis prevention and management through bibliometric analysis, with the goal of providing valuable insights for future research endeavors. METHODS: This study analyzed all publications on radiation dermatitis prevention and management from the Web of Science (WOS) core database up to 2024. The CiteSpace software was utilized to visualize authors, countries/regions, publishing institutions, keywords, co-cited documents, hot spots, and research frontiers. RESULTS: A total of 459 articles (1995-2024) were identified, with the overall number of publications demonstrating an increasing trend. The United States (125) produced the highest number of publications, followed by China (73) and Canada (45). Key research topics encompass breast cancer, head and neck cancer, acute radiation dermatitis, and radiation recall dermatitis. Double-blind clinical trials constitute the primary research methodology. The main research areas in this field focus on the role of radiotherapy dose fractionation modalities, atmospheric pressure cold plasma, hyperbaric oxygen therapy (HBOT), aloe vera, biomodulation therapy, and biological dressings in the prevention and management of radiation dermatitis. CONCLUSION: This comprehensive bibliometric analysis reveals that risk prediction, assessment tools, and the efficacy of radiodermatitis are prominent research topics in the field. These areas are currently experiencing rapid growth and warrant further attention from researchers.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,064 | 0,080 |
| 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 ».