Mapping global research on artificial intelligence in physical therapy: a bibliometric analysis from 1990 to 2023
Notice bibliographique
Résumé
Background The application of artificial intelligence (AI) in physical therapy has garnered increasing interest in recent years.Objectives We aimed to explore the current state of research on AI applications in physical therapy using bibliometric methods.Methods A comprehensive literature search was conducted in Scopus (1990–2023). Two independent reviewers assessed titles, abstracts, and full documents. Inclusion criteria consisted of documents addressing AI applicability in physical therapy. Bibliometric analysis was conducted using VOSviewer and the R package Bibliometrix.Results A total of 805 studies were retrieved. After applying exclusion criteria and screening, 460 documents published across 317 journals were included, showing an annual growth rate of 16.7%. The average document age was 5.1 years. Contributions came from 1974 authors, with the University of Toronto being the most prolific institution. Research originated from 65 countries, led by the USA, followed by China, India, Germany, and Canada. Key themes included ‘machine learning’, ‘rehabilitation’, ‘physiotherapy’, ‘artificial intelligence’, ‘physical therapy’, and ‘deep learning’.Conclusion The number of publications on AI in physical therapy has grown significantly. Despite this, there is a notable gap in international collaboration, with research primarily centred in high- and upper-middle-income countries. Findings provide valuable insights into underexplored topics representing potential areas.
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 | 0,032 | 0,129 |
| 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 | 0,001 |
| 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 ».