Data Privacy in Medical Informatics and Electronic Health Records: A Bibliometric Analysis
Notice bibliographique
Résumé
This study aims to evaluate scientific publications on "Medical Informatics" and "Data Privacy" using a bibliometric approach to identify research trends, the most studied topics, and the countries and institutions with the highest publication output. The search was carried out utilizing the WoS Clarivate Analytics tool across SCIE journals. Subsequently, text mining, keyword clustering, and data visualization were applied through the use of VOSviewer and Tableau Desktop software. Between 1975 and 2023, a total of 7,165 articles were published on the topic of data privacy. The number of articles has been increasing each year. The text mining and clustering analysis identified eight main clusters in the literature: (1) Mobile Health/Telemedicine/IOT, (2) Security/Encryption/Authentication, (3) Big Data/AI/Data Science, (4) Anonymization/Digital Phenotyping, (5) Genomics/Biobank, (6) Ethics, (7) Legal Issues, (8) Cloud Computing. On a country basis, the United States was identified as the most active country in this field, producing the most publications and receiving the highest number of citations. China, the United Kingdom, Canada, and Australia also emerged as significant countries. Among these clusters, "Mobile Health/Telemedicine/IOT," "Security/Encryption/Authentication," and "Cloud Computing" technologies stood out as the most prominent and extensively studied topics in the intersection of medical informatics and data privacy.
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 | 0,015 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,188 | 0,272 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,006 |
| 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 ».