Application of Machine Learning and Emerging Health Technologies in the Uptake of HIV Testing: Bibliometric Analysis of Studies Published From 2000 to 2024
Notice bibliographique
Résumé
Background: The global targets for HIV testing for achieving the Joint United Nations Programme on HIV/AIDS (UNAIDS) 95-95-95 targets are still short. Identifying gaps and opportunities for HIV testing uptake is crucial in fast-tracking the second (initiate people living with HIV on antiretroviral therapy) and third (viral suppression) UNAIDS goals. Machine learning and health technologies can precisely predict high-risk individuals and facilitate more effective and efficient HIV testing methods. Despite this advancement, there exists a research gap regarding the extent to which such technologies are integrated into HIV testing strategies worldwide. Objective: The study aimed to examine the characteristics, citation patterns, and contents of published studies applying machine learning and emerging health technologies in HIV testing from 2000 to 2024. Methods: This bibliometric analysis identified relevant studies using machine learning and emerging health technologies in HIV testing from the Web of Science database using synonymous keywords. The Bibliometrix R package was used to analyze the characteristics, citation patterns, and contents of 266 articles. The VOSviewer software was used to conduct network visualization. The analysis focused on the yearly growth rate, citation analysis, keywords, institutions, countries, authorship, and collaboration patterns. Key themes and topics were driven by the authors' most frequent keywords, which aided the content analysis. Results: The analysis revealed a scientific annual growth rate of 15.68%, with an international coauthorship of 8.22% and an average citation count of 17.47 per document. The most relevant sources were from high-impact journals such as the Journal of Internet Medicine Research, JMIR mHealth and uHealth, JMIR Research Protocols, mHealth, AIDS Care-Psychological and Socio-Medical Aspects of AI, and BMC Public Health, and PLOS One. The United States of America, China, South Africa, the United Kingdom, and Australia produced the highest number of contributions. Collaboration analysis showed significant networks among universities in high-income countries, including the University of North Carolina, Emory University, the University of Michigan, San Diego State University, the University of Pennsylvania, and the London School of Hygiene and Tropical Medicine. The discrepancy highlights missed opportunities in strategic partnerships between high-income and low-income countries. The results further demonstrate that machine learning and health technologies enhance the effective and efficient implementation of innovative HIV testing methods, including HIV self-testing among priority populations. Conclusions: This study identifies trends and hotspots of machine learning and health technology research in relation to HIV testing across various countries, institutions, journals, and authors. The trends are higher in high-income countries with a greater focus on technology applications for HIV self-testing among young people and priority populations. These insights will inform future researchers about the dynamics of research outputs and help them make scholarly decisions to address research gaps in this field.
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 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,168 | 0,221 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».