Global research trends on the links between primary health care and diabetes from 1980 to 2024: a machine learning-based science mapping
Notice bibliographique
Résumé
Purpose: A systematic and detailed examination of studies on diabetes can guide the evaluation of healthcare services, the identification of issues, and the implementation of preventive interventions. Therefore, this study aims to assess diabetes research in the primary health care (PHC) field using machine learning-based bibliometric methods. Materials and methods: In this study, articles related to diabetes in the PHC field were obtained from the Web of Science Core Collection on March 15, 2024. These articles were analyzed using bibliometric methods and the Latent Dirichlet Allocation (LDA) topic modeling technique. Results: The analysis of the studies revealed that 3.355 articles on diabetes in the PHC field were produced by researchers from 114 different countries, 4.226 institutions, and 12.426 individual researchers. Recent years have shown a growing interest in topics such as obesity, hypertension, chronic diseases, exercise, and physical activity within the PHC field. Topic modeling identified eight distinct latent topic clusters: (1) Diabetes management in PHC, (2) Risk factors and management of diabetes in PHC, (3) Acute and chronic complications of diabetes in PHC, (4) Gestational diabetes, (5) Prediabetes and Type 1 diabetes, (6) COVID-19 and diabetes, (7) Quality of life, awareness, and health education, (8) Current treatment methods and guideline resources. Conclusion: Primary Care Diabetes and Journal of Family Medicine and Primary Care are the leading journals in PHC-related diabetes research. The studies show a significant overlap between diabetes research and topics such as hypertension and obesity. Future studies in the PHC field are recommended to focus on diabetic retinopathy and diabetic wound research.
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 | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,039 | 0,081 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».