Global Landscape of Cardiovascular Research: A Continental Bibliometric Analysis Standardized by Population and Physician Density
Notice bibliographique
Résumé
Abstract Background Cardiovascular diseases (CVDs) remain the leading cause of global mortality. Despite rising research output, geographic disparities persist in the production and dissemination of scientific knowledge. Objectives To evaluate cardiovascular research productivity across world regions by normalizing publication output to population size and physician density, and to quantify disparities using Z-scores. Methods A comprehensive bibliometric analysis was conducted using Medline/PubMed to identify CVD-related publications across all 193 UN-recognized countries. Data were standardized using 2025 population estimates and WHO-reported physician density. Two standardized metrics were computed : publications per million population and publications per physician density. Z-scores were calculated to assess research productivity relative to global means. Results A total of 474,599 CVD publications were identified. Europe led in absolute volume (34.2%), followed by the Americas (30.7%) and Asia (25.8%). When adjusted per population density, Oceania (428.6), North America (336.7), and Western Europe (268.1) ranked highest. In contrast, Asia (15,917.3) and Sub-Saharan Africa (10,209.2) demonstrated the highest efficiency when adjusted for physician density. Z-score analysis revealed that Oceania (Z = +1.80), North America (Z = +1.25), and Western Europe (Z = +0.83) outperformed other regions in per capita productivity. However, when adjusted for physician density, Asia (Z = +2.18) and Sub-Saharan Africa (Z = +1.17) emerged as unexpectedly efficient despite limited workforce capacity. At the national level, Canada (Z = +2.44) and Japan (Z = +1.37) excelled per capita, while the United States (Z = +2.72) and Japan (Z = +1.83) led in physician-adjusted output. Conclusion Major geographic disparities exist in cardiovascular research output. Standardization by population and physician densities reveals high-efficiency zones in lowerresource settings, challenging assumptions about global scientific productivity. Strategic investment in underrepresented regions is essential to foster equitable knowledge generation and strengthen global cardiovascular health.
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 | 0,009 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,072 | 0,128 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».