Mapping Emerging Scientific Trends in Chronic Skin Disorders Using Machine Learning-Based Bibliometrics
Notice bibliographique
Résumé
Chronic dermatologic diseases are characterized by pathophysiologic complexity and the existence of many unmet patient management needs that can contribute to treatment failure, with poor adherence being a major issue. This study aims to identify key topics in this field, using the Web of Science database. To perform this analysis, tools such as VOSviewer, Bibliometrix, and Excel were used. A Python script leveraging machine learning algorithms was developed to standardize terminology. The initial search yielded 35,373 documents, which were then refined to 12,952 publications spanning 1975 to 2024 through parameter optimization. The study found an increasing interest in this research domain, with a notable surge in 2019. The analysis identified the United States, Germany, and England as the most prolific countries in terms of scientific output. Canada ranked sixth in total document production, but its documents received the highest average citations, reflecting a significant impact. Normalization analysis revealed Italy as the most specialized country in chronic skin disease research relative to total national research output. Trend analysis revealed an evolution in research topics, particularly after 2020, with a growing focus on personalized treatment methods and long-term treatment outcomes. The study highlighted international collaboration, especially among countries with cultural or regional connections, such as those within the European Union. It underscores the growing need for continuous updates and the increasing global focus on chronic skin diseases, highlighting the critical role of staying current with emerging trends to drive advancements in treatment and patient care.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,016 | 0,018 |
| 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 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».