Current Trends and Future Directions of Statistical Methods in Medical Research: A Scientometric Analysis
Notice bibliographique
Résumé
AIMS AND OBJECTIVE: The field of medical statistics has experienced significant advancements driven by integrating innovative statistical methodologies. This study aims to conduct a comprehensive analysis to explore current trends, influential research areas, and future directions in medical statistics. METHODS: This paper maps the evolution of statistical methods used in medical research based on 4,919 relevant publications retrieved from the Web of Science. High-frequency keywords and citation metrics were analyzed to identify research hotspots. A dual-map overlay and document co-citation analysis were performed using CiteSpace to uncover thematic clusters and track knowledge flow between disciplines. Additionally, network metrics, such as betweenness centrality and sigma, were employed to quantify the influence and novelty of publications. RESULTS: Results identified a strong interdisciplinary exchange between medical statistics and fields such as health, nursing, molecular biology, and computer science, with clinical trials, survival analysis, and predictive modeling emerging as central themes. The influence of artificial intelligence (AI), machine learning (ML), and deep learning (DL) is growing substantially, particularly in areas such as diagnostic imaging, epidemiology, and treatment prediction, highlighting a shift towards more complex, data-driven methodologies. While traditional statistical techniques, such as survival analysis and regression, remain vital, emerging technologies are reshaping research approaches, fostering collaboration, and advancing the field's capabilities. CONCLUSION: Future research will likely focus on overcoming challenges related to data privacy, ethical considerations, and the need for continued biostatistics education in healthcare. This study offers a roadmap for ongoing research and highlights opportunities for future interdisciplinary collaborations to address the complexities of modern medical data analysis. This scientometrics study reveals the evolution of statistical methods used in medical research over time, evaluates frequently cited models and thematic changes, and provides implications that can enhance evidence-based decision-making processes regarding methodological choices that guide contemporary clinical practice.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | BibliométrieMétarecherche Domaine: Méthodes · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
| gpt | BibliométrieMétarecherche Domaine: Méthodes · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
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 | 0,131 | 0,257 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,056 | 0,080 |
| Études des sciences et des technologies | 0,002 | 0,011 |
| Communication savante | 0,017 | 0,019 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».