A bibliometric analysis of the current state and future directions of osteoporosis pharmacological treatment
Notice bibliographique
Résumé
Introduction: Osteoporosis is a major health threat, particularly with the aging population in China. Medication remains a cornerstone of management, and bibliometric analysis can provide insights into current research status and future directions. Methods: Relevant literature from the Science Citation Index Core Collection (2015-2024) was analyzed using bibliometric methods. Visual maps were generated with Citespace 6.3R3 and VOSviewer 1.6.19 to assess research trends and hotspots. Results: A total of 2,738 publications were included, showing a steady growth in research since 2015. The United States led in output, with the University of Toronto as the most productive institution. Brandi, Maria Luisa, and Kanis JA were the most influential authors, while Osteoporosis International and The Journal of Bone and Mineral Research were the most cited journals. Key themes included extracellular vesicles, romosozumab, bisphosphonates, and breast cancer, with recent attention on targeted drug delivery, treatment efficacy, and medication management. Emerging keywords from 2022 to 2023, such as exosomes, inflammation, and osteogenic differentiation, reflected advances in therapeutic mechanisms and clinical applications. Conclusion: Future research will likely emphasize targeted drug delivery, clinical efficacy and safety, and molecular targeted therapies, with the development of new anti-osteoporosis drugs remaining a key focus.
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 | 0,019 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,229 | 0,282 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 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) | 0,010 | 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 ».