Global trends and hotspots of the digital therapeutics in rehabilitation: A bibliometric analysis
Notice bibliographique
Résumé
Background: Digital therapeutics (DTx) are emerging as a dynamic field at the intersection of healthcare and technology, utilising software-driven interventions to prevent, manage, or treat medical conditions. Within rehabilitation, DTx has gained prominence for its potential to improve patient outcomes and refine therapeutic strategies. This article conducts a bibliometric analysis of existing literature to uncover current research trends and offer insights for future investigations. Methods: The Science Citation Index Expanded database from the Web of Science Core Collection was used to retrieve articles and reviews related to DTx in rehabilitation. The data were subjected to systematic analysis using the VOSviewer and Citespace software tools, which facilitated the examination of publication data at the country, institutional, author, journal, citation, and keyword levels. Results: = 832). Leading contributors to research output and citation impact include the United States, Italy, China, Canada, and United Kingdom. Current research hotspots include the efficacy of DTx in rehabilitation, with a focus on innovative applications in psychiatric disorders, telerehabilitation, and cognitive rehabilitation. The top 10 researchers were all from Italy, and half of them were affiliated to the Centro Neurolesi Bonino Pulejo Messina. Conclusions: This study represents the first comprehensive bibliometric analysis of DTx within the rehabilitation field. It identifies current research frontiers and emerging directions, serving as a valuable resource for scholars and researchers investigating DTx's impact on rehabilitation practices.
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 | 0,119 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».