Assessing public interest in artificial intelligence in dermatology: A Google Trends analysis
Notice bibliographique
Résumé
Artificial intelligence (AI) is rapidly transforming dermatology, particularly through diagnostic imaging and enhancing patient management. Despite expanding clinical applications, public engagement with AI in dermatology remains underexplored. This study addresses this gap by analyzing public interest in AI dermatology over the past decade using Google Trends. Search terms were categorized into groups of "AI dermatology," "general AI," "AI nondermatology," "general dermatology," and "general nondermatology." Monthly Search Volume Index values from January 2015 to January 2025 were collected, and linear and exponential regression models quantified temporal trends. Geographic analysis evaluated the frequency of countries appearing in the top five search volumes for each term. Public interest in AI dermatology terms increased markedly after 2022, with growth of 73.6%, 143.6%, and 59.1% in 2022, 2023, and 2024, respectively. AI dermatology terms demonstrated a steeper linear slope (6.212) compared with general AI (6.181) and dermatology terms (1.61), and an exponential growth factor of 0.551. Interest was highest in Singapore, Ireland, Australia, the Philippines, New Zealand, and the United Arab Emirates. These findings indicate a substantial rise in global engagement with AI in dermatology and highlight the importance of integrating public interest considerations into AI tool development, clinical practice, patient safety, and equitable access.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,017 |
| 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 ».