Research progress and frontier trends in liver cancer immunotherapy in the post-COVID-19 era (2020–2024): a visualization analysis based on bibliometric methods
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has transformed liver cancer research, making immunotherapy a key breakthrough for advanced cases. This study uses bibliometrics to reveal research hotspots and paradigm shifts of this field from 2020 to 2024. METHODS: The data were retrieved from the Web of Science Core Collection (2020 to 2024). Data quality was ensured through two rounds of independent data cleaning, achieving a Kappa coefficient of 0.89. A comprehensive bibliometric analysis was conducted on the literature related to liver cancer immunotherapy, utilizing tools such as Biblioshiny, VOSviewer, Scimago Graphica, CiteSpace, and Microsoft Office Excel (2022 version). RESULTS: From 2020 to 2024, China and the US led global liver cancer immunotherapy research, forming a collaboration network with Canada. Sun Yat-sen University is a key hub with over 600 publications and an annual growth rate of 18.5%, closely collaborating with Huazhong University of Science and Technology and Zhejiang University (correlation index 0.92). The journal impact is dominated by Frontiers in Immunology and Frontiers in Oncology, which form a dual-core citation network, with the top 1% journals contributing 35.7% of publications. Frontiers in Immunology has the highest h-index (35) and fastest growth rate. The co-citation network includes three major clusters: immune mechanisms (led by Nature), clinical trials (Clinical Cancer Research), and liver cancer pathology (Hepatology). Research themes evolve in four directions: prognostic models, tumor microenvironment, hepatocellular carcinoma mechanisms, and cancer immunotherapy. Hotspots include "cancer", "immunotherapy", and "hepatocellular carcinoma", with rising trends in "tumor microenvironment" and "combination therapy" after 2021. CONCLUSION: The COVID-19 pandemic has spurred multidisciplinary integration and the use of real-world evidence in research. Emerging themes like Sino-American collaboration, knowledge diffusion in core journals, and tumor microenvironment are shaping liver cancer immunotherapy research in the post-pandemic era. This study offers strategic insights for optimizing resources and advancing clinical-basic translational research.
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 | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | medium |
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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,100 | 0,111 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».