Global Trends in Neonatal Sepsis: A Scopus Bibliometric Analysis of Publications from 2015 to 2025
Notice bibliographique
Résumé
Neonatal sepsis remains a significant global health challenge, contributing to substantial morbidity and mortality, particularly in low- and middle-income countries (LMICs). This bibliometric study aimed to analyze research trends, key contributors, emerging themes, and collaborative networks in the neonatal sepsis literature from 2015 to mid-2025. The Scopus database was searched using relevant keywords. After applying the inclusion and exclusion criteria, the final dataset was analyzed using bibliometric methods. The annual publication trend showed a steady growth from 2015 to 2020. The United States, China, and India were the top contributors, while the University of Toronto, St. George’s University of London, and Inserm are leading institutions. Keyword co-occurrence analysis revealed clusters around biomarkers, maternal health, and antimicrobial resistance. Collaboration networks highlighted strong partnerships among high-income countries but limited integration with high-burden regions. Key research gaps include the need for context-specific diagnostic tools, capacity building in LMICs, and understanding the long-term outcomes of neonatal sepsis survivors. This study emphasizes the urgent need for equitable research investments, strengthened global partnerships, and targeted interventions to reduce the burden of neonatal sepsis, particularly in regions with the highest disease burden.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,115 | 0,030 |
| 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) | 0,003 | 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 ».