Bibliometric Analysis on Smart Self-Healing Nanocoating for 316L Stainless Steel Biomedical Implants
Notice bibliographique
Résumé
This study presents a bibliometric analysis of research on smart self-healing nanocoatings for 316L stainless steel biomedical implants between 2015 and 2025. The aim is to explore publication trends, identify leading contributors, and uncover gaps in knowledge within this emerging field. A total of 237 documents were collected from the Scopus database using a well-defined search strategy. Performance analysis and science mapping techniques were applied using VOSviewer, Bibliometrix, and supporting tools. The results show a consistent increase in publication volume, with a notable rise after 2020, suggesting growing interest in self-healing materials for biomedical applications. The most common document types are research articles (44.3%) and reviews (38%), with most publications falling under materials science, engineering, and chemistry. India and China lead in publication count, while countries like Canada and Australia demonstrate high average citation impact. Keywords like “corrosion,” “biocompatibility,” and “hydroxyapatite” dominate the field, while “self-healing” appears infrequently, indicating an underexplored area. Experimental focus remains largely on in vitro studies, with limited in vivo or simulation-based research. Most coatings are tested in lab settings, and only a few studies move toward biological or computational validations. This paper highlights the need for broader interdisciplinary efforts and deeper translation of lab findings into real biomedical applications.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,076 | 0,161 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».