DOI: https://doi.org/10.3389/fnagi.2025.1586282
PMID: https://pubmed.ncbi.nlm.nih.gov/40438502
تاريخ النشر: 2025-05-14
المؤلف: Junwei Huang وآخرون
الموضوع الرئيسي: البحث في علم القياسات العلمية والبيبلومetrics
نظرة عامة
في هذه الدراسة، أجرى المؤلفون تحليلًا ببليومتريًا لـ 1,921 منشورًا متعلقًا بالأمراض التنكسية العصبية من 2015 إلى 2025، باستخدام أدوات مثل CiteSpace وBibliometrix لتصور وتقييم الاتجاهات في الأدبيات. تشير النتائج إلى زيادة عامة في حجم المنشورات، على الرغم من أن معدل الاقتباس المتوسط قد انخفض منذ عام 2019. ومن الجدير بالذكر أن *Scientific Reports* ظهرت كأهم مجلة، بينما تم تحديد جامعة لندن كأكثر المؤسسات نشاطًا. سلط التحليل الضوء على المساهمين الرئيسيين، حيث كانت تامي بنزينجر لديها أعلى عدد من المنشورات وإليزابيث فينجر تحمل أكبر عدد من الاقتباسات. تم التعرف على الولايات المتحدة والصين كأهم الدول في هذا المجال البحثي.
كشفت تحليل الكلمات الرئيسية عن مواضيع مهمة، بما في ذلك مرض الزهايمر، التعلم الآلي، ومرض باركنسون، والتي تم تنظيمها في سبع مجموعات. حددت الدراسة أربعة اتجاهات بحثية مستقبلية محتملة: التشخيص الدقيق من خلال دمج البيانات متعددة الوسائط، تحليل الآليات المرضية واكتشاف الأهداف، الذكاء الاصطناعي القابل للتفسير للتطبيقات السريرية، وتفريق التكنولوجيا للأمراض المحددة. يؤكد المؤلفون على الحاجة إلى الابتكار المستمر في أدوات الذكاء الاصطناعي لمعالجة تعقيدات تشخيص وعلاج الأمراض التنكسية العصبية، داعين إلى تكامل أسرع للذكاء الاصطناعي في الممارسة السريرية لتلبية متطلبات الرعاية الصحية المتطورة.
مقدمة
تسلط المقدمة الضوء على التحدي الكبير الذي تمثله الأمراض التنكسية العصبية للصحة العامة، مثل مرض الزهايمر وباركنسون، خاصة في السكان المتقدمين في السن مثل الصين، حيث يتجاوز عدد مرضى الزهايمر 9.83 مليون بين من هم فوق 60 عامًا. الطبيعة المزمنة والتقدمية لهذه الأمراض تعقد التشخيص المبكر، الذي يعتمد حاليًا على الملاحظات السريرية وتقنيات التصوير، مما يؤدي إلى معدلات عالية من التشخيص الخاطئ بسبب الأعراض المبكرة غير المحددة. بينما تظهر التطورات مثل متتبع PET “[18F]-F0502B” وعدًا في تصور العلامات المرضية، لا يزال تطبيقها السريري تجريبيًا.
تقدم التطورات الأخيرة في الذكاء الاصطناعي (AI) طرقًا جديدة لتحسين التشخيص، والتنبؤ، وعلاج الأمراض التنكسية العصبية. تمكن تقنيات التعلم الآلي والتعلم العميق من استخراج المعلومات الحيوية من البيانات الطبية المعقدة، مما يعزز كفاءة ودقة التشخيص. أظهرت تطبيقات الذكاء الاصطناعي في التصوير الطبي، وعلم الجينوم، واكتشاف العلامات الحيوية إمكانيات في تحديد المتغيرات الجينية وتخصيص خطط العلاج. مع استمرار تطور تكنولوجيا الذكاء الاصطناعي، يتم اقتراح الدراسات الببليومترية كوسيلة لتحليل الأدبيات الحالية، وتحديد النقاط الساخنة للبحث، وتوقع الاتجاهات المستقبلية في هذا المجال، مما يعالج الحاجة إلى خريطة معرفية شاملة وسط التقدم السريع في أبحاث الأمراض التنكسية العصبية.
طرق
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات Web of Science Core Collection (WoSCC) كمصدر بيانات رئيسي، مستفيدين من معايير الإدراج الصارمة لضمان جمع الأدبيات عالية الجودة. تم تعريف استراتيجية البحث المستخدمة بواسطة الصيغة TS = [neurodegenera* و(الذكاء الاصطناعي أو التعلم الآلي أو التعلم العميق)]، مستهدفة المنشورات من 1 يناير 2015 إلى 1 يناير 2025. أسفرت هذه الطريقة عن إجمالي 2,658 مقالة، والتي تم تصفيتها لاحقًا إلى 1,921 مقالة من خلال تصفية الأدبيات باللغة الإنجليزية.
تم تصدير الوثائق المختارة بتنسيق نص عادي، مما حافظ على السجلات الكاملة والاقتباسات، وبالتالي توفير مجموعة بيانات قوية للتحليل. يتم تلخيص المنهجية بصريًا في الشكل 1، موضحًا التدفق العام لعملية البحث. تؤكد هذه الطريقة المنهجية التزام الدراسة بالدقة والموثوقية في فحص تقاطع الأمراض التنكسية العصبية والتقنيات الحسابية المتقدمة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج المستمدة من التجارب أو التحليلات التي أجريت. يوضح النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على النقاط البيانية الرئيسية، والأهمية الإحصائية، وأي اتجاهات تم ملاحظتها. من المحتمل أن تكون النتائج مصحوبة بأشكال وجداول ذات صلة توضح البيانات بصريًا، مما يسهل تفسير النتائج.
قد يناقش القسم أيضًا تداعيات النتائج بالنسبة للفرضيات المطروحة في بداية الدراسة. من الضروري ملاحظة أي نتائج غير متوقعة أو شذوذ ظهرت خلال البحث، حيث يمكن أن توفر هذه رؤى قيمة للتحقيقات المستقبلية. بشكل عام، تساهم النتائج في الفهم الأوسع للموضوع قيد الدراسة، داعمة أو رافضة النظريات القائمة ومقترحة اتجاهات لمزيد من البحث.
مناقشة
تسلط قسم المناقشة من ورقة البحث الضوء على التقدم الكبير في تطبيق الذكاء الاصطناعي (AI) في مجال الأمراض التنكسية العصبية على مدار العقد الماضي، خاصة من 2015 إلى 2025. باستخدام أدوات مثل CiteSpace وحزمة الببليومتريكس في R، قامت الدراسة بتحليل مجموعة بيانات تتكون من 1,921 وثيقة من 656 مجلة، كاشفة عن زيادة ملحوظة في الإنتاج العلمي واتجاهات الاقتباس، خاصة بعد عام 2019. تشير النتائج إلى أنه بينما زاد حجم الأدبيات، انخفض متوسط الاقتباسات لكل مقالة، ربما بسبب تدفق الأعمال ذات الاقتباسات المنخفضة المنشورة بعد عام 2019. تشمل الموضوعات الرئيسية التي تم تحديدها من خلال تحليل الكلمات الرئيسية مرض الزهايمر، التعلم الآلي، ومرض باركنسون، مما يشير إلى مجالات بحث نشطة.
كما تؤكد الورقة على الأدوار الرائدة للولايات المتحدة والصين في هذا المجال البحثي، حيث ساهمت الولايات المتحدة بأعلى عدد من المنشورات والاقتباسات. لقد عززت التعاونات المؤسسية، وخاصة من نظام جامعة كاليفورنيا وجامعة كوليدج لندن، الأساليب متعددة التخصصات التي تعزز من مخرجات البحث. تختتم المناقشة بالإشارة إلى أن شيخوخة السكان وزيادة انتشار الأمراض التنكسية العصبية هي القوى الدافعة وراء الاستثمار المستمر وجهود البحث في تطبيقات الذكاء الاصطناعي في هذا المجال، مما يضع كلا البلدين في مقدمة المشهد العالمي لأبحاث الأمراض التنكسية العصبية المدفوعة بالذكاء الاصطناعي.
القيود
تسلط قيود هذه الدراسة الضوء على القيود الكامنة في التحليل الببليومتري، الذي يُستخدم لتلخيص وتصور الأدبيات الموجودة في هذا المجال. بينما تحدد هذه الطريقة بشكل فعال المعلومات الرئيسية والاتجاهات البحثية المحتملة، إلا أنها لا تنتج خيارات علاجية محددة أو معايير تشخيصية. وبالتالي، فإن النتائج تخدم في المقام الأول كخريطة معرفية للباحثين بدلاً من حلول نهائية.
بالإضافة إلى ذلك، فإن التنبؤات المتعلقة بالاتجاهات البحثية المستقبلية تستند فقط إلى الأدبيات الأحدث المتاحة في وقت التحليل، مما يقدم احتمالًا للتحيز. علاوة على ذلك، يتم التأكيد على الطبيعة الحساسة للوقت للبحث من خلال الحد الزمني لجمع الأدبيات، مما يحد من تضمين الدراسات اللاحقة التي قد تؤثر على النتائج.
DOI: https://doi.org/10.3389/fnagi.2025.1586282
PMID: https://pubmed.ncbi.nlm.nih.gov/40438502
Publication Date: 2025-05-14
Author(s): Junwei Huang et al.
Primary Topic: scientometrics and bibliometrics research
Overview
In this study, the authors conducted a bibliometric analysis of 1,921 publications related to neurodegenerative diseases from 2015 to 2025, utilizing tools such as CiteSpace and Bibliometrix to visualize and assess trends in the literature. The findings indicate a general increase in publication volume, although the average citation rate has declined since 2019. Notably, *Scientific Reports* emerged as the leading journal, while the University of London was identified as the most active institution. The analysis highlighted key contributors, with Tammie Benzinger having the highest publication count and Elizabeth Fingere holding the most citations. The United States and China were recognized as the foremost countries in this research domain.
Keyword analysis revealed significant themes, including Alzheimer’s disease, machine learning, and Parkinson’s disease, which were organized into seven clusters. The study identified four potential future research trends: precision diagnosis through multimodal data fusion, analysis of pathological mechanisms and target discovery, interpretable AI for clinical applications, and technology differentiation for specific diseases. The authors emphasize the need for continued innovation in AI tools to address the complexities of diagnosing and treating neurodegenerative diseases, advocating for a more rapid integration of AI into clinical practice to meet evolving healthcare demands.
Introduction
The introduction highlights the significant public health challenge posed by neurodegenerative diseases, such as Alzheimer’s and Parkinson’s, particularly in aging populations like China, where the number of Alzheimer’s patients exceeds 9.83 million among those over 60. The chronic and progressive nature of these diseases complicates early diagnosis, which currently relies on clinical observations and imaging techniques, leading to high misdiagnosis rates due to non-specific early symptoms. While advancements like the PET tracer “[18F]-F0502B” show promise in visualizing pathological markers, their clinical application remains experimental.
Recent developments in artificial intelligence (AI) offer new avenues for improving the diagnosis, prediction, and treatment of neurodegenerative diseases. Machine learning and deep learning techniques enable the extraction of critical information from complex medical data, enhancing diagnostic efficiency and accuracy. AI applications in medical imaging, genomics, and biomarker discovery have demonstrated potential in identifying genetic variants and customizing treatment plans. As AI technology continues to evolve, bibliometric studies are proposed as a means to analyze existing literature, identify research hotspots, and predict future trends in the field, addressing the need for a comprehensive knowledge map amidst the rapid advancements in neurodegenerative disease research.
Methods
In this study, the authors utilized the Web of Science Core Collection (WoSCC) as their primary data source, leveraging its stringent inclusion criteria to ensure the collection of high-quality literature. The search strategy employed was defined by the formula TS = [neurodegenera* and (artificial intelligence or machine learning or deep learning)], targeting publications from January 1, 2015, to January 1, 2025. This approach yielded a total of 2,658 articles, which were subsequently refined to 1,921 articles by filtering for English-language literature.
The selected documents were exported in plain text format, preserving complete records and citations, thereby providing a robust dataset for analysis. The methodology is visually summarized in Figure 1, illustrating the overall flow of the research process. This systematic approach underscores the study’s commitment to rigor and accuracy in examining the intersection of neurodegenerative diseases and advanced computational techniques.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting key data points, statistical significance, and any observed trends. The results are likely accompanied by relevant figures and tables that illustrate the data visually, allowing for easier interpretation of the findings.
The section may also discuss the implications of the results in relation to the hypotheses posed at the beginning of the study. It is essential to note any unexpected outcomes or anomalies that emerged during the research, as these can provide valuable insights for future investigations. Overall, the results contribute to the broader understanding of the topic under study, supporting or refuting existing theories and suggesting directions for further research.
Discussion
The discussion section of the research paper highlights the significant advancements in the application of artificial intelligence (AI) in the field of neurodegenerative diseases over the past decade, particularly from 2015 to 2025. Utilizing tools like CiteSpace and the bibliometrix package in R, the study analyzed a dataset comprising 1,921 documents from 656 journals, revealing a notable increase in scientific output and citation trends, especially post-2019. The findings suggest that while the volume of literature has grown, the average citations per article have declined, potentially due to an influx of lower-citation works published after 2019. Key topics identified through keyword analysis include Alzheimer’s disease, machine learning, and Parkinson’s disease, indicating active research areas.
The paper also emphasizes the leading roles of the United States and China in this research domain, with the U.S. contributing the highest number of publications and citations. Institutional collaborations, particularly from the University of California System and University College London, have fostered interdisciplinary approaches that enhance research outputs. The discussion concludes by noting that the aging population and increasing prevalence of neurodegenerative diseases are driving forces behind the sustained investment and research efforts in AI applications within this field, positioning both countries as frontrunners in the global landscape of AI-driven neurodegenerative disease research.
Limitations
The limitations of this study highlight the constraints inherent in bibliometric analysis, which is employed to synthesize and visualize existing literature within the field. While this method effectively identifies key information and potential research trends, it does not yield specific treatment options or diagnostic criteria. Consequently, the findings serve primarily as a knowledge graph for researchers rather than definitive solutions.
Additionally, the study’s predictions regarding future research trends are based solely on the most recent literature available at the time of analysis, introducing a potential for bias. Furthermore, the time-sensitive nature of the research is underscored by the cutoff for literature collection, which limits the inclusion of subsequent studies that may influence the findings.