Öz

Amaç: Araştırmanın amacı, yoğun bakım ünitelerinde sepsis ve yapay zeka alanında 2006-2025 yılları arasında yapılmış çalışmaları belirlemek, görselleştirmek ve bu alandaki eğilimleri ortaya koymaktır.

Gereç ve Yöntem: Veriler 2 Mayıs 2025 tarihinde Web of Science Core Collection veri tabanından elde edildi. Performans analizi, görselleştirme, haritalama ve bibliyometrik analizler R yazılım programı Biblioshiny arayüzü kullanılarak yapıldı. Bibliyometrik veriler için WoS veri tabanında tüm dosyalarda “yoğun bakım” VEYA “YBÜ” VEYA “yoğun bakım ünitesi” VEYA “YBÜ’ler” VE “yapay zeka” VEYA “makine öğrenmesi” VEYA “derin öğrenme” VE ‘Sepsis’ VEYA “sepsis tahmini” anahtar kelimeleri kullanılarak arama yapıldı. Araştırma evreni 1.896 olarak bulundu. Science Citation Index Expanded, Social Sciences Citation Index ve Emerging Sources Citation Index’te yayın dili, yıl, ülkeler, kurumlar, yazarlar ve yayın türü aratıldığında ve yayın yılı 2006-2025 ile sınırlandırıldığında örneklem büyüklüğünün 1.072 olduğu görüldü. Çalışmanın analizi 1.072 yayın verisi kullanılarak yapılmıştır.

Bulgular: Çalışmada WoS veri tabanından elde edilen sepsis ve yapay zeka alanlarında yoğun bakım ünitelerinde üretilen yıllık ortalama makale sayısının 2,76 olduğu, yıllık büyüme hızının ise 27,63 olduğu tespit edilmiştir. 2006-2025 yılları arasında 371 dergide toplam 1.072 makale üretilmiştir. Toplam 1.531 anahtar kelime kullanılmıştır. Yayın başına ortalama atıf sayısı 18,13’tür. Yazarların tüm yayınlarda 2.255 anahtar kelime kullandığı, bu yayınlarda 7.015 yazarın yer aldığı, yalnızca 6 makalede tek yazarın yer aldığı, makale başına ortalama ortak yazar sayısının 8,95 olduğu ve uluslararası ortak yazarlık oranının %21,64 olduğu görülmüştür.

Sonuç: Bibliyometrik analiz sonuçları bu alandaki çalışmaların son derece yeni olduğunu göstermiştir. Yoğun bakım ünitelerinde sepsis ve yapay zeka konusunda 2006-2025 yılları arasında yapılmış çalışmalar literatüre dahil edilmiştir. Çalışma, yayın sayısının 2019 yılından itibaren arttığını ve 2024 yılında en yüksek sayıya ulaştığını göstermiştir. Çalışmada elde edilen sonuçların sepsis ve yapay zeka alanında yoğun bakım ünitelerindeki mevcut durumu değerlendirmek, alana genel bir bakış sağlamak ve bu alanda yapılacak gelecekteki araştırmalara rehberlik etmek amacıyla kullanılabileceği düşünülmektedir.

Anahtar Kelimeler: Yapay zeka, bibliyometrik, Bibliyoshiny, yoğun bakım ünitesi, makine öğrenmesi, sepsis

Referanslar

  1. Centers for Disease Control and Prevention. What is sepsis? Available at: https://www.cdc.gov/sepsis/about/index.html (Accessed on November 27, 2023).
  2. Rhee C, Jones TM, Hamad Y, et al. Prevalence, underlying causes, and preventability of sepsis-associated mortality in US acute care hospitals. JAMA Netw Open. 2019;2:e187571. https://doi.org/10.1001/jamanetworkopen.2018.7571
  3. Rudd KE, Johnson SC, Agesa KM, et al. Global, regional, and national sepsis incidence and mortality, 1990-2017: analysis for the Global Burden of Disease Study. Lancet. 2020;395:200-11. https://doi.org/10.1016/S0140-6736(19)32989-7
  4. Liu V, Escobar GJ, Greene JD, et al. Hospital deaths in patients with sepsis from 2 independent cohorts. JAMA. 2014;312:90-2. https://doi.org/10.1001/jama.2014.5804
  5. Reinhart K, Daniels R, Kissoon N, Machado FR, Schachter RD, Finfer S. Recognizing Sepsis as a Global Health Priority - A WHO Resolution. N Engl J Med. 2017;377:414-7. https://doi.org/10.1056/NEJMp1707170
  6. Persson I, Östling A, Arlbrandt M, Söderberg J, Becedas D. A machine learning sepsis prediction algorithm for intended intensive care unit use (NAVOY Sepsis): proof-of-concept study. JMIR Form Res. 2021;5:e28000. https://doi.org/10.2196/28000
  7. Al-Mualemi BY, Lu L. A deep learning-based sepsis estimation scheme. IEEE Access. 2021;9:5442-52. https://doi.org/10.1109/ACCESS.2020.3043732
  8. Schinkel S, Schouten BC, Kerpiclik F, Van Den Putte B, Van Weert JCM. Perceptions of barriers to patient participation: are they due to language, culture, or discrimination? Health Commun. 2019;34:1469-81. https://doi.org/10.1080/10410236.2018.1500431
  9. Yuan KC, Tsai LW, Lee KH, et al. The development an artificial intelligence algorithm for early sepsis diagnosis in the intensive care unit. Int J Med Inform. 2020;141:104176. https://doi.org/10.1016/j.ijmedinf.2020.104176
  10. Alanazi A, Aldakhil L, Aldhoayan M, Aldosari B. Machine learning for early prediction of sepsis in intensive care unit (ICU) patients. Medicina (Kaunas). 2023;59:1276. https://doi.org/10.3390/medicina59071276
  11. Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An interpretable machine learning model for accurate prediction of sepsis in the ICU. Crit Care Med. 2018;46:547-53. https://doi.org/10.1097/CCM.0000000000002936
  12. Burdick H, Pino E, Gabel-Comeau D, Gu C, Huang H, Lynn-Palevsky A, Das R. Evaluating a sepsis prediction machine learning algorithm in the emergency department and intensive care unit: a before and after comparative study. BioRxiv. 2017:224014. https://doi.org/10.1101/224014
  13. Moor M, Rieck B, Horn M, Jutzeler CR, Borgwardt K. Early prediction of sepsis in the ICU using machine learning: a systematic review. Front Med (Lausanne). 2021;8:607952. https://doi.org/10.3389/fmed.2021.607952
  14. Islam MM, Nasrin T, Walther BA, Wu CC, Yang HC, Li YC. Prediction of sepsis patients using machine learning approach: A meta-analysis. Comput Methods Programs Biomed. 2019;170:1-9. https://doi.org/10.1016/j.cmpb.2018.12.027
  15. Fleuren LM, Klausch TLT, Zwager CL, et al. Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. Intensive Care Med. 2020;46:383-400. https://doi.org/10.1007/s00134-019-05872-y
  16. Esen M, Bellibas MS, Gumus S. The evolution of leadership research in higher education for two decades (1995-2014): a bibliometric and content analysis. International Journal of Leadership in Education. 2020;23(3):259-73. https://doi.org/10.1080/13603124.2018.1508753
  17. Moral-Munoz JA, Herrera-Viedma E, Santisteban-Espejo A, Cobo MJ. Sofware tools for conducting bibliyometric analysis in sience: An -up-to-date rewiew. El Profesional de La Informacion. 2020;29(1):273-89. https://doi.org/10.3145/epi.2020.ene.03
  18. Guleria D, Kaur G. Bibliometric analysis of ecopreneurship using VOSviewer and R Studio Bibliometrix, 1989-2019. Library Hi Tech. 2021;1(24):1001-24. https://doi.org/10.1108/LHT-09-2020-0218
  19. Karagöz B, Şeref İ. Bibliometric profile of Journal of Values Education (2009-2018). Journal of Values Education. 2019;17(37):219-46. https://doi.org/10.34234/ded.507761
  20. Ramos-Rincón JM, Pinargote-Celorio H, Belinchón-Romero I, González-Alcaide G. A snapshot of pneumonia research activity and collaboration patterns (2001-2015): a global bibliometric analysis. BMC Med Res Methodol. 2019;19:184. https://doi.org/10.1186/s12874-019-0819-4
  21. Zavadskas EK, Skibniewski MJ, Antucheviciene J. Performance analysis of civil Engineering Journals based on the web of science® database. Archives of Civil and Mechanical Engineering. 2014;14(4):519-27. https://doi.org/10.1016/j.acme.2014.05.008
  22. Zhu J, Song LJ, Zhu L, Johnson RE. Visualizing the landscape and evolution of leadership research. The Leadership Quarterly. 2019;30(2):215-32. https://doi.org/10.1016/j.leaqua.2018.06.003
  23. Waltman L, Van Eck NJ. A smart local moving algorithm for large-scale modularity-based community detection. The European Physical Journal B. 2013;86(11):1-14. https://doi.org/10.1140/epjb/e2013-40829-0
  24. Aria M, Cuccurullo C. Bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics. 2017;11(4):959-75. https://doi.org/10.1016/j.joi.2017.08.007
  25. Mingers J, Leydesdorff L. A review of theory and practice in scientometrics. European Journal of Operational Research. 2015;246(1):1-19. https://doi.org/10.1016/j.ejor.2015.04.002
  26. van Eck NJ, Waltman L. Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics. 2010;84:523-38. https://doi.org/10.1007/s11192-009-0146-3
  27. Chen C. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature. Journal of the American Society for Information Science and Technology. 2006;57(3):359-77. https://doi.org/10.1002/asi.20317
  28. Börner K, Chen C, Boyack KW. Visualizing knowledge domains. Annual Review of Information Science and Technology. 2003;37(1):179-255. https://doi.org/10.1002/aris.1440370106
  29. López-Robles JR, Cobo MJ, Gutiérrez-Salcedo M, Martínez-Sánchez MA, Gamboa-Rosales NK, Herrera-Viedma E. 30th anniversary of applied intelligence: a combination of bibliometrics and thematic analysis using SciMAT. Applied Intelligence. 2021;51(9):6547-68. https://doi.org/10.1007/s10489-021-02584-z
  30. Sott MK, Bender MS, Furstenau LB, Machado LM, Cobo MJ, Bragazzi NL. 100 years of scientific evolution of work and organizational psychology: A bibliometric network analysis from 1919 to 2019. Front Psychol. 2020;11:598676. https://doi.org/10.3389/fpsyg.2020.598676
  31. Bradford SC. Sources of information on specific subjects. Engineering: An Illustrated Weekly Journal. 1943;137:85-6.
  32. Bradford SC. Information sources on specific topics. Journal of Information Science. 1985;10(4):173-80. https://doi.org/10.1177/016555158501000406
  33. Jabaley CS, Groff RF, Stentz MJ, et al. Highly visible sepsis publications from 2012 to 2017: Analysis and comparison of altmetrics and bibliometrics. J Crit Care. 2018;48:357-71. https://doi.org/10.1016/j.jcrc.2018.09.033
  34. Zhang Z, Van Poucke S, Goyal H, Rowley DD, Zhong M, Liu N. The top 2,000 cited articles in critical care medicine: a bibliometric analysis. J Thorac Dis. 2018;10:2437-47. https://doi.org/10.21037/jtd.2018.03.178
  35. Rosenberg AL, Tripathi RS, Blum J. The most influential articles in critical care medicine. J Crit Care. 2010;25:157-70. https://doi.org/10.1016/j.jcrc.2008.12.010
  36. Tao T, Zhao X, Lou J, et al. The top cited clinical research articles on sepsis: a bibliometric analysis. Crit Care. 2012;16:R110. https://doi.org/10.1186/cc11401
  37. Singer M, Deutschman CS, Seymour CW, et al. The third international consensus definitions for Sepsis and septic shock (Sepsis-3). JAMA. 2016;315:801-10. https://doi.org/10.1001/jama.2016.0287

Telif hakkı ve lisans

Telif hakkı © 2025 Yazar(lar). Açık erişimli bu makale, orijinal çalışmaya uygun şekilde atıfta bulunulması koşuluyla, herhangi bir ortamda veya formatta sınırsız kullanım, dağıtım ve çoğaltmaya izin veren Creative Commons Attribution License (CC BY) altında dağıtılmıştır.

Nasıl atıf yapılır?

1.
Terzi B, Azizoğlu F. Yoğun bakım ünitelerinde yapay zeka ile sepsis çalışmalarının küresel trend konuları: Biblioshiny ile bibliyometrik analiz. Turk J Intensive Care. 2025;23(4):300-314. https://doi.org/10.63729/TJIC.2025.675