Aksiyel Spondiloartrit ve Ankilozan Spondilit’te Yapay Zekâ Tabanlı Uygulamalara Yönelik Küresel Araştırma Eğilimleri: Kapsamlı Bir Bibliyometrik Analiz (2017-2025)

Abstract

Yapay zekâ uygulamaları, romatizmal hastalıkların tanı ve değerlendirme süreçlerinde giderek daha merkezi bir rol üstlenmektedir. Bu çalışma, aksiyel spondiloartrit ve ankilozan spondilit üzerine yapılan çalışmalarda yapay zekâ temelli literatürü bibliyometrik olarak haritalayarak güncel araştırma eğilimlerini, iş birliği ağlarını ve tematik odakları nesnel göstergelerle ortaya koymayı amaçlamaktadır. Araştırmanın veri seti, 2017-2025 yılları arasında Web of Science (WoS) Core Collection ve Scopus’ta yayımlanmış çalışmalardan oluşturulmuştur. Veri setine dahil etme kriteri olarak, başlıkta “aksiyel spondiloartrit” veya “ankilozan spondilit” terimlerinin bulunması ve ayrıca “artificial intelligence”, “machine learning”, “deep learning”, “neural network” ve “transfer learning” gibi yapay zekâ terimlerinin WoS’ta Topic, Scopus’ta ise Title-Abs-Key alanlarında yer alması şartı aranmıştır. Analiz kapsamına WoS’ta 176 ve Scopus’ta 153 yayın dahil edilmiştir. Üretkenlik ve atıf metrikleri WoS Analyze Results / Create Citation Report ile Scopus Analyze Results araçları üzerinden değerlendirilmiş, VOSviewer ile eş-yazarlık, eş-atıf ve anahtar kelime ağları görselleştirilmiştir. Bulgular, 2020 sonrasında yayın hacminde belirgin bir artış olduğunu ortaya koymuştur. WoS verileri romatoloji odaklı sınıflandırmalar gösterirken, Scopus daha geniş bir tıbbi dağılım sunmuştur. Ülke düzeyinde Çin, Almanya ve ABD öne çıkmış; yayın dili büyük ölçüde İngilizce olmuştur. Yazar üretkenliği açısından Poddubnyy D., Proft F. ve Baraliakos X. öne çıkarken, yüksek atıf etkisi Jans L., Gossec L. ve Bressem K. gibi araştırmacılarda yoğunlaşmıştır. Ortak yazarlık analizleri, WoS’ta daha güçlü ve merkezi iş birliklerinin bulunduğunu göstermiştir. Çalışma, yapay zekâ’nın aksiyel spondiloartrit ve ankilozan spondilit araştırmalarında yükselen bir eğilim olmanın ötesinde, klinik romatoloji ve görüntüleme temelli tanısal süreçlerde her geçen gün stratejik bir araç haline geldiğini vurgulamaktadır.

Keywords

• Ankilozan Spondilit
• Aksiyel Spondiloartrit
• yapay zekâ
• bibliyometrik analiz

Supporting Institution

Yazarlar, bu makalenin araştırma, yazarlık ve/veya yayımlanması sürecinde herhangi bir mali destek almadıklarını beyan etmektedir.

Ethical Statement

Yazarlar çalışmanın, etik kurul izni veya herhangi bir özel izin gerektirmediğini beyan etmektedir.

Thanks

Bu çalışmanın teorik çerçevesi, birinci yazarın doktora tez çalışması kapsamında yürütülen sistematik literatür taraması ve ilgili akademik değerlendirmelerden elde edilen bulgular temel alınarak oluşturulmuştur.

Global Research Trends in Artificial Intelligence-Based Applications for Axial Spondyloarthritis and Ankylosing Spondylitis: A Comprehensive Bibliometric Analysis (2017-2025)

Abstract

Artificial intelligence applications play an increasingly central role in the diagnosis and evaluation of rheumatic diseases. Bibliometrically, this study aims to map the artificial intelligence-based literature on axial spondyloarthritis and ankylosing spondylitis to reveal current research trends, collaboration networks, and thematic focuses using objective indicators. The datasets comprise scientific publications indexed in Web of Science (WoS) Core Collection and Scopus between 2017 and 2025. The inclusion criteria for the dataset were the presence of the terms “axial spondyloarthritis” or “ankylosing spondylitis” in the title and artificial intelligence-related terms, such as “artificial intelligence”, “machine learning”, “deep learning”, “neural network”, and “transfer learning”, in the Topic field in WoS and in the Title-Abs-Key fields in Scopus. The analysis included 176 publications in WoS and 153 in Scopus. Productivity and citation metrics were evaluated using WoS Analyze Results / Create Citation Report and Scopus Analyze Results, while co-authorship, co-citation, and keyword networks were visualised via VOSviewer. The findings revealed a marked publication volume increase after 2020. The WoS dataset demonstrated a predominantly rheumatology-oriented classification, whereas Scopus showed a broader distribution across medical specialties. Globally, China, Germany, and the USA stood out, with English being the predominant language. Authors Poddubnyy D., Proft F., and Baraliakos X. led in productivity, while high citation impact concentrated among researchers like Jans L., Gossec L., and Bressem K. Co-authorship analyses showed stronger, more central collaborations in WoS. This study emphasises that artificial intelligence is becoming a strategic tool in clinical rheumatology and imaging-based diagnostics, beyond a rising trend.

Keywords

• Ankylosing Spondylitis
• Axial Spondyloarthritis
• artificial intelligence
• bibliometric analysis

References

1. Ritchlin, C., & Adamopoulos, I. E. (2021). Axial spondyloarthritis: new advances in diagnosis and management. BMJ, 372, m4447. https://doi.org/10.1136/bmj.m4447
2. Robinson, P. C., Sengupta, R., & Siebert, S. (2019). Non-Radiographic Axial Spondyloarthritis (nr-axSpA): Advances in classification, imaging and therapy. Rheumatol Therapy, 6(2), 165-177. https://doi.org/10.1007/s40744-019-0146-6
3. Rudwaleit, M., van der Heijde, D., Landewé, R., Listing, J., Akkoc, N., Brandt, J., Braun, J., Chou, C. T., Collantes-Estevez, E., Dougados, M., Huang, F., Gu, J., Khan, M. A., Kirazli, Y., Maksymowych, W. P., Mielants, H., Sørensen, I. J., Ozgocmen, S., Roussou, E., Valle-Oñate, R., Weber, U., Wei, J., & Sieper, J. (2009). The development of Assessment of SpondyloArthritis international society classification criteria for axial spondyloarthritis (part II): validation and final selection. Annals of the Rheumatic Diseases, 68(6), 777-783. https://doi.org/10.1136/ard.2009.108233
4. Ramiro, S., Nikiphorou, E., Sepriano, A., Ortolan, A., Webers, C., Baraliakos, X., Landewé, R. B. M., Van den Bosch, F. E., Boteva, B., Bremander, A., Carron, P., Ciurea, A., van Gaalen, F. A., Géher, P., Gensler, L., Hermann, J., de Hooge, M., Husakova, M., Kiltz, U., . . . ., & van der Heijde, D. (2023). ASAS-EULAR recommendations for the management of axial spondyloarthritis: 2022 update. Annals of the Rheumatic Diseases, 82(1), 19-34. https://doi.org/10.1136/ard-2022-223296
5. Diekhoff, T., Lambert, R., & Hermann, K. G. (2022). MRI in axial spondyloarthritis: understanding an ‘ASAS-positive MRI’ and the ASAS classification criteria. Skeletal Radiology, 51(9), 1721-1730. https://doi.org/10.1007/s00256-022-04018-4
6. Maksymowych, W. P., Wichuk, S., Chiowchanwisawakit, P., Lambert, R. G., & Pedersen, S. J. (2015). Development and preliminary validation of the spondyloarthritis research consortium of Canada magnetic resonance imaging sacroiliac joint structural score. The Journal of Rheumatology, 42(1), 79-86. https://doi.org/10.3899/jrheum.140519
7. Weiss, P. F., Maksymowych, W. P., Lambert, R. G., Jaremko, J. L., Biko, D. M., Paschke, J., Brandon, T. G., Xiao, R., & Chauvin, N. A. (2018). Feasibility and reliability of the spondyloarthritis research consortium of Canada sacroiliac joint inflammation score in children. Arthritis Research &; Therapy, 20(1), 56. https://doi.org/10.1186/s13075-018-1543-x
8. Zhao, J., Li, L., Li, J., & Zhang, L. (2024). Application of artificial intelligence in rheumatic disease: a bibliometric analysis. Clinical and Experimental Medicine, 24(1), 196. https://doi.org/10.1007/s10238-024-01453-6

9. Bressem, K. K., Vahldiek, J. L., Adams, L., Niehues, S. M., Haibel, H., Rodriguez, V. R., Torgutalp, M., Protopopov, M., Proft, F., Rademacher, J., Sieper, J., Rudwaleit, M., Hamm, B., Makowski, M. R., Hermann, K. G., & Poddubnyy, D. (2021). Deep learning for detection of radiographic sacroiliitis: achieving expert-level performance. Arthritis Research & Therapy, 23(1), 106. https://doi.org/10.1186/s13075-021-02484-0
10. Jans, L. B. O., Chen, M., Elewaut, D., Van den Bosch, F., Carron, P., Jacques, P., Wittoek, R., Jaremko, J. L., & Herregods, N. (2021). MRI-based synthetic CT in the detection of structural lesions in patients with suspected sacroiliitis: Comparison with MRI. Radiology, 298(2), 343-349. https://doi.org/10.1148/radiol.2020201537
11. Bressem, K. K., Adams, L. C., Proft, F., Hermann, K. G. A., Diekhoff, T., Spiller, L., Niehues, S. M., Makowski, M. R., Hamm, B., Protopopov, M., Rios Rodriguez, V., Haibel, H., Rademacher, J., Torgutalp, M., Lambert, R. G., Baraliakos, X., Maksymowych, W. P., Vahldiek, J. L., & Poddubnyy, D. (2022). Deep learning detects changes indicative of axial spondyloarthritis at MRI of sacroiliac joints. Radiology, 305(3), 655-665. https://doi.org/10.1148/radiol.212526
12. Lin, K. Y. Y., Peng, C., Lee, K. H., Chan, S. C. W., & Chung, H. Y. (2022). Deep learning algorithms for magnetic resonance imaging of inflammatory sacroiliitis in axial spondyloarthritis. Rheumatology (Oxford), 61(10), 4198-4206. https://doi.org/10.1093/rheumatology/keac059
13. Gossec, L., Guyard, F., Leroy, D., Lafargue, T., Seiler, M., Jacquemin, C., Molto, A., Sellam, J., Foltz, V., Gandjbakhch, F., Hudry, C., Mitrovic, S., Fautrel, B., & Servy, H. (2019). Detection of flares by decrease in physical activity, collected using wearable activity trackers in rheumatoid arthritis or axial spondyloarthritis: An application of machine learning analyses in rheumatology. Arthritis Care & Research, 71(10), 1336-1343. https://doi.org/10.1002/acr.23768
14. Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285-296. https://doi.org/10.1016/j.jbusres.2021.04.070
15. Passas, I. (2024). Bibliometric analysis: The main steps. Encyclopedia, 4(2), 1014-1025. https://doi.org/10.3390/encyclopedia4020065
16. Zhao, X., Chen, J., Pan, Y., Feng, H., Meng, B., & Meng, Y. (2019). A bibliometric analysis of the global research in ankylosing spondyloarthritis (2008-2017). Rheumatology International, 39(6), 1091-1097. https://doi.org/10.1007/s00296-019-04308-6
17. Liang, M., Meng, Y., Zhou, S., Tao, Z., & Tao, L. (2020). Research hotspots and trends analysis of ankylosing spondylitis: a bibliometric and scientometric analysis from 2009 to 2018. Annals of Translational Medicine, 8(21), 1445. https://doi.org/10.21037/atm-20-1259
18. Akyol, A., & Kocyigit, B. F. (2021). Ankylosing spondylitis rehabilitation publications and the global productivity: a web of science-based bibliometric analysis (2000-2019). Rheumatology International, 41(11), 2007-2014. https://doi.org/10.1007/s00296-021-04836-0
19. Zhang, Y., Hu, L., Liao, S., Wang, Y., Ji, X., Liu, X., Huang, F., & Zhu, J. (2023). Bibliometric analysis of publications on enthesitis in spondyloarthritis in 2012-2021 based on web of science core collection databases. Rheumatology International, 43(1), 173-182. https://doi.org/10.1007/s00296-022-05227-9
20. Zhang, W., Li, M., Li, X., Wang, X., Liu, Y., & Yang, J. (2023). Global trends and research status in ankylosing spondylitis clinical trials: a bibliometric analysis of the last 20 years. Frontiers in Immunology, 14, 1328439. https://doi.org/10.3389/fimmu.2023.1328439
21. He, W., Yang, H., Yang, X., Huang, J., & Wu, Z. (2025). Global research trends in biological therapy for ankylosing spondylitis: A comprehensive visualization and bibliometric study (2004-2023). Human Vaccines & Immunotherapeutics, 21(1), 2445900. https://doi.org/10.1080/21645515.2024.2445900
22. Castro-Zunti, R., Park, E. H., Choi, Y., Jin, G. Y., & Ko, S. B. (2020). Early detection of ankylosing spondylitis using texture features and statistical machine learning, and deep learning, with some patient age analysis. Computerized Medical Imaging and Graphics, 82, 101718. https://doi.org/10.1016/j.compmedimag.2020.101718