我们在2020年6月1日搜索PubMed，使用PubMed E-utilities [ 13]和搜索词“covid[标题/摘要]或covid[标题/摘要]”，没有语言或日期限制，使用Python 3.6的Biopython包(Python软件基金会)。这项研究的重点是疾病(COVID-19)，而不是病毒;因此，我们没有包括“冠状病毒”等搜索词。我们检索了每个出版物的标题、关键词、摘要、最后修订日期、作者归属列表、期刊名称和PubMed标识号。我们使用最后一次修订的日期作为所有文章的索引日期，因为这个日期是所有数据的可用日期，不像提交或出版的日期。

所有文本数据都是小写的，并清除了双空格、特殊字符和数字。随后，我们应用了PubMed中的停用词列表[ 14]、一般英文停顿词，以及特定主题的停顿词(如covid、corona)，以从标题和摘要中删除不含信息的词( 多媒体附录1)。中描述了所使用的数据处理工作流 图1．

我们使用Python包scispaCy将文本数据规范化。我们将第一作者所属的国家视为原籍国，并使用Python包spaCy从从属关系中提取地理实体。如果一个国家的名称没有包含在从属关系中，我们使用最后提到的地理实体，并手动将该地理实体链接到一个国家;例如，“纽约”与“美国”联系在一起。

为了识别随机临床试验，我们在标题中搜索单词“randomis*”和“randomiz*”。然后，我们手动评估所有确定为潜在随机临床试验的文章，以确定其真实的文章类型。

潜狄利克雷分配(Latent Dirichlet allocation, LDA)是一种用于数据收集的生成统计模型[ 15[先前已被证明适用于医学主题建模] 16， 17]。我们使用LDA从识别的文章中获得有用的信息。我们将从每篇文章中收集的所有文本数据(即标题、关键词和PubMed中可用的摘要)集中到一个变量中。然后我们使用这个变量作为整个数据集的文本语料库，随后使用Python包scikit-learn中的CountVectorizer对变量进行矢量化。

为了评估分散任意选择主题数的主题空间，我们计算了8、13和35个主题的LDA模型和主成分分析(PCA)图。在评估结果之后，我们随后计算了3到23之间所有主题的LDA模型。我们选择了数字3和23，因为根据专家的意见，少于3个主题被认为对于任何可理解的用例来说太少了，超过23个主题被认为是无用或不可理解的。我们记录了每个模型的困惑度、遗漏可能性和图形PCA的评估指标。我们根据这三个评估指标的评估，以及作者对COVID-19和医学研究的领域知识，确定了最终的主题数量。

之后，6名经验丰富的临床医生和研究人员根据分配给每个主题的文章的15个最常见关键词，以及每个主题的LDA模型中产生的最频繁单词，独立地标记出已识别的主题( 多媒体附录2)。然后我们讨论建议的标签，直到每个主题标签达成共识。我们使用Python包scikit-learn进行LDA建模，并使用包pyLDAvis绘制结果。 18]。

我们确定了每篇文章最可能的主题，并将其指定为文章的主题。然后计算每个主题每周的文章数量，并绘制每周每个主题所占比例的时间序列，以便进一步分析。

我们根据2019年期刊影响因子列表(JIF;期刊引用报告，Clarivate Analytics)，涵盖了12,515种科学期刊[ 19]。使用DataRobot 6.0 (DataRobot Inc.)模糊匹配来匹配期刊名称，其中90%的相似性被认为是匹配。然后，我们手动更正匹配的期刊名称列表，以避免不匹配。在文章的期刊名称无法与Clarivate JIF列表匹配的情况下，我们在datarrobot中开发了一个随机森林回归模型，从文章数据中预测JIF。

DataRobot自动执行建模竞赛，其中广泛选择的算法和数据预处理技术相互竞争。该模型具有最佳均方根误差(RMSE)和R²然后选择持有数据作为冠军模型。建模竞赛是有益的，因为相同的算法在不同的数据集上可能具有不同的效率。我们无法与Clarivate JIF列表匹配的文章数据来源于未被训练模型识别的期刊。因此，我们在使用模型时排除了所有期刊特定变量，以避免模型与训练数据过拟合。为了评估模型，我们使用了一个测试样本和RMSE和R²作为模型性能指标。在模型中，我们使用了作者的隶属关系;关键字;第一作者所属单位;而所有文本中的标题、关键字和摘要——放在一起并作为单独的变量。我们在datarrobot中构建并部署了随机森林回归模型。

随后，我们计算了每个确定主题的中位数JIF。我们还计算了随时间变化的中位数JIF以及与文章数量相关的中位数JIF。

我们使用Python软件包Panda, NumPy, Matplotlib, pyLDAvis和Seaborn (Python软件基金会)执行所有数据分析和可视化。

我们找到了日期在2020年2月14日至2020年6月1日之间的16670篇文章。在这16670篇文章中，有8560篇(51.34%)文章可以查到摘要，有16623篇(99.71%)文章可以查到标题，7739篇(46.42%)文章可以查到关键词。

每周发表的文章中位数为374.5篇(IQR 29.0-1648.5)，范围从第7周(2020年2月10-16日)的2篇到第22周(2020年5月25-30日)的4536篇。每周发表的文章数量随时间呈指数增长。 图2)。在第一篇文章发表后8周和11周，病例报告和综述文章的发表数量分别开始增加。随机临床试验发表的报告或随机临床试验方案的数量在整个研究期间均匀分布。我们对标题中包含“randomiz*”或“randomis*”的23篇文章进行了人工检索，发现其中6篇(26%)是随机临床试验的实际报告。

3-23个主题的LDA模型(即专家意见和任意选择3个主题的组合选择的主题数量)的评价指标困惑度和遗漏似然在整个集合中呈现出减小和增加的值;因此，这些指标在选择最佳主题数量方面提供的附加价值很小( 多媒体附录3)。相比之下，通过评估所有20个模型的PCA图，我们发现主题的最佳数量(即具有最少重叠主题的解决方案的数量)为14 ( 图3)。我们发现同一篇文章中出现的主题之间的相关性很低，这表明文章的主题定义明确( 多媒体附录4)。

Pearson相关系数范围为0.00 ~ 0.17，其中主题卫生保健反应与临床表现的相关性最高。 表1显示了基于LDA的标签、对应的5个最常见的PubMed关键字和术语，以及每个主题发表的文章数量。主要主题为卫生保健反应，共有2812篇(16.86%);临床表现:发表文献1828篇(10.96%);心理影响，1771篇(10.62%)。最不常见的话题是危险因素、实验室诊断和免疫学。

图4显示主题随时间的分布。特别是4个主题(流行病学、流行病学建模、卫生保健反应和放射学)随时间呈下降曲线，2个主题(临床表现和防护措施)比例明显上升，1个主题(疾病传播)呈钟形进展。

总的来说，该数据集包含2473个唯一的期刊名称。其中，通过与Clarivate JIF列表比较，我们找到了1129个(45.65%)期刊名称的完美匹配。对于剩余的1344份(54.34%)期刊名称，我们使用随机森林回归模型计算JIF。该模型在测试数据上的RMSE为5.4²=47%)，表明平均预测误差为5.4分( 多媒体附录5)。

数据集中所有文章的JIF中位数为3.7 (IQR为2.6-5.9)。我们发现，随着时间的推移，JIF中位数呈下降趋势( 图2)。JIF中位数最高的3个主题分别是保护措施、免疫学和临床表现( 表1)。JIF中位数与每个主题的文章数之间的相关性较低(Pearson相关系数= - 0.14)。

图5显示16,670件已确认物品的地理来源。前4位原产国分别是美国(3223人，19.33%)、中国(2264人，13.58%)、意大利(1591人，9.54%)和英国(1055人，6.33%)。