Medical-Commons

# Medical-Commons

<!-- Provide a quick summary of the dataset. -->

Medical-Commons is the largest dataset of medical content under free licenses or open data program collected by Pleias.

It includes three different collection:
* International scientific collection of 2M articles from OpenAlex.
* French scientific collection of XM articles, reports and PhD theses from French institutional repositories.
* Administration collection from health and medical agencies, for now limited to France but with a planned Europe-wide expansion.

The repositories give access to the complete available metadata as well as a sample of ressources.

# OpenAlex Collection Statistics

## Overview
This section presents detailed statistics **for the OpenAlex collection** within the Medical-Commons dataset. This international scientific collection represents just one of the three collections in Medical-Commons, containing 2.6 million medical articles under free licenses or open data programs.

## OpenAlex Collection Statistics

| Metric | Value (OpenAlex Collection Only) |
|--------|----------------------------------|
| Total Papers | 2,623,673 |
| Total Words | 21,328,187,404 |
| Average Words per Paper | 8,129.1 |

## Top 10 Medical Subfields in OpenAlex Collection

| Subfield | Papers in OpenAlex | % of OpenAlex Total | Words in OpenAlex | Avg Words per Paper |
|----------|-------------------|---------------------|-------------------|---------------------|
| Epidemiology | 239,307 | 9.12% | 2,104,074,798 | 8,792.5 |
| Public Health, Environmental and Occupational Health | 237,052 | 9.04% | 1,993,696,484 | 8,410.0 |
| Surgery | 218,569 | 8.33% | 1,562,899,038 | 7,150.0 |
| Pulmonary and Respiratory Medicine | 188,053 | 7.17% | 1,485,806,299 | 7,901.0 |
| Oncology | 186,583 | 7.11% | 1,355,465,028 | 7,265.0 |
| Infectious Diseases | 162,401 | 6.19% | 1,362,069,806 | 8,386.5 |
| Physiology | 147,703 | 5.63% | 1,308,562,705 | 8,859.4 |
| Cardiology and Cardiovascular Medicine | 112,962 | 4.31% | 969,602,006 | 8,583.4 |
| Radiology, Nuclear Medicine and Imaging | 105,846 | 4.03% | 928,390,321 | 8,771.1 |
| Pediatrics, Perinatology and Child Health | 102,518 | 3.91% | 764,365,895 | 7,455.9 |

## OpenAlex Collection Distribution Visualization
<img src="./openalex_stats.png" width="600" alt="OpenAlex Subfields Distribution">

# Health French Open Administrative Data

This is a collection of diverse health and medical related documents (mostly PDFs and webpages, but also some docx, xml, etc) that come from French gouvernment public websites.

| Catégorie | Documents | Mots | Largest Contributor |
|-----------|-----------|------|-------------------------|
| Sécurité Sociale et Soutien | 183 370 | 98 154 084 | forum-assures.ameli.fr |
| Services d'Information sur les Addictions | 113 140 | 48 008 481 | alcool-info-service.fr |
| Institutions et Agences Médicales | 100 760 | 189 827 776 | ansm.sante.fr |
| Sujets de Santé Spécialisés | 91 186 | 122 716 315 | e-cancer.fr |
| Portails Gouvernementaux de Santé | 62 026 | 250 630 040 | sante.gouv.fr |
| **Total** | **550 482** | **709 336 696** | - |

<img src="./documents.png" width="800" alt="% by number of documents">
<img src="./mots.png" width="800" alt="% by number of words">

A sample of the PDFs that can be found in this collection is present in the haut_conseil_sante_publique folder.

# French Health PhD Thesis/Specialized publications

This collection contains a total of **383 622** publicly available French thesis and specialized articles in health and medicine, coming from public repositories like HAL, theses.fr, and others.

We can find in the top 10 laboratories and instituions the following:

- Institut de Recherche Interdisciplinaire de Grenoble [Grenoble]
- Bordeaux Population Health [Bordeaux]
- Unité Mixte de Recherche sur les Herbivores - UMR 1213 [Clermont-Ferrand]
- Physiologie & Médecine Expérimentale du Cœur et des Muscles [U 1046] [Montpellier]
- Institut de Recherche en Santé, Environnement et Travail [Rennes]
- Physiologie, Environnement et Génétique pour l'Animal et les Systèmes d'Élevage [Rennes]
- Génétique Physiologie et Systèmes d'Élevage [Toulouse]
- Science et Technologie du Lait et de l'Œuf [Rennes]
- Centre de Recherche en Épidémiologie et Santé des Populations [Paris]
- Centre de Recherche des Cordeliers [Paris]

# 医疗通用数据集（Medical-Commons）

<!-- 数据集快速摘要 -->
医疗通用数据集（Medical-Commons）是由Pleias收集的、采用免费许可或开放数据计划的规模最大的医疗内容数据集。

本数据集包含三个独立馆藏：
* 国际科学馆藏：源自OpenAlex（OpenAlex）的200万篇学术论文。
* 法国科学馆藏：来自法国机构知识库的XM篇文章、报告与博士学位论文。
* 行政馆藏：源自卫生与医疗机构的行政数据，目前仅限法国境内，未来计划扩展至全欧洲范围。

相关知识库可提供完整的可用元数据以及部分资源样本。

# OpenAlex 馆藏统计数据

## 概述
本节将详细介绍医疗通用数据集（Medical-Commons）中的OpenAlex馆藏。该国际科学馆藏仅为数据集的三个馆藏之一，包含260万篇采用免费许可或开放数据计划的医学学术论文。

## OpenAlex 馆藏统计数据

| 统计指标 | 仅OpenAlex馆藏数值 |
|--------|----------------------------------|
| 论文总数量 | 2,623,673 |
| 总词数 | 21,328,187,404 |
| 单篇论文平均词数 | 8,129.1 |

## OpenAlex馆藏排名前十的医学子领域

| 医学子领域 | OpenAlex馆藏论文数 | 占OpenAlex馆藏总占比 | OpenAlex馆藏总词数 | 单篇论文平均词数 |
|----------|-------------------|---------------------|-------------------|---------------------|
| 流行病学 | 239,307 | 9.12% | 2,104,074,798 | 8,792.5 |
| 公共卫生、环境卫生与职业卫生 | 237,052 | 9.04% | 1,993,696,484 | 8,410.0 |
| 外科学 | 218,569 | 8.33% | 1,562,899,038 | 7,150.0 |
| 肺脏病与呼吸病学 | 188,053 | 7.17% | 1,485,806,299 | 7,901.0 |
| 肿瘤学 | 186,583 | 7.11% | 1,355,465,028 | 7,265.0 |
| 传染病学 | 162,401 | 6.19% | 1,362,069,806 | 8,386.5 |
| 生理学 | 147,703 | 5.63% | 1,308,562,705 | 8,859.4 |
| 心脏病学与心血管医学 | 112,962 | 4.31% | 969,602,006 | 8,583.4 |
| 放射学、核医学与影像学 | 105,846 | 4.03% | 928,390,321 | 8,771.1 |
| 儿科学、围产期医学与儿童健康 | 102,518 | 3.91% | 764,365,895 | 7,455.9 |

## OpenAlex馆藏分布可视化
<img src="./openalex_stats.png" width="600" alt="OpenAlex子领域分布情况">

# 法国卫生公开行政数据馆藏
该馆藏包含各类与卫生医疗相关的文档（以PDF和网页为主，同时包含少量docx、xml等格式文件），均源自法国政府公共官方网站。

| 类别 | 文档数量 | 词数 | 最大贡献方 |
|-----------|-----------|------|-------------------------|
| 社会保障与帮扶 | 183 370 | 98 154 084 | forum-assures.ameli.fr |
| 成瘾信息服务 | 113 140 | 48 008 481 | alcool-info-service.fr |
| 医疗机构与部门 | 100 760 | 189 827 776 | ansm.sante.fr |
| 专科卫生主题 | 91 186 | 122 716 315 | e-cancer.fr |
| 政府卫生门户网站 | 62 026 | 250 630 040 | sante.gouv.fr |
| **总计** | **550 482** | **709 336 696** | - |

<img src="./documents.png" width="800" alt="按文档数量占比">
<img src="./mots.png" width="800" alt="按词数占比">

该馆藏中的部分PDF样本可在`haut_conseil_sante_publique`文件夹中获取。

# 法国卫生领域博士学位论文/专业出版物馆藏
该馆藏总计包含383,622篇可公开获取的法国卫生与医学领域学位论文及专业学术文章，来源包括HAL、theses.fr等公共知识库。

馆藏排名前十的实验室与研究机构如下：
- 格勒诺布尔跨学科研究所 [格勒诺布尔]
- 波尔多人群健康研究中心 [波尔多]
- 食草动物联合研究单元-UMR 1213 [克莱蒙费朗]
- 心脏与肌肉生理学及实验医学研究所 [U 1046] [蒙彼利埃]
- 卫生、环境与劳动研究所 [雷恩]
- 动物与养殖系统生理学、环境与遗传学研究所 [雷恩]
- 遗传学、生理学与养殖系统研究所 [图卢兹]
- 乳品与蛋品科学技术研究所 [雷恩]
- 人群流行病学与卫生研究中心 [巴黎]
- 科尔德利研究中心 [巴黎]