A scientometrics survey of machine learning applications in cardiovascular disease research: An analysis of highly-cited literature

Motivation

• Known: Machine learning은 cardiovascular disease의 조기 진단과 위험 예측에 활용되고 있으며, CVD는 전 세계적으로 연간 1,790만 명의 사망을 초래한다.
• Gap: Machine learning과 cardiovascular disease 연구의 교집합에서 고인용 논문들의 체계적인 scientometrics 분석과 주요 연구 트렌드, 방법론 혁신, 임상 응용의 종합적 지도가 부족하다.
• Why: Machine learning 기법의 급속한 발전과 cardiovascular 데이터의 폭발적 증가로 인해 이 분야의 연구 동향, 주요 방법론, 임상 응용 영역을 체계적으로 파악할 필요가 있다.
• Approach: Scopus 데이터베이스에서 'cardiovascular disease' AND 'Machine Learning' 검색으로 8,164개 논문 중 200개의 고인용 논문을 선정하여 scientometrics 분석을 수행하고 게재 저널, 자금 지원 기관, 주요 국가별 분포를 파악했다.

Achievement

Fig. 1. Some basic scientometric information

• 출판 동향: 2019-2021년이 고인용 논문의 약 50%를 차지하며 특히 생산적인 시기였으며, 2020-2024년에 약 75%의 논문이 발표되어 이 분야의 급속한 성장을 확인했다.
• 오픈 액세스 저널의 우위: PlosOne, IEEE Access, Scientific Reports 등 오픈 액세스 저널이 이 분야의 주요 발표 플랫폼임을 확인했다.
• 자금 지원 기관: National Natural Science Foundation of China가 최상위 지원 기관이며, National Institutes of Health와 National Heart, Lung, and Blood Institute가 뒤를 따른다.
• 국가별 기여도: 인도, 미국, 중국이 이 분야의 연구에 가장 많이 기여하고 있다.
• 방법론 진화: Logistic regression, SVM, Random forests에서 CNN, RNN, Ensemble methods로의 진화를 확인했다.
• 7가지 주요 연구 영역: Cardiovascular risk prediction, diagnostic imaging, drug discovery, treatment planning 등이 significant progress를 보이고 있다.
• 임상 응용: Multi-modal data fusion, automated feature learning, hybrid ensemble methods가 cardiovascular care 개선에 효과적임을 확인했다.

How

Fig. 1. Some basic scientometric information

• Scopus 데이터베이스에서 검색 쿼리 'cardiovascular disease' AND 'Machine Learning'으로 8,164개 논문 검색", 'Citation frequency를 relevance and influence의 대리 지표로 사용하여 200개의 고인용 논문 선정
• 출판 연도, 저널, 자금 지원 기관, 국가별 분포 등의 scientometric 메트릭 분석
• Supervised learning (logistic regression, SVM, random forests, gradient boosting)에서 deep learning (CNN, RNN, hybrid architectures)로의 방법론 진화 추적
• Feature selection 기법 (Relief, LASSO, filter/wrapper/embedded methods)과 automated feature learning의 발전 분석
• Multi-modal data integration, risk prediction, diagnostic imaging, arrhythmia detection 등의 임상 응용 영역별 분류 및 분석
• AutoML, ensemble techniques, hybrid methods의 methodological innovations 검토

Originality

• Machine learning과 cardiovascular disease 교집합에서 최초로 200개 고인용 논문의 체계적 scientometrics 분석 수행
• 2018-2025년 최신 데이터를 활용한 시간 기반 트렌드 분석으로 이 분야의 급속한 성장 추이를 실증적으로 제시
• 단순 문헌 검토를 넘어 scientometrics 방법론을 적용하여 객관적인 영향도 지표 기반의 분석 제공
• 7가지 주요 연구 영역의 체계적 분류 및 로드맵 제시로 향후 연구 방향 제시

Limitation & Further Study

• Citation frequency를 relevance의 지표로 사용하므로 최근 발표된 중요한 논문이 저평가될 수 있다.
• Scopus 데이터베이스만 사용하여 PubMed, Web of Science 등 다른 데이터베이스의 논문이 누락될 가능성이 있다.
• 200개의 고인용 논문만 분석하여 전체 8,164개 논문의 완전한 그림을 제시하지 못할 수 있다.
• 논문에서 제시된 본문 발췌가 불완전하여 7가지 주요 연구 영역의 구체적 내용과 각 영역별 세부 분석이 부족하다.
• 후속 연구에서는 다중 데이터베이스 통합 분석, 모든 논문의 전체 텍스트 분석, 논문 간 인용 네트워크 분석 등이 필요하다.

Evaluation

총평: 본 논문은 Machine learning이 cardiovascular disease 연구에 어떻게 응용되고 있는지를 scientometrics 관점에서 체계적으로 분석하여 이 분야의 연구 동향과 로드맵을 제시하는 유용한 survey이다. 다만 고인용 논문만 선택적으로 분석한 점과 일부 내용의 불완전성이 한계이다.