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

Motivation

• Known: Machine learning의 의료 응용, 특히 cardiovascular disease 진단과 예측에서의 활용이 이미 알려져 있으며, logistic regression, support vector machines, random forests 등의 기존 supervised learning 방법과 CNN, RNN 등의 deep learning 기법이 널리 사용되고 있다.
• Gap: 개별 논문들의 방법론과 성과는 광범위하게 연구되었으나, CVD 분야의 machine learning 응용에 대한 거시적 학술 경향(publication 추이, 저널 분포, 국가별/기금별 기여도 등)과 7가지 주요 연구 영역의 체계적 매핑이 부족했다.
• Why: CVD는 연간 17.9백만 명의 사망을 초래하는 주요 질환이며, machine learning 기술의 급속한 발전으로 이 분야의 임상 응용이 가속화되고 있어, 누적된 고인용 문헌의 체계적 분석을 통해 연구 생태계를 파악하고 미래 방향을 제시하는 것이 중요하다.
• Approach: Scopus 데이터베이스에서 "cardiovascular disease" AND "Machine Learning" 검색어로 8,164개 전체 논문 중 200개의 고인용 논문을 선정하여, 출판 연도, 저널 다양성, 자금 기관, 국가별 기여도 등을 scientometrics 분석하고, 방법론적 접근(supervised learning, deep learning, ensemble methods), 특성 공학 전략, 임상 응용 도메인을 분류·검토했다.

Achievement

Fig. 1. Some basic scientometric information

• 출판 동향 분석: 2019-2021년이 고인용 논문의 50% 차지, 2020-2024년에 75% 집중 (recency bias) 확인
• 저널 생태계: PlosOne, IEEE Access, Scientific Reports 등 Open Access 저널의 주도적 역할 입증
• 자금 지원: National Natural Science Foundation of China가 521건으로 최상위, 이어 NIH, NHLBI 등 확인
• 국가별 기여: 인도(2,141건), 미국(1,769건), 중국(1,332건) 순서
• 방법론 진화: 기존 supervised learning → deep learning (CNN, RNN) → ensemble 및 hybrid methods로의 명확한 전환 추적
• 7가지 주요 연구 영역 구분 및 심층 분석 (risk prediction, diagnostic imaging, feature engineering, multimodal data fusion 등)

How

Fig. 1. Some basic scientometric information

• Scopus 데이터베이스 검색 및 200개 고인용 논문 수집
• 연도별, 저널별, 기금 기관별, 국가별 분포를 시각화한 bar chart 분석
• 출판 추이(2014-2025), 저널 다양성(9개 주요 저널), 자금 기관(10개), 국가별 논문 수 통계
• supervised/deep/ensemble learning 방법론의 시간적 진화 추적
• Feature engineering(filter, wrapper, embedded methods), automated feature learning, multimodal fusion 전략 분류
• Risk prediction, diagnostic imaging, drug discovery, treatment planning 등 임상 응용 도메인 검토

Originality

• 새로운 관점: CVD-ML 분야에 대한 first scientometrics survey로서 학술 메타 분석의 새로운 사례 제시
• 체계적 분류: 200개 고인용 논문을 방법론(supervised → deep → ensemble), 특성 공학(수동 → 자동), 임상 응용(위험 예측 → 영상 진단 → 약물 발견)의 진화 과정으로 조직화
• 다층적 분석: 출판 동향, 저널 생태, 자금 패턴, 국가별 기여도를 통합하여 연구 환경의 거시적 이해 제공
• 미래 로드맵: 고인용 논문의 트렌드 분석을 통해 향후 연구 방향의 근거 기반 제시

Limitation & Further Study

• 표본 제한: 8,164개 전체 논문 중 상위 인용 200개만 분석하여 emerging methods나 niche topics 누락 가능성
• 인용도 편향: 인용 빈도를 영향력의 대리 지표로 사용하여 최신 고품질 논문이나 대안적 방법론을 과소평가할 수 있음
• 분석 깊이: 저널 선택 기준, feature selection 기법의 구체적 성능 비교, 각 도메인별 방법론 효과 크기 등 세부 분석 부족
• 동적 변화 미반영: 2025년까지의 데이터만 포함하여 2026년 이후 발전 동향 미예측

후속 연구:

• Citation network analysis를 통한 논문 간 영향 관계 분석
• Methodological quality assessment와 effect size 메타분석
• 국가별/기금별로 분화된 research cluster 파악
• Emerging topics (federated learning, explainable AI 등)의 시계열 추적

Evaluation

총평: 이 scientometrics survey는 CVD-ML 교차 분야의 학술 생태계를 체계적으로 매핑하여 고인용 200개 논문의 방법론 진화, 저널 및 자금 현황, 국가별 기여도를 명확히 제시한 점에서 의의가 있다. 다만 상위 인용도 기반 샘플링으로 인한 편향, 방법론별 구체적 성능 비교 부족, 임상 영향력 평가의 한계 등으로 인해 기술적 깊이와 평가의 균형에서 중간 수준에 머물러 있다.