연구 논문

중국의 항생제 내성 연구 핫스팟 및 동향에 대한 시각적 계량서지학적 분석

25 조회수

⸱

DOI:

10.3791/72404

⸱

2026년 9월 8일

 ,  , 
1Infectious Department, The Affiliated People's Hospital of Ningbo University

이 논문에서

요약

본 서지학적 분석은 CiteSpace를 사용하여 2016년부터 2025년까지 중국의 항균제 내성 연구 동향과 신흥 핫스팟을 매핑하였습니다. 분석 결과, 새로운 치료법과 기술 기반 접근 방식에 대한 관심이 증가하고 있으며, MRSA 및 CRKP 내성 동향의 대조적인 양상이 나타나 지속적인 감시와 표적 항균제 스튜어드십의 필요성이 강조되었습니다.

초록

2016~2025년 중국의 항생제 내성(AMR) 연구 현황을 체계적으로 분석하고, 서지학적 시각화 기술을 사용하여 핫스팟을 식별하며 새로운 트렌드를 탐지하고자 하였다. Web of Science Core Collection(Science Citation Index Expanded, SCI-E 포함)과 China National Knowledge Infrastructure(CNKI)에서 3,096편의 문헌을 수집하였다. CiteSpace를 사용하여 공저자 네트워크 분석, 키워드 동시 출현 매핑 및 로그 가능도비(Log-Likelihood Ratio, LLR) 알고리즘을 이용한 클러스터 분석을 수행하였다. Kleinberg 알고리즘을 통한 버스트 탐지로 연구 프론티어를 식별하였으며, 모듈성 Q (>0.3)와 실루엣 지표로 네트워크 구조의 품질을 검증하였다. 출판 건수는 2016년 357편에서 2022년 365편으로 증가했으며, 2019~2022년 기간 이후 성장이 가속화되었다. 유의미한 구조적 타당성(모듈성 Q = 0.8108)을 가진 6개의 주요 연구 클러스터가 도출되었다. 버스트 분석 결과, mobilized colistin resistance-1 (mcr-1, 버스트 강도 9.12)과 carbapenemase (8.52)가 가장 강력한 신흥 신호로 식별되었다. 내성 감시 결과 상이한 추세가 나타났는데, 카바페넴 내성 Klebsiella pneumoniae는 5.6%에서 20.0%로 급격히 증가한 반면, 메티실린 내성 Staphylococcus aureus는 48.8%에서 25.8%로 감소하였다. 저자 네트워크 분석 결과, 지역 간 협업이 제한적인 매우 중앙 집중화된 구조가 드러났다. 항균 펩타이드, 파지 치료 및 머신러닝 응용을 포함한 새로운 치료법들이 유의미하게 부상하였다. 전반적으로, 서지학적 패턴은 중국의 AMR 연구가 기술적 감시에서 기전 연구 및 혁신적 중재법에 대한 관심 증가 방향으로 진화했음을 시사한다. 메티실린 내성 Staphylococcus aureus의 감소와 카바페넴 내성 병원균의 증가라는 대조적인 결과는 지속적인 국가적 감시, 강화된 지역 간 협업, 표적 항생제 스튜어드십, 그리고 신흥 기술의 신중한 임상 적용 필요성을 강조한다.

서론

항균제 내성(AMR)은 전 세계 공중 보건에 심각한 위협이 되고 있으며, 세계보건기구(WHO)는 이를 인류가 직면한 10대 건강 위협 중 하나로 규정하고 있습니다1. AMR으로 인한 경제적 부담은 상당하며, 현재의 추세가 계속된다면 2050년까지 내성 감염으로 인해 전 세계적으로 연간 1,000만 명의 사망자가 발생할 수 있다는 전망이 나오고 있습니다2. 박테리아의 항균제 내성에 관한 근본적인 기전은 효소에 의한 약물 변형, 표적 부위 변형, 유출 펌프의 과발현 및 바이오필름 형성 등 복잡한 유전적 및 표현형적 적응을 포함하며, 이러한 요인들이 결합하여 기존 치료 수단의 효능을 위협하고 있습니다3. 최근의 글로벌 평가에서는 이러한 과제의 광범위한 범위가 더욱 강조되었으며, 현재 항균제 내성은 인간의 건강, 동물 농축산 및 환경 분야 전반에 걸친 통합적 대응이 필요한 복잡한 생태학적 현상으로 인식되고 있습니다4. 또한 AMR은 환경 및 사회경제적 목표를 포함하여 지속 가능한 발전에 더 광범위한 영향을 미칩니다5. 특히 말라리아, HIV 및 결핵의 내성과 싸우는 과정에서 그 어려움이 두드러지며, 다제내성 균주들은 수십 년간 이뤄온 감염병 제어의 성과를 위협하고 있습니다6. 중국의 AMR 역학에 대한 역사적 분석에 따르면, 의료 관행과 항생제 소비 패턴에 의해 형성된 고유한 내성 유전자 프로필 및 전파 역학을 포함하여 서구 인구 집단과는 차별화된 특성이 있음이 기록되었습니다7.

인구가 많고 항생제 소비량이 상당한 중국은 특히 심각한 항생제 내성(AMR) 문제에 직면해 있습니다. 중국의 1인당 항생제 사용량은 많은 유럽 국가들보다 여전히 상당히 높으며, 이는 내성 발현을 유도하는 선택 압력을 형성하고 있습니다.8이러한 위기의 심각성을 인식하여, 중국 정부는 항균제 내성 억제를 위한 국가 행동 계획(2016-2020, 2022-2025)을 시행하였으며, 전국적인 내성 패턴을 모니터링하기 위해 중국 항균제 내성 감시 체계(CARSS)를 구축하였습니다.9지역적 관점에서 동남아시아는 항생제 내성(AMR) 연구 및 확산의 핵심 핫스팟으로 부상했으며, 서지 분석 결과 중국의 궤적과 유사하게 연구 성과가 급격히 증가하고 있음이 밝혀졌다.10전 세계적인 추세와 전망에 따르면, 결정적인 개입이 없을 경우 항생제 내성(AMR)으로 인한 사망 부담은 중소득 국가에 불균형적으로 영향을 미칠 것이며, 일부 전망에서는 금세기 중반까지 아시아 태평양 지역이 내성 관련 전체 사망자의 거의 절반을 차지할 수 있다고 나타냅니다.11이러한 냉혹한 예측은 항생제 스튜어드십에 대한 국제적 약속을 촉진했으나, 전 세계적으로 정책 수립과 임상 적용 사이의 실행 격차는 여전히 존재한다.12이러한 이니셔티브를 통해 내성 역학, 분자적 기전 및 임상 결과에 관한 광범위한 데이터가 생성되었으며, 이는 서지 분석을 위한 풍부한 자료가 되었습니다. 따라서 최근의 원 헬스(One Health) 체계는 항생제 관리 전략 및 신속 진단 기술의 뒷받침 하에 인체 건강, 동물 건강, 농업 및 환경 부문에 걸친 통합적인 개입을 강조하고 있습니다.13.

출판된 문헌을 정량적으로 분석하기 위해 수학적 및 통계적 방법을 활용하는 계량서지학적 분석(Bibliometric analysis)을 통해 연구자는 연구 핫스팟을 발견하고, 진화 궤적을 추적하며, 미래 방향을 예측할 수 있습니다14. CiteSpace와 같은 시각화 도구는 복잡한 인용 데이터를 직관적인 지식 지도로 변환하여 과학 문헌 속에 숨겨진 패턴을 드러냅니다15. 기존의 계량서지학 연구들은 전 세계적인 항진균제 내성 연구를 포함하여 특정 AMR 분야의 연구 동향을 도식화해 왔습니다16. 그러나 중국 내 AMR에 관한 중국어 및 영어 연구를 통합한 종합적인 계량서지학적 분석은 여전히 제한적입니다. 특정 AMR 분야에 집중했던 이전의 계량서지학 분석과 달리, 본 연구는 중국어 CNKI 및 영어 Web of Science 기록을 통합하고, 국가 CARSS 감시 동향을 사용하여 계량서지학적 발견의 맥락을 별도로 분석합니다. 본 연구는 CiteSpace 소프트웨어를 활용하여 지식 지도를 생성함으로써 2016~2025년 중국 내 AMR 연구에 대한 체계적인 계량서지학적 분석을 제공하고, 향후 연구 우선순위 및 정책 개발을 위한 근거 기반의 권고 사항을 제시하는 것을 목표로 합니다. 이러한 결합 설계는 연구 지형에 대한 이국어 관점을 제공하는 동시에, 계량서지학적 트렌드를 국가 내성 감시 데이터와 병행하되 독립적으로 해석할 수 있게 합니다.

프로토콜

데이터 소스

중국과 관련된 항생제 내성(AMR) 연구의 글로벌 범위를 확보하기 위해 국제 및 국내 데이터베이스 모두를 대상으로 종합적인 문헌 검색을 수행하였습니다. 국제 문헌의 경우, 2016년 1월 1일부터 2025년 12월 31일까지 Web of Science Core Collection(Science Citation Index Expanded, SCI-E 포함)과 중국 국가지식인프라(CNKI)를 체계적으로 검색하였습니다. SCI-E에 사용된 정확한 불리언 쿼리는 다음과 같습니다: TS = ((“antimicrobial resistance” OR “antibiotic resistance” OR “drug resistance”) AND (“China” OR “Chinese” OR “Mainland China”)). CNKI의 경우, “antibiotic resistance”, “antimicrobial resistance”, “drug resistance”의 중국어 대응어와 “China”를 조합하여 주제(Subject) 필드를 검색하였습니다. CiteSpace 분석 전 공식적인 키워드-동의어 병합이나 시소러스 기반의 전처리는 수행하지 않았습니다. 2025년 12월 31일까지 발행된 출판물이 데이터베이스에 충분히 색인화될 수 있도록 최종 검색은 2026년 4월 28일에 실행하였습니다. 데이터베이스의 발행 연도 필터는 2016~2025년으로 제한하였습니다. 스크리닝 과정에서 Early Access로 표시된 기록을 추가로 확인하였으며, 최초 온라인 발행일이 2026년인 논문은 분석에서 제외하였습니다. 텍스트, 표 및 그림에서 일관된 용어를 사용하기 위해 키워드 레이블을 원래의 CiteSpace 출력값과 대조하여 확인하였습니다.

CNKI 검색 결과, Peking University Core Journals (PKU Core)에서 983건, Chinese Science Citation Database (CSCD)에서 802건, World Journal Clout Index (WJCI)에서 462건의 레코드가 검색되었습니다. 단일 논문이 이러한 범주 중 여러 개에 인덱싱될 수 있으므로, 이 수치들은 범주별 검색 레코드를 나타내며 상호 배타적인 출판 건수가 아닙니다. 따라서 적격성 심사 전에 세 가지 레코드 세트를 병합하였습니다. 중복 항목은 먼저 정확한 DOI 매칭을 통해 식별하였습니다. DOI가 없는 레코드의 경우, 정규화된 논문 제목을 제1저자 이름 및 출판 연도와 함께 비교하였습니다. 메타데이터가 불완전하거나 일치하지 않는 레코드는 수동으로 검토하였습니다. 동일한 논문이 두 개 이상의 CNKI 인덱싱 범주에 나타난 경우, 인덱싱된 범주의 수와 관계없이 통합 CNKI 데이터셋에 한 번만 유지하였습니다. CNKI 내 중복 제거 및 적격성 심사 후, 총 1,096편의 고유한 중국어 논문이 선정되었습니다. 본 연구의 목적은 학술지의 명성에 따라 말뭉치를 제한하는 것이 아니라 전반적인 AMR 연구 지형을 특성화하는 것이었으므로, 저널 영향력 지수(impact-factor) 임계값은 적용하지 않았습니다. 또한, 본 연구의 목적은 개별 연구 수준의 방법론적 품질을 평가하는 것이 아니라 전반적인 계량서지학적 지형을 특성화하는 것이었으므로, 개별 출판물에 대한 공식적인 방법론적 품질 또는 편향 위험(risk-of-bias) 평가는 수행하지 않았습니다.

SCI-E와 CNKI 전체에서 초기에 5,286건의 레코드가 식별되었습니다. 이후 CNKI와 Web of Science 데이터셋 간의 잠재적 중복을 식별하기 위해 동일한 DOI, 제목, 저자 및 연도 기준을 적용하였습니다. 통합 중복 제거 및 적격성 스크리닝 과정에서 총 2,190건의 레코드가 제거되었으며, 최종적으로 3,096건의 출판물이 분석 대상으로 남았습니다. 문헌 식별, 스크리닝 및 포함 과정의 전체 내용은 부록 그림 1에 제시되어 있습니다.

포함 기준은 다음과 같았다: 중국 내 세균 AMR에 초점을 맞춘 연구, 내성률, 분자 역학, 임상 결과 또는 중재 전략을 보고한 논문, 그리고 2016년 1월 1일부터 2025년 12월 31일 사이에 발표된 출판물. 중복 기록, 2026년 출판물, 독창적인 데이터 세트가 없는 리뷰 또는 메타 분석, 그리고 인체 건강 구성 요소 없이 수의학 또는 환경 AMR에 국한된 연구는 제외되었다. 새로운 1차 데이터 세트가 없는 리뷰 및 메타 분석은 본 분석이 독창적인 연구 성과를 특징짓도록 설계되었기 때문에 제외되었다. 분석 대상을 독창적인 연구로 제한함으로써 출판 수, 공동 저자 패턴, 키워드 빈도 및 인용 관련 척도를 포함한 계량서지학적 지표의 비교 가능성을 높였는데, 이는 근거 합성 논문은 이전 연구들을 집계하므로 인용 및 키워드 프로필이 상당히 다를 수 있기 때문이다. 데이터베이스 전반의 중복 항목을 제거하고 제목과 초록을 스크리닝한 후, 총 3,096편의 출판물이 계량서지학적 분석에 포함되었으며, 여기에는 중국어 논문 1,096편(35.4%)과 영어 출판물 2,000편(64.6%)이 포함되었다.

분석 방법

계량서지학적 분석을 위해 CiteSpace (Drexel University, Philadelphia, PA, USA)17를 사용하였다. 분석 기간은 2016~2025년으로 설정하였으며, 시간 슬라이스 길이는 1년으로 하였다. 저자, 기관 및 키워드 분석을 위해 노드 유형을 각각 별도로 선택하였다. 노드 선택에는 k = 10인 g-index를 사용하였으며, 표시 설정으로는 LRF = 2.5, L/N = 10, LBY = 5, e = 1.0을 적용하였다. 주요 네트워크 구조를 유지하면서 불필요한 연결을 줄이기 위해 저자, 키워드 및 클러스터 네트워크에 패스파인더 가지치기(Pathfinder pruning)를 적용하였다. 10년의 연구 기간 내 연간 변화를 보존하기 위해 1년의 시간 슬라이스를 선택하였다.

네 가지 주요 분석 모듈이 활용되었다: 저자와 기관 간의 협업 네트워크를 매핑하기 위한 공동 저자 분석, 연구 주제와 그 관계를 식별하기 위한 키워드 동시 출현 분석, 자동 레이블링을 통해 주제별 클러스터를 추출하기 위한 Log-Likelihood Ratio (LLR) 알고리즘 기반의 클러스터 분석, 그리고 신흥 트렌드와 연구 프런티어를 식별하기 위한 Kleinberg 알고리즘 기반의 버스트 탐지 분석이다. 클러스터의 품질을 평가하기 위해 모듈성 Q와 평균 실루엣 S를 포함한 네트워크 지표가 사용되었다. 모듈성 Q 값이 0.3보다 크면 의미 있는 커뮤니티 구조가 형성되었음을 나타내며, 평균 실루엣 값이 0.7보다 크면 클러스터 내 일관성이 높고 클러스터 할당이 신뢰할 수 있음을 나타낸다18.

내성 경향의 통계적 분석

주요 병원균의 내성률 추세는 전국의 참여 감시 병원 데이터를 취합한 중국 항균제 내성 감시 체계(CARSS) 연례 보고서(2016–2025)에서 도출되었습니다. 이러한 감시 데이터는 서지 분석 코퍼스와는 독립적으로 분석되었으며, CiteSpace 분석에 사용된 3,096편의 Web of Science 및 CNKI 출판물에서 추출되거나, 통합되거나, 포함되지 않았습니다.

각 병원체-항균제 조합에 대해 연간 내성률(특정 약제에 내성을 보이는 중복되지 않은 분리균의 백분율), 테스트한 총 분리균 수(분모) 및 데이터를 제공한 감시 병원의 수를 추출하였습니다. 감수성 테스트는 표준화된 액체 배지 미량 희석법 또는 디스크 확산법을 사용하여 수행되었으며, 해석은 미국 임상 및 실험실 표준 협회(CLSI) 가이드라인(M100 문서, 2016-2025년판)을 기준으로 하였습니다.

시간적 추세를 평가하기 위해, 전체 10년 기간(2016–2025)에 걸쳐 내성률을 종속 변수로, 연도를 독립 변수로 하여 선형 회귀 분석을 수행하였습니다. 각 병원체-항균제 쌍에 대해 회귀 기울기(β)와 결정계수(R2)를 계산하였습니다. 감시 범위의 잠재적 변화(예: 2016년 1,398개 병원에서 2025년 2,349개 병원으로 확대)를 고려하여, 각 연도의 내성률에 참여 병원 수의 역수와 보고 기관의 지리적 분포를 가중치로 적용한 민감도 분석도 수행하였습니다. 이러한 가중치 모델은 가중치를 적용하지 않은 분석과 일치하는 추세 방향 및 유의 수준을 나타냈으므로, 단순성과 해석 가능성을 위해 가중치를 적용하지 않은 결과를 제시하였습니다. 모든 통계 분석은 R version 4.3.2 (R Foundation for Statistical Computing, Vienna, Austria)를 사용하여 수행되었습니다. 양측 p-value <0.05를 통계적으로 유의한 것으로 간주하였습니다.

결과

게재 동향

총 3,096편의 간행물이 분석에 포함되었다. 연간 총 발행 건수는 2016년 357편에서 증가하여 2022년 365편의 정점을 기록한 후, 이후 2025년까지 지속적으로 감소하여 146편에 이르렀다(그림 1). 영어로 발행된 논문 수는 2016년 130편에서 2022년 295편까지 증가한 후, 2025년에는 69편으로 감소하였다. 중국어로 발행된 논문 수는 2016년 227편에서 2019년 93편으로 감소한 후, 2020년부터 2021년 사이에 증가세를 보였으며, 2025년에는 77편에서 마감되었다(그림 1).

언어별 분포는 흥미로운 양상을 보여주었다. 2016년에는 중국어로 발표된 논문이 전체의 63.6%로 가장 많았으나, 영어 논문은 상대적으로 더 빠르게 증가하여 2016년에는 겨우 130편(36.4%)에서 2022년에는 295편(80.8%)으로 증가했다. 이러한 변화는 국제 공동연구의 활성화와 중국의 항균제 내성(AMR) 연구가 세계적으로 미치는 영향력이 커지고 있음을 반영한다.

저자 및 기관 협업 네트워크

네트워크 분석을 통해 공동저자 네트워크 내 주요 저자들과 협업 양상을 파악하였다(그림 2). 표 1은 가장 많은 논문을 발표한 상위 10명의 저자들을 정리한 것이다. 중국 남부농업대학의 왕촨(Wang Juan)과 저장대학의 위에민(Yue Min)이 각각 44편의 논문으로 가장 높은 게재 실적을 기록하며 공동 1위를 차지했다. 상하이시 질병통제예방센터의 쉬쉬에빈(Xu Xuebin)과 광둥성과학원의 우칭핑(Wu Qingping)은 각각 42편의 논문을 발표했으며, 이에 이어 광둥성과학원의 장쥐메이(Zhang Jumei)가 41편의 논문을 발표하였다. 동일한 기관 소속의 두 저자(광둥성과학원 미생물연구소의 우칭핑과 장쥐메이)가 상위 5위 안에 포함되어 이 기관의 강력한 연구 활동을 시사한다. 논문 게재 수는 연구 생산성을 나타내는 지표로 해석되었으며, 매개 중심성(betweenness centrality)은 공동연구 네트워크 내에서 저자가 맡는 연결 고리 역할을 나타내는 별도의 지표로 해석되었다. 이들의 매개 중심성 값은 각각 0.01과 0.04였다.

저자 협업 네트워크는 248개의 노드와 420개의 연결 고리로 구성되어 있으며, 밀도는 0.0137이었다. 이 낮은 밀도는 가능한 모든 저자 쌍 중 극소수만 연결되어 있음을 나타내며, 협업이 네트워크 전반에 걸쳐 광범위하게 분포하기보다는 제한된 수의 연구 그룹 내에 집중되어 있음을 시사한다. 주목할 만한 점은 기관 간 협업이 기관 내 협업보다 덜 빈번했다는 것으로, 병원 간 협력 강화의 여지가 있음을 시사한다. 주요 기관들은 주로 베이징, 상하이, 항저우, 광저우, 양저우와 같은 주요 동부 대도시 및 연구 중심지에 집중되어 있었다.

기관별 분석 결과, 저장대학교가 195편의 출판물과 10,660회의 인용 횟수로 1위를 차지했으며, 그 뒤를 따라 남중국농업대학교가 112편의 출판물과 중국농업대학교가 99편의 출판물로 뒤를 이었다(표 2). 상위 10개 기관 중 5개는 베이징에 위치해 있었고, 2개는 상하이에, 각각 양저우, 항저우, 광저우에 1개씩 있었다. 동부/중부/서부 중국 지역 간 공식적인 출판물 산출량 분석은 수행되지 않았다.

연구 동향 및 키워드 분석

키워드 공출현 분석을 통해 932개의 공출현 연결을 가진 257개의 키워드 노드를 확인하였다(그림 3). 네트워크 밀도는 0.0283이며, 키워드당 평균 약 7.3개의 연결을 가지며, 이는 중간 정도의 주제적 일관성을 나타낸다. 표 3은 빈도가 가장 높은 상위 10개의 키워드를 나열하고 있다. “항균제 내성(Antimicrobial Resistance)”은 공출현 행렬에서 285회의 출현 빈도와 중심성 0.92를 가지며 중심 노드로 나타났으며, 그 다음으로는 “카바페넴(Carbapenem)”(192회, 중심성 0.78) 과 “ESBL”(광범위 스펙트럼 β-락타마제, extended-spectrum β-lactamase; 168회; 0.72)이 뒤를 이었다. 표 3에서 공출현 빈도와 총 출현 빈도 간의 차이는, 표 3이 전체 말뭉치(corpus)에서의 원시 용어 빈도를 보고하는 반면, 네트워크 공출현 행렬은 동일한 문서 내에서의 공출현만을 계산하기 때문이며, 완전성을 위해 두 지표 모두 보고하였다.

키워드 네트워크는 뚜렷한 주제별 클러스터를 나타냈다. 병원체 특이적 키워드(K. pneumoniae, A. baumannii, P. aeruginosa)는 내성 기전(카바페넴분해효소, 생물막)과 밀접하게 모여 있었으며, 임상 관리 관련 용어(항생제 관리, 병합 요법)는 별개이지만 연결된 클러스터를 형성했다. 이러한 구조는 연구가 기술적인 병원체 연구에서 기전에 대한 이해 및 중재 전략으로 진화해왔음을 시사한다.

LLR 알고리즘을 이용한 군집 분석을 통해 모듈러리티 Q 값 0.8108과 평균 실루엣 S 값 0.9388을 가지는 15개의 키워드 군집을 확인하였다(그림 4). 타임라인에서 강조된 6개의 주요 군집은 #0 “병원성 유전자”, #2 “Klebsiella pneumoniae”, #4 “항균제 내성 유전자”, #5 “항생제 내성”, #6 “분자역학”, #7 “Escherichia coli”이다. 타임라인을 통해 초기에는 광범위한 항생제 내성, 병원체 감시 및 분자역학 주제가 두드러졌으며, 후기로 갈수록 병원성 유전자, 항균제 내성 유전자 및 Klebsiella pneumoniae 연구가 지속적으로 활발히 이루어졌음을 알 수 있다. 군집들 간의 시간적 중첩은 하나의 주제가 다른 주제에 의해 엄격히 순차적으로 대체되는 것이 아니라, 연구 주제의 누적적 다양화를 나타낸다.

“카바페넴”과 “ESBL”의 높은 매개 중심성(betweenness centrality)은 β-락탐 내성이 문헌계량 네트워크 전반에 걸쳐 중요한 연결 고리 역할을 했음을 나타낸다. 이러한 주제적 중심성은 아래 제시된 외부 CARSS 감시 데이터와 일치하는 경향을 보였으나, 분석적으로는 독립적이었다. 해당 데이터는 폐렴크렙시엘라(Klebsiella pneumoniae)에서의 카바페넴 내성 증가와 아시네토박터 바우마니(Acinetobacter baumannii)에서의 지속적으로 높은 카바페넴 내성을 보여주었다.

항생제 내성 추세 및 역학적 양상

별도의 분석에서 외부 CARSS 감시 데이터는 카바페넴 및 β-락탐 내성 관련 주제를 다루었으며 병원체 특이적인 내성 경향의 상이함을 밝혀냈다(표 4). MRSA는 2016년 48.8%에서 2025년 25.8%로 꾸준히 유의미하게 감소하였다(β = 연간 -2.43%, R2 = 0.94, p < 0.001), 이는 47.1%의 상대적 감소를 나타낸다. MRSA의 감소는 중국 병원들에서 능동적 감시, 접촉 예방 조치, 탈식민지화 절차 및 항생제 관리 조치의 시행 시기와 시간적으로 일치하였다.19, 비록 현재의 생태학적 분석으로는 이러한 경향을 특정한 개입에 기인한다고 단정할 수는 없지만, 이전의 전국적 연구들은 그람음성 병원균에서의 내성과 카바페넴 및 제3세대 세팔로스포린 사용 사이의 연관성을 보고하였다.20관찰된 경향을 설명할 수 있는 가능성을 제시하지만, 본 연구에서는 항균제 사용량 데이터를 직접적으로 분석하지 않았다.

반면, 그람음성 병원균에서 카바페넴 내성은 놀라운 수준으로 증가했다. CRKP는 2016년 5.6%에서 2025년 20.0%로 급격히 증가하였으며(연간 β = +1.61%, R2 = 0.97, p < 0.001), 이는 3.6배 증가한 수치이다. 카바페넴 내성 아시네토박터 바우마니(Acinetobacter baumannii, CRAB)는 전 기간 동안 높은 수준의 유행 상태를 유지하면서 56.0%에서 76.5%로 증가하였고(연간 β = +2.35%, R2 = 0.92, p < 0.001), 일부 지역에서는 80%를 초과하는 내성률이 보고되었다. VRE(반코마이신 내성 장구균)는 초기 기준치가 낮았음에도(1.5%) 꾸준한 상승 추세를 보이며 2025년에는 6.5%에 도달하였다(연간 β = +0.56%, R2 = 0.89, p < 0.001). MRSA의 뚜렷한 감소와는 대조적으로, 카바페넴 내성 유세우도모나스 에어루지노사(Pseudomonas aeruginosa, CRPA)는 25.0%에서 19.9%로 소폭 감소하는 데 그쳤다. 전반적으로 내성의 변화 양상은 균주 특이적이었으며 일관된 패턴은 아니었다. 즉, MRSA와 CRPA는 감소한 반면, CRKP, CRAB 및 VRE는 연구 기간 동안 증가하였다.

새로 부상하는 연구 분야

버스트 탐지 분석을 통해 가장 강한 버스트 신호를 보인 10개의 키워드가 확인되었다(표 5 및 그림 5). 이 중 이동성 콜리스틴 내성-1(mcr-1)은 가장 강한 버스트 신호(9.12; 2016–2022)를 나타냈으며, 카바페넴효소는 다소 낮지만 더 오랜 기간 지속되는 버스트(8.52; 2016–2024)를 보였다. mcr-1의 핫스팟은 주로 유전자 중심의 연구 흐름을 반영하며, 플라스미드 매개 콜리스틴 내성의 확인 및 분자적 특성 규명에서부터 그 확산에 대한 감시로 이어지는 경로를 보였다. 반면, 더 긴 기간 지속된 카바페넴효소의 버스트는 효소 및 내성 유전자 기전에서부터 분자 역학, 임상 전파 및 감염 관리 문제에 이르기까지 꾸준히 유지된 연구 관심을 반영한다. 버스트 탐지는 개별 내부 단계를 구분하는 것이 아니라 연구 관심의 시간적 집중도를 식별하므로, 각 버스트 구간 내에서 별도의 하위 기간 경계는 설정하지 않았다.

항균 펩타이드(버스트 강도 7.92; 2019–2024), 박테리오파지 치료(6.54; 2020–2024), 머신러닝(5.83; 2021–2024), 그리고 정기적으로 간격이 있는 짧은 회문 반복 서열(CRISPR; 4.92; 2022–2024)은 모두 2024년에 끝나는 지속적인 버스트 기간을 보였다. 이러한 점점 늦어지는 시작 연도는 대체 치료법 및 기술 기반 연구 주제들의 순차적 등장을 나타낸다. 연도별 개별 키워드 빈도 증가율이 계산되지 않았기 때문에, 이 용어들은 연간 성장이 입증된 주제라기보다는 버스트 탐지된 연구 최전선으로 설명된다.

데이터 이용 가능성:

본 연구에서 분석한 참고문헌 기록은 Web of Science Core Collection 및 중국 국가 지식 인프라(CNKI)에서 각각의 데이터베이스 접근 및 라이선스 조건에 따라 검색된 것이다. 이러한 원본 기록은 데이터베이스 라이선스 제한을 받으며 저자들이 재배포할 수 없다. 검색 전략 및 선별 절차는 원고 및 보충 자료 그림 1에 보고되어 있으며, 연간 출판 건수는 보충 자료 표 1에 제공되어 있다. 최종 분석에 포함된 3,096편의 출판물에 대한 참고문헌 기록은 보충 자료 표 2에 제공되며, 여기에는 Web of Science Core Collection 기록 2,000건과 CNKI 기록 1,096건이 포함된다. 항균제 내성 감시 데이터는 공개된 중국 항균제 내성 감시 시스템(CARSS) 연례 보고서에서 추출하였다.

figure-results-1
그림 1: 2016년부터 2025년까지 중국의 항균제 내성 연구 분야 연간 출판 실적 (n = 3,096편). 이 그림은 연도별로 영문, 중문 및 전체 논문 출판 건수를 나타낸다. 영문 논문은 2016년 130편에서 2022년 295편으로 증가했으나, 2025년에는 69편으로 감소하였다. 이 그림의 확대 버전을 보려면 여기를 클릭하십시오.

figure-results-2
그림 2: 분석에 포함된 중국의 항균제 내성 관련 SCI-E 간행물 2,000건(2016–2025년)에서 생성된 저자 협업 네트워크. 이 네트워크는 중국에서 항생제 내성(AMR) 분야에 관한 논문을 발표한 저자들 간의 공동저자 관계를 시각화한 것이다. 노드 크기는 출판 편수를 나타내며, 선의 두께는 협업 빈도를 나타낸다. 노드 색상은 CiteSpace의 기본 시간대 그라데이션을 따르며, 자주색 노드는 가장 초기의 출판물(2016–2017년)을, 파란색 노드는 중간 기간(2018–2021년)을, 빨간색/주황색 노드는 최근의 출판물(2022–2025년)을 나타낸다. 중심성은 노드 색상에 명시적으로 표현되지 않았으며, 대신 매개 중심성이 높은 노드(>0.1)인 연결은 시각화에서 외부 고리로 강조되어 있다. 이 네트워크는 248명의 저자 노드와 420개의 협업 연결 고리로 구성되어 있으며(밀도 = 0.0137) 주요 저자로는 Wang Juan, Yue Min, Xu Xuebin, Wu Qingping, Zhang Jumei가 있다. 최대 연결 성분은 157명의 저자(네트워크의 63%)를 포함한다. 구조적 명확성을 높이기 위해 Pathfinder 알고리즘을 사용하여 가지치기(pruning)를 수행하였다. 상대적으로 낮은 네트워크 밀도는 기관 간 협업이 제한적이며 연구 활동이 소수의 주요 연구 그룹에 집중되어 있음을 나타낸다. 자료 출처: Web of Science Core Collection; 분석 도구: CiteSpace. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-3
그림 3: 키워드 분석에 포함된 2,000건의 SCI-E 출판물(2016–2025년)에서 생성된 키워드 공출현 네트워크. 노드 크기는 키워드 빈도를 나타내며, 선의 두께는 공출현 강도를 나타낸다. 색상은 보라색(2016년)에서 파란색(2018–2021년)을 거쳐 빨간색/주황색(2022–2025년)으로 변화하는 CiteSpace 시간대 그라데이션을 따랐다. 중심성 값은 색상으로 표시하지 않았으며, 대신 노드 레이블의 크기를 매개 중심성(betweenness centrality)에 비례하게 조정하여 더 큰 레이블일수록 더 중요한 연결 역할을 나타내도록 하였다. 이 네트워크는 257개의 키워드 노드와 932개의 공출현 연결 고리로 구성되어 있으며(밀도 = 0.0283), 가장 큰 연결 성분은 157개의 키워드(네트워크의 61%)를 포함한다. 높은 빈도의 키워드로는 “항균제 내성”, “Klebsiella pneumoniae”, “Escherichia coli”, “Staphylococcus aureus”, “유병률”, “분자적 특성 분석” 등이 있으며, 이는 내성 감시 및 분자 역학 분야의 주도적인 연구 주제를 반영한다. 이 네트워크는 저자 협업 네트워크에 비해 더 강한 상호 연결성을 보여 주며, 이는 다양한 연구 주제 간의 주제적 일관성을 나타낸다. 데이터 출처: Web of Science Core Collection; 분석 도구: CiteSpace. 이 그림의 확대 버전을 보려면 여기를 클릭하십시오.

figure-results-4
그림 4: 키워드 분석에 포함된 SCI-E 출판물 2,000건에서 생성된 키워드 클러스터 타임라인(2016–2025년). 각 수평선은 연구 클러스터(#0–#14)를 나타내며, 노드는 해당 연도에 나타난 개별 키워드를 나타낸다. 노드 크기는 키워드 빈도를 나타낸다. 클러스터링 분석은 로그-우도 비(LR) 알고리즘을 사용하여 수행되었으며, 뛰어난 구조 타당성을 가진 15개의 뚜렷한 클러스터를 산출하였다(모듈러리티 Q = 0.8108, 평균 실루엣 S = 0.9388). 본문에서 논의된 6개 주요 클러스터는 가장 두드러진 클러스터(#0, #2, #4, #5, #6, #7)를 나타낸다. 타임라인 보기에서는 연구 초점의 시간적 변화를 확인할 수 있다: 초기 클러스터(2016–2018년)는 감시 및 분자 역학에 집중한 반면, 이후 등장한 클러스터는 고급 유전체학적 도구를 포함하게 되었다. 이 네트워크는 257개의 키워드 노드와 315개의 동시 출현 연결 고리(밀도 = 0.0096)로 구성되어 있으며, 가장 큰 연결 성분은 256개 노드(네트워크의 99%)를 포함한다. 데이터 출처: Web of Science Core Collection; CiteSpace를 사용하여 분석함. 이 그림의 확대 버전을 보려면 여기를 클릭하십시오.

figure-results-5
그림 5: 중국의 항생제 내성에 관한 SCI-E 출판 데이터셋에서 검출된 상위 10개 급증 키워드(2016–2025년). 각 막대는 키워드와 그 폭발 강도(수치)를 나타냅니다. 빨간색 구간은 검출된 폭발 기간을, 파란색 구간은 폭발이 검출되지 않은 연도를 나타냅니다. 수평 시간 축은 2016년부터 2025년까지의 전체 연구 기간을 포함합니다. 각 빨간색 구간의 시작 및 종료 연도는 표시된 "Begin" 및 "End" 값과 정확히 일치합니다. 표 5가장 강한 폭발은 다음에서 관찰되었다. mcr-1 (9.12, 2016–2022) 및 카바페넴효소(8.52, 2016–2024)로, 이들이 연구 동향을 주도하는 지속적인 영향력을 반영한다. 급증 키워드는 다섯 가지 주제별 그룹으로 분류되며, 첫 번째는 내성 유전자(mcr-1); 내성 기전(카바페넴분해효소, 생물막 형성); 신규 치료법(항균 펩타이드, 박테리오파지 치료); 임상 관리(항균제 적정 사용, 병합 요법); 및 기술(WGS, 기계 학습, CRISPR). 급증 강도가 있는 키워드 >3.0 이상을 유의미한 것으로 간주함. 자료 출처: Web of Science Core Collection; CiteSpace를 사용하여 분석함. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

등급저자기관논문중심성
1왕촨남중국농업대학440.2
2유민절강대학교440.15
3쉬쉐빈상하이시 질병통제예방센터420.2
4우칭핑광둥성 과학원 미생물연구소420.01
5장주메이광둥성 과학원 미생물연구소410.04
6왕양중국농업대학350.11
7리옌절강대학교300.23
8왕웨이중국국가식품안전위해평가센터260.03
9천모통광둥성 과학원 미생물연구소250.07
10왕후이베이징 대학교 인민병원240.12

표 1: 항균제 내성(AMR) 연구에서 가장 생산적인 저자 상위 10인 (2016-2025). 게재 논문 수는 저자의 생산성을 나타낸다. 매개 중심성(betweenness centrality)은 저자가 서로 분리된 협업 네트워크의 부분들을 얼마나 연결하는지를 측정하며, 값이 높을수록 더 강한 연결 역할을 의미한다. 게재 논문 수와 중심성은 별개의 문헌계량 지표로 해석되었다.

등급기관도시출판물총 인용 횟수
1절강대학교항저우19510,660
2남중국농업대학광저우1127,496
3중국농업대학베이징997,275
4양저우 대학교양저우972,227
5상하이 교통대학상하이943,437
6중국의학과학원 - 베이징연합의과대학베이징913,138
7중국질병통제예방센터 &예방베이징842,657
8중국과학원베이징844,903
9중국농업과학원베이징791,988
10푸단 대학교상하이783,392

표 2: 출판물 생산량 기준 상위 10개 연구기관 (2016–2025년). 출판물 수와 총 인용 횟수는 2026년 4월 28일 기준이다. 지리적 분포는 베이징(상위 10개 기관 중 5개: 중국농업대학, 중국의학과학원–베이징연합의학원, 중국질병통제예방센터, 중국과학원, 중국농업과학원), 상하이(2개: 상하이자오퉁대학 및 후단대학), 항저우(저장대학), 광저우(남중국농업대학), 양저우(양저우대학)에 각각 하나씩 있다. 기관 간 네트워크는 명확한 지리적 집중 현상을 보였으며, 베이징과 상하이가 상위 10개 기관 중 7개를 차지함으로써 동부 대도시 지역에 연구 역량이 집중되어 있음을 나타낸다.

순위키워드빈도중심성카테고리
1항균제 내성11670.92일반적인 AMR 개념
2카바페넴4670.78항균제 계열
3ESBL1680.72내성 기전/형질
4MRSA1560.68내성 임상 병원체
5생물막1340.65내성 기전
6CRE1280.62내성 형질/병원체 군
7P. aeruginosa1080.58임상 병원체
8A. baumannii1020.55임상 병원체
9K. pneumoniae980.52임상 병원체
10E. coli950.5임상 병원체

표 3: AMR 연구에서 상위 10개 고빈도 키워드 (2016–2025). 카테고리는 항균제 내성 문헌에서 각 키워드의 주요 의미 역할을 나타낸다. 키워드는 일반적인 AMR 개념, 항균제 계열, 내성 유전자 또는 기전, 내성 표현형, 임상 병원체, 치료 또는 관리 용어, 감시 및 역학 용어로 분류되었으며, 해당되는 경우에 따라 구분하였다. 본 상위 10개 목록에서는 일반적인 AMR 개념, 항균제 계열, 내성 기전 또는 표현형, 그리고 임상 병원체 카테고리가 포함되었다.

생물체2016201820222025추세p-값
MRSA48.80%35.80%27.20%25.80%감소 중<0.001
CRKP5.60%15.20%22.80%20.00%증가 중<0.001
CRPA25.00%27.20%21.50%19.90%감소 중0.003
CRAB56.00%64.50%76.80%76.50%고수준 유지<0.001
VRE1.50%2.90%5.20%6.50%증가 중<0.001

표 4: 주요 병원균에서 항균제 내성의 추세 (2016–2025). 각 가로줄은 LLR 기반으로 생성된 15개 클러스터(#0–#14) 중 하나를 나타내며, 각 노드는 해당 연도에 등장한 키워드를 나타낸다. 노드 크기는 키워드 빈도를 의미한다. 본문에서 논의된 6개 주요 클러스터는 #0 “병원성 유전자”, #2 “Klebsiella pneumoniae”, #4 “항균제 내성 유전자”, #5 “항생제 내성”, #6 “분자 역학”, #7 “Escherichia coli”이다. 클러스터링 결과의 모듈성 Q는 0.8108, 평균 실루엣 S는 0.9388이었다.

순위키워드급증도시작 연도종료 연도분류
1mcr-19.1220162022내성 유전자
2Carbapenemase8.5220162024내성 기전
3Antimicrobial peptides7.9220192024신규 치료법
4Biofilm formation7.2520172024내성 기전
5WGS7.3420182024분자형 분석
6Antibiotic stewardship6.8920172024임상 관리
7Phage therapy6.5420202024신규 치료법
8Combination therapy6.2320172023치료 전략
9Machine learning5.8320212024기술
10CRISPR4.9220222024기술

표 5: 연구 프론티어를 나타내는 상위 10개 급증 키워드 (2016–2025). 전선 활동의 정량적 지표로 버스트 강도와 버스트 지속 기간을 사용하였다. 연도별 개별 키워드 빈도 성장률은 계산하지 않았다. 버스트 강도는 기본 설정 매개변수를 사용한 CiteSpace 버스트 검출 알고리즘(클라인버그 알고리즘)으로 계산하였다.γ = 1.0, 최소 지속 기간 = 2년). 급증 강도를 가진 키워드 >3.0 이상을 유의미한 값으로 간주한다. "Begin"과 "End"는 각각 폭증 기간의 첫 해와 마지막 해를 나타내며, 이는 그림 5에 시각화되어 있다. 분류(category) 열은 각 폭증 키워드의 주제별 분류를 반영한다. 가장 강한 폭증은 다음 키워드에서 관찰되었다. mcr-1 (9.12, 2016–2022) 및 카바페넴효소(8.52, 2016–2024)를 기록하여, 이들이 연구 동향을 주도하는 핵심 역할을 하고 있음을 나타냈다. 주목할 만하게도, 새로운 치료 접근법(항균 펩타이드, 박테리오파지 요법)과 신진 기술(머신러닝, CRISPR)은 2024년까지 지속적인 급증 활동을 보이며, 혁신 중심의 항생제 내성(AMR) 연구로의 패러다임 전환을 시사하였다. 분석 기간은 2016년부터 2025년까지이다. 2024년에 종료된 급증은 해당 키워드에 대해 2025년에는 유의미한 급증이 탐지되지 않았음을 의미하며, 전체 분석 기간이 2024년에 종료된다는 의미는 아니다.

보충 그림 1: 문헌 식별, 선별 및 포함에 대한 PRISMA 스타일 흐름도. 총 5,286건의 데이터베이스 기록이 최초로 식별되었으며, 이 중 3,043건은 Web of Science Core Collection의 Science Citation Index Expanded(SCI-E)에서, 983건은 중국국가지식인프라(CNKI)의 베이징대학 핵심저널 범주에서, 802건은 중국과학인용데이터베이스 범주에서, 462건은 World Journal Clout Index 범주에서 확인되었다. 세 개의 CNKI 범주는 중복되었기 때문에, 선별 전에 범주별 기록들을 통합하였다. 중복 기록은 가능한 경우 DOI 일치 여부를 확인하여 식별한 후, 논문 제목, 제1저자 이름 및 게재 연도를 비교하였으며, 불확실한 일치 항목은 수동으로 검토하였다. 중복 제거 및 적격성 선별을 병행한 후, 2,190건의 기록이 제외되었고, 3,096건의 간행물이 포함되었으며, 이는 영어로 된 SCI-E 간행물 2,000건과 중국어로 된 CNKI 간행물 1,096건으로 구성된다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 자료 표 1: 2016년부터 2025년까지 중국의 항균제 내성 연구 분야 연도별 출판 실적. 서지 계량 분석에 포함된 영어 및 중국어 출판물의 연도별 출판 건수가 각 연도의 총 출판 건수와 함께 제시되어 있다. 최종 데이터셋은 3,096건의 출판물을 포함한다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 자료 표 2: 최종 문헌 계량 분석에 포함된 간행물의 서지 정보 기록. 이 표는 최종 분석용 데이터셋에 포함된 3,096편의 간행물을 나열하며, 이 중 2,000편은 웹 오브 사이언스 코어 컬렉션(Web of Science Core Collection)에서 추출한 영어 문헌이고, 1,096편은 중국 국가 지식 인프라(CNKI, China National Knowledge Infrastructure)에서 추출한 중국어 문헌이다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

서지학적 패턴을 통해 볼 때, 중국의 AMR 연구는 기술적 감시 및 병원체 특성 규명에서 저항성 기전, 유전체적 접근 방식 및 중재 중심 연구로 점진적으로 확대되었음을 알 수 있습니다. 중첩되는 키워드 클러스터와 버스트 기간(burst periods)은 세 개의 개별적이고 상호 배타적인 단계라기보다 누적적인 주제 다변화가 이루어졌음을 나타냅니다. 이러한 변화의 시점은 관련 정책적 배경을 제공하는 2016–2020년 및 2022–2025년 항생제 내성 억제를 위한 국가 행동 계획과 겹칩니다. 그러나 본 서지학적 분석만으로는 정책 발표가 출판 주제의 관찰된 변화를 야기했다는 인과관계를 입증할 수는 없습니다. 출판물의 증가는 AMR 위기의 심화(2019–2021)와 이 과제를 해결하려는 정부 및 기관의 의지 상승을 모두 반영합니다. 따라서 제안된 연구 주제의 진화 과정은 기술적으로 해석되어야 하며, 마일스톤 논문이나 단계별 고인용 논문 분석을 통해 독립적으로 검증되지 않았습니다. 글로벌 맥락에서 볼 때, 중국의 연구 결과 궤적은 내성 부담의 증가에 대응하여 AMR 출판량이 기하급수적으로 확대된 신흥 경제국 전반에서 관찰되는 광범위한 패턴과 일치합니다21.

2022년 정점 이후 출판물의 감소는 제2차 항균제 내성 억제를 위한 국가 행동 계획(2022–2025)의 시행 기간과 일치하며, 반면 그 이전의 증가세는 제1차 행동 계획(2016–2020) 이후에 나타났습니다. 이러한 시간적 일치성은 단순히 AMR 연구 활동의 감소라기보다는, 연속적인 정책 단계에 따른 연구 우선순위, 연구비 할당 및 출판 패턴의 변화를 반영하는 것일 수 있습니다. 하지만 출판 및 색인 지정의 지연, 데이터베이스의 범위, 그리고 연구 선정 기준 또한 특히 최근 몇 년간의 겉보기 감소에 영향을 미쳤을 가능성이 있습니다. 따라서 본 서지 분석만으로는 국가 행동 계획과 출판물 출력 사이의 인과 관계를 확립할 수 없습니다.

협력 네트워크 분석 결과, Wang Juan, Yue, Min, 그리고 Zhejiang University가 지역 연구 센터들을 연결하는 핵심 허브 역할을 하는 매우 중앙 집중화된 구조임이 드러났습니다. 그러나 제한적인 지역 간 협력(네트워크 밀도 = 0.0137)은 연구 그룹 간의 연결성이 낮다는 것을 시사하지만, 동부/중부/서부 지역별 출판 분석은 공식적으로 수행되지 않았습니다. 실행 가능한 지역 간 협력 프레임워크는 CARSS를 국가 감시 및 데이터 조정의 중추로 활용하고, 지역 의료 컨소시엄을 검체 수집, 감수성 테스트 절차 및 다기관 임상 검증을 조율하는 단위로 하며, 대학 연구 플랫폼을 유전체 시퀀싱, 생정보학 및 방법론 개발의 센터로 사용할 수 있습니다. 공유 데이터 사전, 비식별 상호운용 데이터 세트, 정기적인 지역 간 벤치마킹 및 공동 조기 경보 프로젝트는 감시 신호를 연구 우선순위와 지역 맞춤형 스튜어드십 조치로 전환하는 데 도움이 될 수 있습니다. 제안된 이 프레임워크는 본 연구에서 직접 평가된 중재 방안이라기보다 네트워크 분석 결과로부터 도출된 구현 경로를 나타냅니다.

본 연구에서 확인된 상이한 내성 경향은 깊은 임상적 시사점을 갖습니다. MRSA의 급격한 감소(48.8%→25.8%; 연간 β = –2.43%, p < 0.001)는 의무적 감시, 손 위생 캠페인 및 항생제 스튜어드십을 포함한 조정된 국가적 개입이 내성 병원균을 효과적으로 퇴치할 수 있음을 보여줍니다22.

이러한 서로 다른 궤적은 아마도 항균제 선택 압력, 내성 기전, 생태학적 지속성, 전파 역학 및 감염 관리 조치에 대한 반응성 측면에서 병원균 간의 차이를 반영하는 것으로 보입니다. MRSA의 감소는 감시 및 감염 관리 프로그램의 광범위한 시행과 관련이 있을 수 있는 반면, CRKP 및 CRAB에서 나타나는 내성의 증가 또는 지속적인 고수준 내성은 카바페넴 내성 결정 인자의 지속적인 확산과 다제내성 그람 음성균 제어의 어려움을 반영할 수 있습니다. CRPA의 완만한 감소는 내성 경향이 모든 카바페넴 내성 병원균에 일반화될 수 없음을 나타냅니다. 마찬가지로, 상대적으로 낮은 기저치에서 VRE가 증가한 것은 지속적인 모니터링이 필요함을 시사합니다. 이러한 요인들은 직접적으로 측정되지 않았으므로, 입증된 인과 기전이라기보다 타당한 해석으로 간주되어야 합니다.

버스트 분석 결과와 마찬가지로, mcr-1 및 카바페네메이스(carbapenemase)는 주요 연구 주제로 계속해서 나타났으며, 이는 이동성 콜리스틴 내성 및 카바페넴 내성 균주에 대한 지속적인 관심을 반영합니다. 항균 펩타이드와 파지 요법의 등장은 기존 항생제의 대안에 대한 관심이 증가하고 있음을 나타내며, 전장 유전체 분석, 머신러닝 및 CRISPR는 유전체 감시, 내성 예측 및 유전자 표적 접근법에 대한 관심이 높아지고 있음을 반영합니다. 최근 연구들은 AMR 감시, 내성 표지자 식별, 바이오필름 분석, 진단 및 항균제 발굴 분야에서 인공지능의 잠재적 응용 가능성을 더욱 강조하고 있습니다12,23,24,25.

하지만 이러한 용어들이 연구 프런티어로 탐지되었다고 해서 그것이 곧 임상적 준비 상태를 나타내는 것은 아닙니다. 머신러닝 모델에는 표준화된 다기관 데이터셋, 외부 및 전향적 검증, 모델 해석 가능성, 그리고 실험실 및 임상 워크플로우와의 통합이 필요합니다. 파지 요법은 균주 특이성, 제조 일관성, 품질 관리, 내성 진화 및 규제 표준화와 관련된 과제에 직면해 있으며, CRISPR 기반 항균 전략은 전달 효율, 오프타겟 효과, 생물학적 안전성 및 격리 요구 사항으로 인해 여전히 제약이 있습니다. 국제 연구에서는 다기관 검증, 표준화된 제조 및 규제 경로를 점점 더 강조하고 있으며, 중국에서 수행된 연구의 중개 성숙도를 평가할 때 이러한 차원 또한 고려되어야 합니다. 본 연구는 국내 및 국제 임상 개발 단계를 정량적으로 비교하지 않았으므로, 본 해석은 정성적인 수준에 머물러 있습니다.

다양한 임상 집단과 감염 환경에서 수행된 연구들은 병원균 분포와 항균제 내성 프로필에 상당한 변이가 있음을 보여줍니다26,27,28,29,30,31,32,33,34,35,36,37,38. 종합적으로, 이러한 보고들은 내성 패턴이 환자 특성, 감염 부위, 항균제 노출 및 지역 역학의 영향을 받는다는 것을 나타냅니다. 카바페넴 내성 그람 음성 병원균은 여러 환경에서 지속적인 우려 사항으로 남아 있으며, 경험적 치료는 지역 감시 체계와 표준화된 감수성 테스트에 따라 안내되어야 합니다. 병용 요법, β-lactam/β-lactamase 억제제 조합, tetracycline 유도체 및 기타 대체 치료법에 관한 증거 또한 키워드 및 burst 분석을 통해 확인된 치료 테마에 대한 임상적 맥락을 제공합니다30,39.

키워드 및 클러스터 분석 결과와 일치하게, 바이오필름 형성은 항균제 내성과 치료 실패에 기여하는 중요한 표현형 기전으로 남아 있습니다. Cutibacterium acnes에 관한 연구들은 구조화된 미생물 군집이 물리적 장벽과 변화된 미세환경을 통해 어떻게 내성을 강화할 수 있는지 보여줍니다40. 또한 비코딩 RNA가 Acinetobacter baumannii의 내성 유전자 발현을 조절하는 잠재적 조절자로 부상했습니다41. 이와 병행하여, 차세대 β-lactamase 억제제, tetracycline 유도체 및 병용 요법을 통해 카바페넴 내성 균주에 대한 치료 옵션 연구가 확대되었습니다42. 국가 감시 데이터에서 보고된 Klebsiella pneumoniae 및 Acinetobacter baumannii의 지속적인 고수준 내성을 고려할 때, 이러한 발전은 여전히 임상적으로 중요합니다43.

항생제 내성에 대한 보건 의료 종사자들의 관점, 특히 만성 호흡기 질환과 같은 특수한 상황에서는 스튜어드십(stewardship)의 성공에 있어 인간의 행동적 요인이 매우 중요하다는 점이 강조됩니다44. 또한, 임상적 항생제 내성과 관련된 요인들에 대한 전국적인 분석 결과, 항생제 소비 밀도가 주요 원인으로 확인되었으며, 이는 carbapenems 및 3세대 cephalosporins의 사용 증가가 Pseudomonas aeruginosa 및 기타 그람 음성 병원균의 내성 증가와 직접적인 상관관계가 있음을 입증합니다45.

몇 가지 한계점을 인정해야 한다. 첫째, 데이터베이스 범위, 인덱싱 관행, 필드 구조 및 중국어와 영어 용어의 차이로 인해 검색 편향이 발생했을 수 있으며, 의미적으로 동일한 기록의 완전한 매칭이 방해받았을 수 있다. 본 연구에서는 중국어와 영어 말뭉치에 대해 별도의 주제 분석을 수행하지 않았으므로, 연구 강조점의 언어별 차이를 정량적으로 평가할 수 없었다. 둘째, 계량서지학적 지표는 개별 연구의 방법론적 품질이나 편향 위험을 직접 평가할 수 없으며, 인용 기반 측정치는 오래되었거나 가시성이 높거나 국제적으로 인덱싱된 출판물에 유리할 수 있다. 셋째, 명시적인 인간 건강 구성 요소가 없는 수의학 및 환경 연구를 제외한 것과 더불어 학술대회 논문집, 기관 보고서, 학위 논문 및 기타 회색 문헌의 제한적인 범위로 인해, 특히 지역사회 및 농촌 환경의 증거를 포함한 더 넓은 One Health AMR 환경이 과소평가되었을 수 있다. 새로운 1차 데이터 세트가 없는 체계적 문헌 고찰 및 메타 분석을 제외한 것 또한 핫스팟 형성에 대한 증거 합성의 기여도를 과소평가했을 수 있다. 넷째, 출판 및 인덱싱 지연으로 인해 연구 기간 끝무렵에 발표된 연구들의 대표성이 감소했을 수 있다. 다섯째, Kleinberg 버스트 탐지 알고리즘은 키워드가 단기적이거나 산발적인 시간적 변동을 보일 때 위양성 신호를 생성할 수 있다. 또한, CiteSpace 파라미터 설정에 대한 정식 민감도 분석을 수행하지 않았으므로, 다른 CiteSpace 파라미터 선택 시 네트워크, 클러스터링 및 버스트 결과의 강건성을 평가하지 못했다. 정식 동의어 통합이 이루어지지 않아 의미적으로 동일한 키워드들이 분산되었을 수 있으며, 이는 키워드 빈도 및 네트워크 추정치에 영향을 주었을 수 있다. 중국 동부/중부/서부 지역별 출판 분석을 정식으로 수행하지 않았기 때문에, 출판 결과물의 지역적 차이를 정량적으로 평가할 수 없었다.

향후 연구에서는 대안적인 burst 민감도 파라미터와 최소 지속 시간 임계값을 테스트하고, 투명한 유의어 사전을 적용하며, 독립적인 데이터베이스 간의 결과를 비교하고, burst 신호를 연간 키워드 빈도 및 전문가 검토와 삼각 측량하여 분석해야 합니다. 인용 횟수가 매우 높은 상위 논문들에 대한 전용 분석은 수행되지 않았으며, 향후 연구에서는 이정표 논문(milestone-paper) 분석을 통합하여 AMR 연구 주제의 시간적 변화를 추가로 특성화하고 독립적으로 검증할 수 있을 것입니다. 듀얼 맵 오버레이 분석 또한 본 연구의 범위를 벗어났으며, 학술지 수준의 인용 경로를 특성화하기 위해 향후 작업에서 고려될 수 있습니다.

서지학적 패턴을 통해 볼 때, 중국의 AMR 연구는 기술적 감시에서 메커니즘 조사 및 혁신적 중재 개발 방향으로 점차 전환되었음을 알 수 있습니다. 포괄적인 관리 전략을 통해 MRSA 제어 분야에서는 상당한 진전이 있었으나, 카바페넴 내성 그람 음성 병원균은 여전히 시급한 주의가 필요한 중대한 위협으로 남아 있습니다. AI 기반 예측 모델, 파지 요법 및 CRISPR 기반 중재의 등장은 AMR 해결을 위한 미래의 기회를 제공할 수 있지만, 이를 실험실 연구에서 임상 실무로 전환하는 것은 여전히 도전적인 과제입니다. 이러한 결과는 지속적인 감시, 보다 강력한 지역 간 협력, 그리고 기존 항생제와 신흥 치료 전략 모두에 대한 지속적인 연구의 필요성을 뒷받침합니다.

공개 사항

저자들은 본 원고의 작성 과정에서 다음과 같이 생성형 인공지능(AI) 도구를 사용하였음을 밝힙니다. 최종 원고 초안의 언어 다듬기 및 문법 교정을 위해 Grammarly (version 1.2.3)를 사용하였으며, 서지 데이터 정리 및 데이터 전처리를 위한 초기 Python 스크립트 생성을 돕기 위해 OpenAI의 ChatGPT (GPT-4, 2026년 3월 15일 API를 통해 접속)를 사용하였습니다. 과학적 발견을 도출하거나, 결과를 해석하거나, 결론을 공식화하는 데 사용된 AI 도구는 없습니다. 모든 그림과 표는 AI의 도움 없이 CiteSpace 및 R 4.3.2의 출력 결과로부터 직접 생성되었습니다. 저자들은 AI의 도움으로 생성된 모든 내용을 검토하고 확인하였으며, 원고의 정확성과 무결성에 대해 모든 책임을 집니다.

감사의 글

저자들은 본 원고를 완성하는 데 필요한 행정적, 기술적 지원을 제공해 준 닝보대학교 제1부속병원(인저우 인민병원) 감염내과에 진심으로 감사드립니다.

본 연구는 Ningbo Medical and Health Leading Academic Discipline Project(지원 번호 2026-A42)의 지원을 받아 수행되었습니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
CiteSpaceDrexel University, Philadelphia, PA, USAversion 6.4.R1공동 저자 분석, 키워드 동시 출현 분석, 클러스터 분석 및 버스트 탐지를 포함한 종합적인 계량서지학적 분석을 수행하기 위함.
China National Knowledge Infrastructure (CNKI)China National Knowledge Infrastructure해당 없음중국 국내 소스에서 제공하는 연구 논문을 수집하기 위함.
RR softwareversion 4.3.2
Web of Science Core Collection (SCI-E)Web of Science해당 없음국제 문헌을 체계적으로 검색하고 회수하기 위함.

참고문헌

  1. World Health Organization. Global action plan on antimicrobial resistance. World Health Organization; Geneva; 2015.
  2. O’Neill J. Tackling drug-resistant infections globally: Final report and recommendations. 2016.
  3. Bockstael K, Van Aerschot A. Antimicrobial resistance in bacteria. Open Med. 2009;4(2):141–155.
  4. Okeke IN, de Kraker MEA, Van Boeckel TP. The scope of the antimicrobial resistance challenge. Lancet. 2024;403(10442):13.
  5. Bhattacharya R, et al. Impact of antimicrobial resistance on sustainable development goals and the integrated strategies for meeting environmental and socio-economic targets. Environ Prog Sustain Energy. 2024;43(1):e14320.
  6. Duffey M, Shafer RW, Timm J. Combating antimicrobial resistance in malaria, HIV and tuberculosis. Nat Rev Drug Discov. 2024;23(6):19.
  7. Xiao YH, et al. Epidemiology and characteristics of antimicrobial resistance in China. Drug Resist Updat. 2011;14(4):236–241.
  8. Yin X, et al. A systematic review of antibiotic utilization in China. J Antimicrob Chemother. 2013;68(11):2445–2452.
  9. National Health Commission of the People’s Republic of China. National action plan to contain antimicrobial resistance (2022–2025). 2022.
  10. Borromeo AS, Manaloto AM, Antonio RP. Southeast Asian landscape of antimicrobial resistance research (2014–2024): A bibliometric analysis. J Glob Antimicrob Resist. 2025;45(c):125–132.
  11. Fekadu A, Woldeamanuel Y, Hailu A. Global trends and projections in antimicrobial resistance. Lancet. 2025;(10493):405.
  12. Selvaraj V, Sudhakar S, Sekaran S. Global trends and projections in antimicrobial resistance. Lancet. 405(10493):413–414.
  13. Bhattacharya R, et al. A One health plan to combat antimicrobial resistance for improving global health through sustainable development. Discov Public Health. 2025;22(1):521.
  14. Chen C, Leydesdorff L. Patterns of connections and movements in dual-map overlays: A new method of publication portfolio analysis. J Assoc Inf Sci Technol. 2014;65(2):334–351.
  15. Persson O, Danell R, Schneider JW. Using the BIBLIOMETRIX package for bibliometric analysis. Scientometrics. 2009;80(2):253–275.
  16. Bhattacharya R, et al. Bibliometric assessment of the global research trends in antimicrobial resistance for fungal species. Ind Biotechnol. 2024;20(5):212–224.
  17. Zhu J, Zhou Y, Ding YQ. Visualization analysis of hotspots and trends of drug control institutions in China based on bibliometrics. Chin J Mod Appl Pharm. 2023;40(18):2591–2599.
  18. Chen C. Science mapping: A systematic review of the literature. J Data Inf Sci. 2017;2(2):1–40.
  19. Wang S, Shen J, Yang Y. MRSA in China: Epidemiology, resistance mechanisms, and control strategies. Chin J Antibiot. 2021;46(9):837–844.
  20. Zhou W, Wen Z, Zhu W. Factors associated with clinical antimicrobial resistance in China: A nationwide analysis. Infect Dis Poverty. 2025;14:27.
  21. Sweileh WM, Al-Jabi SW, Zyoud SH. Global research output in antimicrobial resistance among uropathogens: A bibliometric analysis (2002–2016). J Glob Antimicrob Resist. 2017;11:230–238.
  22. Cui L, Li Y, Cheng L. Effectiveness of an antimicrobial stewardship program in reducing antimicrobial use and microbial resistance in a tertiary hospital in China. J Glob Antimicrob Resist. 2019;17:168–174.
  23. Yang Y, Li Y, Wang Z. Machine learning-enabled prediction of antimicrobial resistance from whole-genome sequencing data. J Clin Microbiol. 2021;59(10):e00821-21.
  24. Bhattacharya R, et al. Artificial intelligence for sustainable solutions in combating antimicrobial resistance through data driven health innovations. Discov Public Health. 2026;23(1):10.
  25. Yosef I, Manor M, Kiro R. Temperate and lytic bacteriophages programmed to sensitize and kill antibiotic-resistant bacteria. Proc Natl Acad Sci U S A. 2015;112(23):7267–7272.
  26. Shou TJ, Cheng XQ, Gong S. Analysis of antimicrobial use strategy in childhood perforated appendicitis based on bacterial resistance changes. Chin Gen Pract. 2020;23(24):3070–3074.
  27. China Antimicrobial Resistance Surveillance System. Surveillance of antimicrobial resistance in bacteria isolated from cerebrospinal fluid specimens from 2020 to 2024. Chin J Infect Chemother. 2026;26(2):196–205.
  28. Gao YH, Ma XY, Wang DB. Distribution and drug resistance of pathogens causing acute bacterial conjunctivitis in children. J Pathog Biol. 2024;19(10):1194–1197.
  29. Zhang Y, Fan YY, Yao LH. Drug resistance and risk factors of multidrug-resistant bacteria in neonatal pneumonia. J Pathog Biol. 2020;15(11):1340–1343.
  30. Duan MB, He XZ, Qi JY. Research progress on anti-multidrug resistant bacteria drugs. J Shenyang Pharm Univ. 2023;40(12):1680–1690.
  31. Zhou LC, Li GQ, Xu BY. Distribution and drug resistance of pathogens in acute, delayed and chronic periprosthetic joint infections. Chin J Surg. 2021;59(6):484–490.
  32. Zhang XX, Ge W, Yang M. Analysis of resistance of 137 Neisseria gonorrhoeae strains to 5 antimicrobial agents. Chin J Dermatovenereol. 2022;36(2):199–203.
  33. Zhang XY, Han Y, Wang YM. Correlation analysis between antimicrobial resistance of Pseudomonas aeruginosa and antimicrobial use density. J Hebei Univ Nat Sci Ed. 2021;41(2):188–194.
  34. China Antimicrobial Resistance Surveillance System. Antimicrobial resistance surveillance report of common clinical isolates from elderly patients from 2014 to 2019. Chin J Infect Control. 2021;20(2):112–123.
  35. Ruan ZH, Huang AX, Wang XJ. Overview of CLSI, EUCAST and Chinese drug resistance judgment standards. Biotechnol Bull. 2022;38(9):47–58.
  36. Liu L, Feng CX, Wang Y. Analysis of bacterial resistance in the First Hospital of Qiqihar in 2016. Chin J Antibiot. 2021;46(12):1143–1147.
  37. Zhang XH, Chen JY, Yang H. Distribution and antimicrobial resistance of pathogens in early infection after lung transplantation in respiratory intensive care unit. Chin J Infect Control. 2020;19(9):785–790.
  38. Wang SS, Wu ZW, Zhao JP. Research progress on hospital infection, drug resistance and treatment of carbapenem-resistant Klebsiella pneumoniae. Chin J Antibiot. 2020;45(5):428–432.
  39. Lv YF, Xue M, Huang XY. Research progress on antimicrobial peptides combined with traditional antibiotics against bacterial resistance. Chin J Infect Control. 2023;22(10):1266–1273.
  40. Ma Y, Liu Y, Jiang M. Correlation analysis between biofilm formation and antimicrobial resistance of Cutibacterium acnes. Chin J Infect Chemother. 2021;21(6):703–707.
  41. Peng Q, Ling BD. Regulatory non-coding RNAs and antimicrobial resistance in Acinetobacter baumannii. Chin J Infect Control. 2021;20(12):1174–1178.
  42. Qin XH, Hao M, Wang MG. Research progress on new antimicrobial agents. Chin J Infect Chemother. 2024;24(4):489–496.
  43. Guo Y, Ding L, Hu FP. CHINET surveillance of bacterial resistance in China in 2024. Chin J Infect Chemother. 2025;25(6):597–607.
  44. Ananth S, Adeoti A, Ray A. Healthcare worker views on antimicrobial resistance in chronic respiratory disease. Eur Respir J. 2024;64(68):2.
  45. Holt KE. Microbial genomics for antimicrobial resistance ecology and action. Nat Rev Genet. 2026;27(1):7–8.

재인쇄 및 허가

태그

AMR
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.