PLoS ONE: et socialt netværk Analyse af behandling opdagelser i Cancer

Abstrakte

Kontrollerede kliniske forsøg er almindeligt anset for at være køretøjet til behandling opdagelse i kræft, der fører til betydelige forbedringer i sundhedsresultater, herunder en stigning i levetiden. Vi har tidligere vist, at mønsteret af terapeutisk opdagelse i randomiserede kontrollerede forsøg (RCT) kan beskrives ved en magt lov fordeling. Men mekanismen generere dette mønster er ukendt. Her foreslår vi en forklaring i forhold til de sociale relationer mellem forskere i RCTs. Vi bruger netværksanalyse socialt at undersøge virkningen af ​​samspillet mellem RCTs om behandlingen succes. Vores datasæt består af 280 fase III RCT udført af NCI fra 1955 til 2006. RCT netværk dannes ved forsøg interaktioner dannet i) tilfældigt, ii) baseret på fælles egenskaber, eller iii) baseret på behandling succes. Vi analyserer behandling succes i form af overlevelse hazard ratio som funktion af de netværksstrukturer. Vores resultater viser, at opdagelsen processen viser magt lov, hvis der er fordelagtige interaktioner mellem forsøg, der kan opstå som følge af forskernes tendens til at interagere selektivt med etablerede og succesrige jævnaldrende. Desuden RCT netværk er “små verdener”: forsøg er forbundet gennem et lille antal bånd, men der er meget clustering blandt delmængder af forsøg. Vi finder også, at behandlingen succes (forbedret overlevelse) er proportional med de netværk centrale mål for nærhed og betweenness. eksisterer negativ korrelation mellem overlevelse og i hvilket omfang forsøg opererer inden for et begrænset omfang af information. Endelig forsøgene test helbredende behandlinger i solide tumorer viste den højeste centrale og mest indflydelsesrige gruppe var ECOG. Vi konkluderer, at chancerne for at opdage livreddende behandlinger er direkte relateret til den rigdom af sociale interaktioner mellem forskere, der ligger i et privilegeret interaktion model

Henvisning:. Tsalatsanis A, Barnes L, Hozo I, Skvoretz J, Djulbegovic B (2011) et socialt netværk Analyse af behandling opdagelser i Cancer. PLoS ONE 6 (3): e18060. doi: 10,1371 /journal.pone.0018060

Redaktør: Yamir Moreno, University of Zaragoza, Spanien

Modtaget: Januar 18, 2011; Accepteret: 19 Feb 2011; Udgivet: 28 Mar 2011

Copyright: © 2011 Tsalatsanis et al. Dette er en åben adgang artiklen distribueres under betingelserne i Creative Commons Attribution License, som tillader ubegrænset brug, distribution og reproduktion i ethvert medie, forudsat den oprindelige forfatter og kilde krediteres

Finansiering:. Denne forskning er blevet støttet af: Forskningsprogram på forskning integritet, Office of Research Integrity og National Institutes of Health (tilskud: Nej 1R01NS044417-01, 1R01NS052956-01 og 1R01CA133594-01 NIH /ori); PI: Dr. Djulbegovic. De finansieringskilder havde ingen rolle i studie design, indsamling og analyse af data, beslutning om at offentliggøre, eller forberedelse af manuskriptet

Konkurrerende interesser:.. Forfatterne har erklæret, at der ikke findes konkurrerende interesser

Introduktion

randomiserede, kontrollerede kliniske forsøg (RCT) er almindeligt anset for en af ​​de vigtigste køretøjer af opdagelsen af ​​nye behandlinger. RCTs er blevet krediteret med betydelig forbedring i sundhedsresultater resulterer i en betydelig stigning i den forventede levealder for lidelser som kræft, som er emnet for dette papir [1] – [7].

Vi har tidligere vist, at succesen af ​​nye behandlinger i kræft ikke passer den tilfældige normalfordeling kurve [8]. Vi fandt, at nye behandlinger var i gennemsnit lidt bedre end standard behandlinger, hvilket bringer om små eller moderate fremskridt med lejlighedsvise opdagelse af banebrydende indgreb; et mønster af terapeutisk opdagelse, der passer en effekt lov distribution (figur 1) [8]. Generelt power law distributioner beskrive mange naturlige og menneskeskabte fænomener som befolkningen i byer, ordet frekvens i et manuskript, de citater af videnskabelig papir osv [9], [10]. Betydningen af ​​magt loven konstatering i terapeutisk opdagelse skyldes skalaen fri ejendom distribution, hvilket indebærer, at, uanset antallet af kontrollerede forsøg udført, opdagelsen af ​​nye behandlinger er beskrevet af den samme kraft loven.

Fordeling af behandlingen succes i onkologi, udtrykt som overlevelse hazard ratio (HR), hvor højere HR indikerer mere vellykkede behandlinger. Kurven illustrerer let øget antal vellykket behandling bestod med en magt lov funktion.

Mens magt loven ser ud til at give et troværdigt matematisk beskrivelse af det overordnede mønster af behandlingen succes, er det ikke klart, hvad eksakt mekanisme kan forklare, hvordan magt loven rent faktisk virker. Vi har tidligere argumenteret for, at forsøg opererer på grænsen af ​​succes og fiasko på grund af princippet om equipoise [11], hvilket indebærer, at opdagelsen fortsat er muligt, hvis RCT udføres, når der er betydelig usikkerhed med hensyn til de relative fordele ved interventioner for at være testet. Men hvis det var den eneste forklaring, ville fordelingen af ​​behandling succeser være tilfældige dvs. mønster af terapeutiske opdagelse ville passe normalfordelingen, som vi fandt det ikke var tilfældet. I virkeligheden kunne det forventes, at baseret på den enorme mængde arbejde og penge på opdagelsen af ​​nye behandlinger, ville antallet af vellykkede rcts være signifikant større end antallet af mislykkede dem, hvilket resulterer i en skæv fordeling. Den Ligevægt hypotese giver ikke forklaring på, at nye behandlinger er lidt mere overlegen i forhold til de gamle, da den ikke tager højde for forskernes bestræbelser på at udvikle nye mere vellykkede behandlinger [8]. I dette papir, hævder vi, at mekanismen er ansvarlig for den observerede mønster i terapeutisk opdagelse er de sociale interaktioner mellem forskere, der udfører kliniske forsøg (men som skal arbejde under den etiske krav om Ligevægt).

proces med opdagelsen, der kendetegner videnskabelige fremskridt er i sagens natur en social virksomhed. Forfølgelsen af ​​fremtidige opdagelser afhænger forståelse af den eksisterende og igangværende forskning [12] – [14]. Denne egenskab af den videnskabelige opdagelse processen har været mest mindeværdigt fanget i metaforen udtrykt af Isaac Newton: “

Hvis jeg har set lidt længere det er ved at stå på skuldrene af giganter

” [15]. Derfor er processen med videnskabelig opdagelse afhænger af samspillet mellem tidligere og nuværende forskere samt institutioner og det bredere videnskabelige samfund, at sanktioner resultaterne af en given forskningsindsats og i sidste ende sikrer, at det er accepteret [12] – [14]. Den samme proces med sociale interaktioner gælder for kliniske forsøg, især veldesignede RCT.

En forsøgsdesign er i vid udstrækning tilskrives viden og information erhvervet i tidligere forsøg. Efterforskere har tendens til at interagere med kolleger i deres umiddelbare omgivelser [16] og /eller gøre brug af videnskabelige tidsskrifter og møder [17], [18] for at dele viden samt forsøg succeser og fiaskoer blandt medlemmerne af videnskabelige samfund. Men hvis afprøvning af nye (terapeutiske) ideer er at forekomme, forskernes personlige repræsentationer skal yderligere formaliseret. For eksempel i USA, de fleste RCT, som ikke sker af industrien udføres i regi af National Cancer Institute (NCI), der understøtter den kooperative retssag infrastruktur. Alle forslag om at afprøve nye lovende behandlinger er undersøgt og i sidste ende finansieret inden for rammerne af de NIC kooperative grupper (COGS).

Vi postulerer, at de sociale interaktioner mellem medlemmer af de NIC Cogs drive udviklingen af ​​terapeutiske discovery for maligne sygdomme. Hvis dette er tilfældet, så analysen af ​​eksplicitte interaktioner mellem rcts burde kaste yderligere lys over behandlingen opdagelsesproces i cancer, især forklare styrkelov mønster af behandling succes. forventes studere RCT på en sådan måde at hjælpe med at forstå processen med opdagelsen behandling i hele RCT system, der i sidste ende kan bidrage til at forbedre resultaterne på sundhedsområdet.

Metoder

Datasæt

vi anvendte et datasæt rapporteret i detaljer andetsteds [8]. Datasættet omfatter 216,451 patienter og består af 624 fase III RCT sponsoreret af NCI tandhjul gennemført og offentliggjort 1955-2006 [8]. Vi begrænser vores analyse til 280 ud af de 624 forsøg, der anses for overlevelse som deres primære resultat. I disse forsøg forskere udtrykkeligt satte sig for at forbedre overlevelsen ved at teste nye terapeutiske midler. Disse forsøg brugte overlegenhed design formål at behandle spørgsmålet, hvis en behandling er bedre end en anden. Der var ingen ikke-mindreværdskomplekser forsøg, hvor succes ville være blevet anset som en behandling lige eller ikke-ringere end en anden.

Behandling opdagelse

Generelt kan behandlingen succes i kræft måles af [8]: (1) at vurdere andelen af ​​statistisk signifikante forsøg favoriserer nye eller standardbehandlinger, (2) ved fordelingen af ​​de forsøg, hvor nye behandlinger anses overlegen i forhold til standard behandlinger baseret på efterforskerne overordnede domme, og (3) kvantitativt syntese data for de vigtigste kliniske resultater (samlet og event-fri overlevelse). Hver af disse foranstaltninger har sine fordele og ulemper, men i det mindste i livstruende sygdomme som kræft, vurderer overlevelse synes at være den afgørende faktor i ægte succesrate. Derfor mener vi, at den bedste metrik af forskningsindsatsen for at opdage nye, effektive behandlinger er forbedring i patienternes resultater. I dette arbejde, vælger vi overlevelse hazard ratio (HR), som rapporteret i hvert RCT, da den afgørende parameter for behandling succes. Det vil sige, er vellykkede forsøg betragtes som dem med en statistisk signifikant overlevelse hazard ratio med værdi større end 1 (p-værdi ≤0.05).

Social Networks

Pr vores hypotese, eksisterer der et forhold mellem RCT interaktioner og behandlingen opdagelse proces. Hvis det er tilfældet, så forventes forsøg med omfattende interaktioner at være forbundet med forbedringer i overlevelse. Vi brugte netværksanalyse social at studere virkningerne af disse Socials interaktioner på behandling succes. Et RCT-netværk er repræsenteret som et sæt af knuder, hver node betegner en retssag, og et sæt bånd, hver slips betegner en interaktion mellem forsøg. Da det er umuligt præcist, hvordan RCT kommunikerer til at bestemme, antager vi, at RCT interaktioner kunne dannes på tre måder: (1) baseret på fælles egenskaber mellem forsøg (2) baseret på behandlingen succes forsøg, og (3) tilfældigt . Vi derefter analysere, hvordan behandlingen succes er relateret til dens forbindelser i hver type netværk

Model 1:.. RCT interaktioner baseret på fælles karakteristika

Den første model postulerer, at RCT interaktioner er begrænset mellem forsøg på beslægtede områder. Derfor interaktioner mellem forsøg forekomme (a) på niveau med hver COG (som i sidste ende foreslår forsøget skal udføres blandt medlemsinstitutionerne) (figur 2a), (b) type sygdom, da behandlingen opdagelse er typisk en sygdom -orienteret proces (dvs. brystcancer, gastrointestinal cancer, gynækologisk cancer, etc.) (figur 2b), og (c) type behandling, som definerer den kategori af terapeutiske midler (dvs. adjuvans, helbredende /endelig, induktion, etc.) (figur 2c). I sidste ende, er der mange niveauer af forsøg interaktioner såsom investigators institution, afsnittet undersøgelse, den finansieringskilde, etc. Men alle disse typer af interaktioner med tiden filtrerer til interaktioner på niveau med COG, type sygdom og behandling, som vi mener repræsenterer de mest fremtrædende aspekter af RCT-systemet.

Hver node i netværket repræsenterer et forsøg nævnt som den triplet der angiver COG den tilhører, typen af ​​sygdom og behandling, den studerer. Netværkene er blevet konstrueret overvejer relationer mellem COG (a), type sygdom (b), type behandling (c), og sammenfaldet af alle mulige interaktioner (d). * For illustration grunde er kun et begrænset antal RCT vist.

Kombinationen af ​​alle mulige interaktioner genererer 7 forskellige netværk, der er nævnt som fælles karakteristika netværk i resten af ​​manuskriptet. I vores analyse har vi udeladt de 3 netværk skabt ved hjælp interaktioner på niveau med enkelte egenskaber, da disse netværk er omfattet af isolerede grupper af forsøg svarende til hver kooperativ gruppe, typen af ​​sygdom eller behandling

Model 2.: RCT interaktioner baseret på tidligere behandling succes.

den anden model theorizes at RCTs interagerer selektivt over RCT spektrum, specifikt at samspillet mellem de mest succesfulde forsøg begunstiget ( “succes avler succes”). Vores hypotese skyldes forskernes tendens til at interagere meste med etablerede og velkendte jævnaldrende. En model for netværksdannelse baseret på sådanne interaktioner er den præferentielle vedhæftede model [19], [20]. Ifølge denne model, er knuder forbundet tilfældigt med en bias mod de mest forbundne noder. I vores indstilling, vi argumentere for, at de mest tilsluttede noder er repræsenteret ved de mest succesrige forsøg, især dem med

HR

1 og

s værdi

0,05. Derfor konstruerer vi RCT net antager, at sandsynligheden for en RCT modtog et slips er proportional med succes RCT som målt ved overlevelse hazard ratio (HR), og den statistiske signifikans af resultater som angivet ved p værdi. Vi kalder dette netværk den foretrukne vedhæftede netværk i resten af ​​manuskriptet.

fortrinsret vedhæftede RCT netværk dannes iterativt, startende med et lille antal RCTs. Ved hver iteration, er en ny RCT tilføjet til netværket og pålægges et forudbestemt antal interaktioner med eksisterende forsøg. Sandsynligheden for, at en eksisterende retssag,

jeg

, modtager en uafgjort afhænger af dens succes i den foregående test i RCTs og udtrykkes i form af overlevelse hazard ratio (HR) og statistisk signifikans: (1), hvor summation er over alle noder i netværket på nuværende iteration, n

model 3:.. tilfældige RCT interaktioner

den tredje og sidste model, forudsætter, at forsøg interagerer tilfældigt. Vi konstruerer fem sæt Erdos-Renyi [21] tilfældige netværk, som hver er sammensat af 280 knuder repræsenterer hver af forsøgene. Det gennemsnitlige antal bånd i hvert sæt matcher gennemsnitlige antal bånd i de første 5 netværk (4 beregnet på grundlag af fælles karakteristika og en på grundlag af præferentiel vedhæftet fil). De tilfældige netværk sammenlignes dernæst med de delte karakteristika og de præferentielle vedhæftede netværk.

Netværk topologi

For at identificere topologi af RCT-netværk med henblik på at sammenligne de forskellige strukturer, vi beregnet den tre de vigtigste mål for tilslutningsmuligheder for hvert netværk: den gennemsnitlige korteste vej afstand mellem alle nås knudepunkter i et netværk, den globale klyngedannelse koefficient, og graden distribution. Den korteste vej afstand viser hvor tilgængelig netværket er; små værdier er ønskelige til en tæt forbundet netværk. Den globale klyngedannelse koefficient måler den samlede tendens af knudepunkter til at danne klynger i hvilke tilslutninger af en knude selv er forbundet med hinanden danner adskilte grupper. Graden fordeling er fordelingen af ​​knudepunkterne «forbindelser i netværket. Mønstret af graden fordelingen er meget vigtigt i netværk analyse, da det viser antallet af interaktioner hver node (RCT) har. En ordliste definerer hver af disse vilkår er fastsat i slutningen af ​​manuskriptet.

Knude analyser

Ikke alle noder i et netværk er af samme betydning. Baseret på deres position i netværket, kan nogle knuder interagere nemmere med andre noder, eller er på mange korte stier mellem andre par af knuder. Disse to egenskaber er taget til fange af den centrale mål for nærhed og betweenness. Nærhed måler den gennemsnitlige afstand en knude har til alle andre i netværket – kortere værdier betyder større lethed af interaktion med alle andre. Betweenness måler, hvor vigtig en node er at forbinde andre knuder [22]. Andre centrale foranstaltninger af betydning er autoritet og nav [23]. Myndighed er et centralt mål, der viser, hvordan indflydelsesrige en node er i netværket, mens, en node betragtes som en hub, hvis det er forbundet med mange myndigheder. Ved at beregne centrale foranstaltninger i RCT-netværk kan vi identificere de mest centrale knudepunkter og analysere deres egenskaber. En endelig node-niveau foranstaltning er den lokale klynger koefficient. Den måler i hvilken grad en node s forbindelser er selv forbundet med hinanden. Høje værdier betyder knuden er medlem af en tæt sammentømret klynge af noder; lave værdier, det modsatte.

Resultater

Netværk topologi

For at identificere topologi af RCT-netværk, vi beregnet den gennemsnitlige korteste vej afstand, den globale klyngedannelse koefficient, og graden fordeling for hvert netværk. Vi derefter sammenlignet disse værdier til de tilsvarende værdier af en tilfældig netværk med det samme antal knuder, og gennemsnitligt antal bånd.

Tabel 1 opsummerer værdierne for den globale klyngedannelse koefficient og gennemsnitlig korteste vej afstand til de undersøgte netværk og deres tilsvarende tilfældige netværk. Netværkene er blevet behandlet som ikke-orienteret, men inden for den begrænsning af tid flow (dvs. kun forsøg udført senere tid kunne oprette forbindelse til forsøg tidligere gennemført i tid). Den præferentielle vedhæftede netværk samt de delte karakteristika netværk resulterede i små gennemsnitlige sti afstande, kan sammenlignes med afstandene i de tilsvarende tilfældige grafer men, globale klyngedannelse koefficienter meget højere end deres tilsvarende tilfældige netværk (tabel 1).

et sådant mønster af tilslutningsmuligheder svarer til små verdens netværk [24]. Karakteristik af små verdens netværk er: (a) små gennemsnitlige korteste vej afstande, (b) store globale klyngedannelse koefficienter (større end den tilsvarende tilfældige netværk), og (c) tilslutningsmuligheder distributioner beskrevet af enten en skala fri, bred skala eller enkelt skala fordeling [25], [26]. De delte egenskaber netværk er små verdens netværk med enkelt skala tilslutningsmuligheder distributioner (figur 3A), mens den præferentielle vedhæftede netværk er en lille verden netværk med en power lov (skala gratis) uddeling af formen (figur 3c). Da der er en usikkerhed forbundet med dannelsen af ​​den præferentielle vedhæftede netværk vi kører 250 simulationer, hvoraf 225 har magt lov tilslutningsmuligheder fordeling med (

α

(

betyder

= 2,8,

varians

= 0,18),

x

min

(

betyder

= 26,

varians

= 4.5) og

s værdi

0.1 baseret på algoritmen præsenteret i [10], hvilket indikerer, at når

s værdi

0,1, magt lov er en plausibel hypotese for data). De resterende 25 netværk havde

s værdi

. 0,1

tilslutningsmuligheder fordeling for den delte karakteristika netværk af gruppe, behandling og sygdom (a) er beskrevet af en fordeling enkelt skala. Den connectivity fordeling for den præferentielle vedhæftede netværk (c) er beskrevet af en magt lov distribution (Den effekt loven er af formen, med

α

= 2,83,

x

min

= 27, og

s værdi

= 0,138). For kortheds skyld, vi ikke inkluderer de delte egenskaber netværk genereret af: gruppe, behandling; gruppe, sygdom; sygdom, behandling.

Således processen med opdagelsen af ​​nye lægemidler i kræft under NIC paraply, repræsenteret enten som en delt karakteristisk netværk eller et privilegeret tilknytning netværk, passer et mønster af tilslutning, der kan være beskrevet som en lille verden netværk, hvor hvert forsøg er forbundet til nogen anden retssag i netværket gennem blot et par bånd. Dette fund er nok ikke overraskende, da tidligere arbejde viste, at strukturen af ​​videnskabelige samarbejdsnetværk ofte tager form af små verdens netværk [27], men det er aldrig blevet undersøgt i fastsættelsen af ​​klinisk forskning.

Behandling opdagelse

Vi hypotese, at der eksisterer en positiv sammenhæng mellem omfanget af en prøve interaktioner og behandling succes. Det vil sige, vil de forsøg med mange interaktioner har større behandling succes end forsøg med få interaktioner. For at teste denne hypotese, vi plottet den gennemsnitlige værdi af overlevelse hazard ratio for knudepunkter som en funktion af deres konnektivitet (grad). Figur 4a viser resultaterne for den delte karakteristika netværk, mens figur 4c viser resultaterne for den foretrukne fastgørelse netværket. Figurerne 4b, d illustrerer resultaterne for de tilsvarende tilfældige netværk. Både figur 4a og 4c viser, at det er umuligt at forudsige en bestemt forsøg succes baseret på dets tilslutning (grad). Desuden, hvis RCT interaktioner faktisk dannes baseret på fælles karakteristika, så på trods af den lille verden tilslutningsmuligheder, forholdet mellem behandling succes og RCT interaktioner er tilfældigt med den samlede succesrate lidt over 50% [8], [11]. Således er trial succes begrænset inden interaktionerne på niveauet for gruppen, behandling eller sygdom kun let associeret med omfanget af tilslutningsmuligheder. Men når retssagen succes (HR) er afsat til den præferentielle vedhæftede model (figur 4c), et andet mønster viser sig: jo større omfanget af tilslutningsmuligheder, jo større er behandlingen succes (HR) dvs højere er chancerne for, at forskerne opdager nye livreddende behandlinger! Mens dette er et meget spændende resultat, som bedst kan forklare skæv fordeling fremgår af figur 1, kan det hævdes, at det kun er afspejling af de indførte restriktioner på vores model.

De parceller (a, b, og d) viser, at der ikke er nogen direkte sammenhæng mellem behandling succes og tilslutningsmuligheder. Men for den præferentielle vedhæftede netværk (c), der er en stigende tendens forhold mellem behandling succes {som målt ved overlevelse HR (hazard ratio)} og tilslutningsmuligheder argumentere, at bedre forbundne forskere kan opdage flere livreddende behandlinger! For kortheds skyld, vi ikke inkluderer de netværk, der genereres af de fælles karakteristika: gruppe, behandling; gruppe, sygdom; sygdom, behandling.

For at løse det sidstnævnte problem, vurderer vi forholdet mellem behandling succes og andre centrale forholdsregler- de resultater, vi tror ikke kunne åbenbart forudsagt fra den præferentielle vedhæftede model. Vi har derfor udtrykke behandling succes som en funktion af nærhed, betweenness og lokal klyngedannelse koefficient. Som forventet er der ingen påviselig mønster i tilfælde af fælles karakteristika net (figur 5). For den foretrukne vedhæftede nettet, men der er en stigende tendens mellem behandling succes og de foranstaltninger af betweenness og nærhed og en faldende tendens mellem behandling succes og lokal klyngedannelse koefficient (figur 6). En fortolkning af dette fund er, at disse forsøg (forskere) med nem adgang til information (dem med høj betweenness og nærhed) er mere vellykket end andre, mens de forskere, der har tendens til at interagere i en lukket gruppe (som så har høje lokale klyngedannelse koefficienter ) er mindre udsat for gode ideer /information og så er mindre succesfulde [28].

Der er nogen påviselig mønster mellem overlevelse HR og de forskellige centrale foranstaltninger.

Der er en stigende tendens mellem behandling succes og de foranstaltninger af betweenness og nærhed (a, b), hvilket indebærer, at behandlingen succes er ikke kun en funktion af tilslutningsmuligheder, men også en funktion af node centrale og nem adgang til relevant information. Men der er en faldende tendens mellem behandling succes og lokal klyngedannelse koefficient (c). Vi spekuleret på, at noder med høj klyngedannelse koefficient er dem, der har tendens til at interagere i en lukket gruppe af forsøg ( “siloer” af informationsudveksling) og dermed er de mindst vellykkede.

Knude analyser

for at identificere kendetegn for de enkelte noder i netværket, vi brugte de centrale foranstaltninger, der er beskrevet i afsnittet Metoder. Tabel 2 opsummerer karakteristika for de knudepunkter (forsøg), der præsenterer den højeste centrale foranstaltninger samt de gennemsnitlige overlevelse HR værdier. Vi er interesseret i at identificere de egenskaber, der gør forsøg (r) særpræg.

Det er interessant at bemærke, at uanset hvilken metode der anvendes til at danne RCT netværk, knudepunkterne med de højeste centrale foranstaltninger var dem, der studerede helbredende /endelige behandlinger (tabel 2) i solide tumorer. Dette gør intuitiv fornemmelse da store solide tumorer (i modsætning til blodkræftsygdomme) kan sjældent helbredes, og man kunne forvente, at forsøg forsøger at teste helbredende eller flere definitive behandlinger for disse sygdomme vil tiltrække mere opmærksomhed fra andre efterforskere. Tilsvarende forsøg, der blev anset for mest centrale er forsøgene udført af ECOG (Eastern Cooperative Group) og studerede helbredende /endelig type behandlinger. Dette er formentlig ikke overraskende, da den ECOG er den største NCI COG og vil sandsynligvis have mere indflydelse på bane af behandling opdagelser end andre NIC COGS. Ligeledes helbredende /endelige behandlinger for solide tumorer tiltrak mere opmærksomhed end mere etablerede behandlinger for lymfomer og andre hæmatologiske maligniteter. Det skal bemærkes, at disse behandlinger ikke nødvendigvis kan være mindre vellykket. Effektive behandlinger for hæmatologiske maligniteter blev opdaget i den tidlige eksistens COG og det er derfor ikke overraskende, at de har fået mindre opmærksomhed under senere årtiers test i RCTs udført af de forskellige tandhjul. Dette er især tilfældet, da der ikke er sket store gennembrud i forvaltningen af ​​disse sygdomme inden for indstillingen COG siden begyndelsen af ​​1970’erne.

Diskussion

En af de underliggende lokaler klinisk forskning virksomhed, herunder resultater af nye succesfulde behandlinger, er, at en bedre videnskabelig forståelse bør udmønte sig i en forbedring i patienternes resultater såsom bedre overlevelse. En sådan bedre videnskabelig forståelse typisk sikret via omfattende samfundsvidenskabelig netværk, der er afhængige af samspillet mellem fortid (fx via overførsel af viden gennem videnskabelig litteratur) og aktuelle forskere.

Vi hævder, at samspillet mellem forskere, der udfører kliniske forsøg er ansvarlige for tidligere rapporterede mønstre i terapeutisk opdagelse [8]. Det vil sige, behandling succes i cancer er beskrevet af en magt lov fordeling, hvor de fleste af forsøgene opererer på grænsen af ​​succes og fiasko, mens nogle få forsøg er meget vellykket [8].

Modeling interaktioner mellem forskere er en temmelig udfordrende proces. Vi foreslog tre forskellige tilgange. Først antager vi, at RCT interaktioner er begrænset mellem forsøg på beslægtede områder såsom kooperative gruppe, typen af ​​sygdom eller behandling (netværk med “fælles karakteristika”). Derefter genereres vi RCT netværk overvejer behandling succes som drivkraften i interaktioner. Endelig til sammenligning, antog vi, at RCTs interagerer tilfældigt.

Vores resultater viser, at de netværk skabt på grundlag af fælles karakteristika samt de skabt baseret på behandling succes er små verdens netværk. Små verdener har vist sig at beskrive andre videnskabelige samarbejdsnetværk [27]. Men det er første gang, at de har vist sig at gælde for net dannet i kliniske omgivelser. Betydningen af ​​det lille verden konstatering er, at alle forsøg er forbundet via et lille antal bånd øger argumentet om, at behandlingen opdagelse er en social virksomhed.

Desuden viser vi, at hvis RCT er forbundet tilfældigt ( tal 4d), eller på en fælles karakteristisk basis (figur 4a, 4b), tætte samspil synes ikke at oversætte til behandling succes som måles i form af forbedring i kræft overlevelse. I gennemsnit nye behandlinger er kun lidt bedre end gamle: en konstatering forklares ved Ligevægt hypotese, som tyder på, at kravet om usikkerhed i kliniske forsøg er det, der driver RCT systemet, men som også forudsiger, at nye behandlinger er ikke særlig sandsynligt, at være langt mere vellykket end de etablerede dem [11], [29], [30]. Men den Ligevægt hypotesen ikke forklare eksistensen af ​​en forholdsvis større andel af det lille antal meget vellykkede forsøg blandt nyudviklede behandlinger [8]

En andet billede for den præferentielle vedhæftede netværk:. Hvis forsøg er forbundet på en individuel behandling succes basis (figur 4c), så mens det for de fleste af forsøgene forholdet mellem behandling succes og tilslutning synes tilfældig og styret af equipoise (figur 4c for grader mindre end 100), er der kun få studier, for hvilke der er et proportionalt forhold mellem tilslutning og succes rate (figur 4c for grader større end 100). Dette fund er enig med vores tidligere rapporterede resultater, der viste, at behandling succes i kræft distribueres som en magt lov funktion med de fleste af forsøgene opererer på grænsen mellem succes og fiasko, og et lille antal meget vellykkede forsøg [8]. Den præferentielle vedhæftede model giver en underliggende mekanisme, der kunne forklare dette overordnede mønster af terapeutisk opdagelse.

Vi mener, at den mekanisme, der er ansvarlig for den rapporterede mønster af behandling opdagelse i kræft vedrører de sociale interaktioner mellem RCTs som det stammer fra forskers tendens til at interagere selektivt med etablerede og succesrige jævnaldrende. Det skal bemærkes, at de sociale interaktioner ikke overtræder kravet Ligevægt, snarere de supplere den. Resultaterne viser, at det samlede kræft RCT system opretholder Ligevægt via uforudsigelighed i resultaterne på en individuel retssag, men samtidig give avenue for forskerne at øge deres odds for at opdage nye vellykkede behandlinger, som vil gå ud over 50:50 odds forudsagt af den oprindelige equipoise hypotese. Vi har derfor argumentere for, at det sociale netværk analyser sammen med etiske analyser af equipoise præsenteres i dette dokument give yderligere forståelse af principperne, der driver behandlingen opdagelse proces.

Vores forskning har nogle begrænsninger. Den største begrænsning er, at vi har brugt interaktioner mellem RCT som en proxy for den faktiske interaktioner mellem COG forskere.