Abstract
Kontrollerte kliniske studier er allment ansett for å være bilen til behandling funn i kreft som fører til betydelige forbedringer i helseutfall blant annet en økning i livet forventning. Vi har tidligere vist at mønsteret av terapeutisk funn i randomiserte kontrollerte studier (RCT) kan beskrives ved en strøm lov distribusjon. Imidlertid er mekanismen genererer dette mønsteret er ukjent. Her foreslår vi en forklaring i forhold til de sosiale relasjonene mellom forskere i randomiserte kontrollerte studier. Vi bruker sosiale nettverk analyse for å studere virkningen av interaksjoner mellom RCT om behandling suksess. Vårt datasett består av 280 fase III randomiserte kontrollerte studier utført av NCI fra 1955 til 2006. RCT nettverk er dannet gjennom prøve interaksjoner dannet i) tilfeldig, ii) basert på felles kjennetegn, eller iii) basert på behandling suksess. Vi analyserer behandling suksess i form av overlevelse hazard ratio som en funksjon av nettverksstrukturer. Våre resultater viser at funnet prosessen viser kraften loven hvis det er gunstige interaksjoner mellom forsøk som kan stamme fra forskeres tendens til å samhandle selektivt med etablerte og vellykkede jevnaldrende. Videre RCT nettverk er «små verdener»: forsøk er koblet gjennom et lite antall bånd, men det er mye clustering blant undergrupper av prøvelser. Vi finner også at behandling suksess (forbedret overlevelse) er proporsjonal med nettverk sentralitetsnivåer tiltak av nærhet og betweenness. Negativ sammenheng mellom overlevelse og i hvilken grad forsøk operere innenfor et begrenset omfang av informasjon. Endelig utprøvning kurativ behandling i solide svulster viste høyest sentralitet og den mest innflytelsesrike gruppen var ECOG. Vi konkluderer med at sjansene for å oppdage livreddende behandlinger er direkte relatert til rikdom av sosiale interaksjoner mellom forskere som ligger i en fortrinnsrett samhandlingsmodell
Citation. Tsalatsanis A, Barnes L, Hozo jeg, Skvoretz J, Djulbegovic B (2011) et sosialt nettverk analyse av behandlings funn i kreft. PLoS ONE 6 (3): e18060. doi: 10,1371 /journal.pone.0018060
Redaktør: Yamir Moreno, Universitetet i Zaragoza, Spania
mottatt: 18 januar 2011; Godkjent: 19 februar 2011; Publisert: 28 mars 2011
Copyright: © 2011 Tsalatsanis et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Finansiering:. Denne forskningen har vært støttet av: Forskningsprogram om forskning integritet, Office of forskning Integrity og National Institutes of Health (tilskudd: Nei 1R01NS044417-01, 1R01NS052956-01 og 1R01CA133594-01 NIH /ori); PI: Dr. Djulbegovic. Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:.. Forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
randomiserte kontrollerte kliniske studier (RCT) er ansett som en av de viktigste biler av oppdagelsen av nye behandlinger. RCT har blitt kreditert med betydelig forbedring i helseutfall som resulterer i en betydelig økning i forventet levealder for tilstander som kreft, som er tema for denne artikkelen [1] -. [7]
Vi har tidligere vist at suksessen til nye behandlinger i kreft passer ikke tilfeldig normalfordelingskurve [8]. Vi fant at nye behandlinger var i gjennomsnitt litt bedre enn standard behandling, og bringer om små eller moderate fremskritt, med sporadiske funn av banebrytende tiltak; et mønster av terapeutisk oppdagelse som passer til en strømfordelings lov (figur 1) [8]. Generelt energilov distribusjoner beskrive mange naturlige og menneskeskapte fenomener som befolkningen i byene, ordet frekvens i et manuskript, sitatene av en vitenskapelig artikkel, etc. [9], [10]. Betydningen av kraften loven funn i terapeutisk funn oppstår fra skalaen lokaler av distribusjon, noe som innebærer at, uavhengig av antall kontrollerte studier utført, oppdagelsen av nye behandlingsmetoder er beskrevet av den samme kraften loven.
Fordeling av behandling suksess i onkologi uttrykt som overlevelse hazard ratio (HR), hvor høyere HR indikerer mer vellykkede behandlinger. Kurven illustrerer noe økt antall vellykket behandling besto med en kraft lov funksjon.
Mens kraften loven ser ut til å gi en troverdig matematisk beskrivelse av den generelle mønsteret av behandling suksess, er det ikke klart hva som eksakt mekanismen kan forklare hvordan det faktisk fungerer makt lov. Vi har tidligere argumentert for at studiene opererer på grensen av suksess og fiasko på grunn av prinsippet om equipoise [11], noe som innebærer at oppdagelsen er fortsatt bare mulig hvis RCT utføres når det er stor usikkerhet med hensyn til den relative verdien av intervensjoner for å være testet. Men hvis det var den eneste forklaringen, ville fordelingen av behandlings suksesser være tilfeldig dvs. mønsteret av terapeutiske oppdagelse ville passe normalfordelingen, som vi fant det var ikke tilfelle. I virkeligheten kan det være forventet at basert på den enorme mengden av arbeid og penger brukt på oppdagelsen av nye behandlinger, vil antall vellykkede RCT være betydelig større enn antallet av mislykkede seg, noe som resulterer i en skjev fordeling. Den Equipoise hypotesen gir ikke forklaring på det faktum at nye behandlinger er litt mer overlegne i forhold til de gamle, da den ikke tar hensyn til forskernes arbeid med å utvikle nye mer vellykkede behandlinger [8]. I denne artikkelen argumenterer vi for at mekanismen ansvarlig for den observerte mønsteret i terapeutisk funnet er det sosiale samspillet mellom forskerne som utfører kliniske studier (men hvem trenger å jobbe under den etiske kravet om equipoise).
prosessen med oppdagelsen som karakteriserer vitenskapelige fremskritt er iboende en sosial virksomhet. Jakten på fremtidige funn avhenger forståelse av eksisterende og pågående forskning [12] – [14]. Denne karakteristikken av den vitenskapelige oppdagelsen prosessen har vært mest minneverdig fanget i metaforen uttrykt av Isaac Newton: «
Hvis jeg har sett litt lenger det er ved å stå på skuldrene til kjemper
» [15]. Derfor prosessen med vitenskapelige funn avhenger av samspillet mellom tidligere og nåværende forskere, samt institusjoner og bredere vitenskapelige samfunnet at sanksjoner resultatene av en gitt forsknings forsøke og til slutt sørger for at det er akseptert [12] – [14]. Den samme prosessen med sosiale interaksjoner gjelder kliniske studier, spesielt veldesignede RCT.
En prøve design er i stor grad tilskrives kunnskap og informasjon ervervet i tidligere studier. Etterforskerne har en tendens til å samhandle med kolleger i nærmiljøet [16] og /eller gjøre bruk av vitenskapelige tidsskrifter og møter [17], [18] for å dele kunnskap, samt prøve suksesser og fiaskoer blant medlemmene av vitenskapelige samfunnet. Men hvis testing av nye (terapeutiske) ideer er å skje, forskernes personlige representasjoner må videre formalisert. For eksempel i USA, er de fleste randomiserte kontrollerte studier som ikke er utført av industrien utført i regi av National Cancer Institute (NCI) som støtter co-operative rettssaken infrastruktur. Alle forslag med sikte på å teste nye lovende behandlinger er utvalgte og til slutt finansiert gjennom rammen av NCI samarbeidsgrupper (hjul).
Vi postulere at de sosiale interaksjoner mellom medlemmer av NCI hjul drive utviklingen av terapeutiske oppdagelse for ondartede sykdommer. Hvis dette er tilfelle, så analysen av eksplisitte interaksjoner mellom RCT burde kaste litt ekstra lys på behandlingsoppdagelsesprosessen i kreft, særlig forklare kraften loven mønster av behandling suksess. Studere RCT på en slik måte er forventet å bidra til å forstå prosessen med behandling oppdagelse innenfor hele RCT system som til slutt kan bidra til å forbedre helseutfall.
Metoder
Datasett
Vi brukte et datasett rapportert i detalj andre steder [8]. Dette datasettet omfatter 216,451 pasienter og består av 624 fase III randomiserte kontrollerte studier sponset av NCI hjul gjennomført og publisert 1955-2006 [8]. Vi begrenser vår analyse til 280 av de 624 studiene som anses overlevelse som sitt primære utfallet. I disse studiene forskerne eksplisitt satt ut for å bedre overlevelse ved å teste nye terapeutiske midler. Disse studiene brukes overlegenhet utforming tar sikte på å ta opp spørsmålet om en behandling er bedre enn en annen. Det var ingen non-inferiority studier der suksess ville ha blitt ansett som en behandling er likt eller ikke dårligere enn en annen.
Behandling oppdagelse
Generelt kan behandling suksess i kreft måles av [8]: (1) å vurdere den andel av statistisk signifikante studier som viste nye eller standard behandling, (2) bestemmelse av andelen av forsøk i hvilke nye behandlinger anses overlegne i forhold til vanlige behandlinger basert på undersøkernes samlede dommer, og (3) kvantitativt syntetisere data for viktigste kliniske utfall (generelle og overlevelse). Hver av disse tiltakene har sine fordeler og ulemper, men, i det minste i livstruende sykdommer slik som cancer, vurdere overlevelse synes å være viktig determinant for sann suksessrate. Derfor anser vi at den beste beregningen av forskningsinnsatsen for å oppdage nye, effektive behandlinger er bedring i pasientenes utfall. I dette arbeidet, velger vi overlevelse hazard ratio (HR), som rapportert i hvert RCT, som den avgjørende metriske av behandling suksess. Det vil si, er vellykkede forsøk anses som de med en statistisk signifikant overlevelses hazard ratio med verdi større enn 1 (ved p-verdi ≤0.05).
Social Networks
I henhold til vår hypotese, det finnes et forhold mellom RCT interaksjoner og behandling oppdagelsesprosessen. Hvis det er tilfelle, da forsøk med omfattende interaksjoner er forventet å være assosiert med forbedring i overlevelse. Vi brukte sosiale nettverk analyse for å studere effekter av disse socials interaksjoner på behandling suksess. En RCT nettverk er representert som et sett med noder, hver node betegner en rettssak, og et sett med bånd, hver tie betegner et samspill mellom studier. Siden det er umulig å fastslå nøyaktig hvor RCT kommunisere, antar vi at RCT interaksjoner kan dannes på tre måter: (1) basert på felles kjennetegn mellom studier (2) basert på behandling suksess av prøvelser, og (3) på måfå . Vi deretter analysere hvordan behandling suksess er relatert til sine forbindelser i hver type nettverk
Modell 1:.. RCT interaksjoner basert på felles kjennetegn
Den første modellen postulerer at RCT interaksjoner er begrenset mellom studiene i relaterte felt. Derfor interaksjoner mellom forsøk forekomme (a) på nivå med hver COG (som til slutt foreslår å bli utført blant medlemsinstitusjonene prøve) (figur 2a), (b) typen av sykdom, ettersom behandlingen oppdagelse er typisk en sykdom -orientert prosess (dvs. brystkreft, gastrointestinal kreft, gynekologisk kreft, etc.) (figur 2b), og (c) typen av behandling, som definerer den kategori av terapeutiske midler (dvs. adjuvans, kurativ /definitiv, induksjon, etc.) (figur 2c). Til syvende og sist er det mange nivåer av prøve interaksjoner som etterforsker institusjon, studieseksjonen, finansieringskilde, etc. Men alle disse typer interaksjoner slutt filtrere til samhandling på nivå med COG, type sykdom og behandling, som vi mener representerer de mest fremtredende aspekter av RCT-systemet.
Hver node i nettverket representerer en rettssak sitert som lett betegner COG den tilhører, hvilken type sykdom og behandling det studerer. Nettverkene har blitt konstruert med tanke på relasjoner mellom COG (a), type sykdom (b), type behandling (c), og Konjunksjonen av alle mulige interaksjoner (d). * For illustrasjons grunner, er bare et begrenset antall RCT vist.
Kombinasjonen av alle mulige interaksjoner genererer 7 forskjellige nettverk, referert til som fellestrekk nettverk i resten av manuskriptet. I våre analyser har vi utelatt de 3 nettverk som er opprettet ved hjelp av interaksjoner ved nivået for enkelt karakteristika siden disse nettverkene er omfattet av isolerte grupper av forsøk som svarer til hver samarbeidende gruppe, type sykdom, eller behandling
Modell 2.: RCT interaksjoner basert på tidligere behandling suksess.
den andre modellen theorizes at RCT samhandle selektivt over RCT spekteret, spesielt, at samhandling mellom de mest vellykkede forsøkene er favorisert ( «suksess avler suksess»). Vår hypotese stammer fra forskeres tendens til å samhandle meste med etablerte og kjente jevnaldrende. En modell for nettverksdannelse basert på slike interaksjoner er fortrinnsrett vedlegg modell [19], [20]. Ifølge denne modellen blir noder koblet tilfeldig med en bias mot de tilkoblede noder. I vår innstilling, argumenterer vi for at de tilkoblede noder er representert ved de mest vellykkede forsøk, særlig de med
HR
1 og
p-verdi
0,05. Derfor konstruerer vi RCT nettverk antar at sannsynligheten for en RCT motta en uavgjort er proporsjonal med suksessen til RCT som måles i form av overlevelse hazard ratio (HR), og den statistiske betydningen av de rapporterte resultatene som indikert av p verdi. Vi kaller dette nettverket fortrinnsrett vedlegg nettet i resten av manuskriptet.
Den preferanse vedlegg RCT nettverk dannes iterativt, og starter med et lite antall RCTer. Ved hver iterasjon, blir en ny RCT tilsatt til nettverket, og et forhåndsbestemt antall av interaksjoner med de eksisterende forsøkene er pålagt. Sannsynligheten for at en eksisterende rettssak,
i
, får en uavgjort, avhenger sin suksess under forrige testing i randomiserte kontrollerte studier og uttrykkes i form av overlevelse hazard ratio (HR) og statistisk signifikans: (1) hvor summering er over alle nodene i nettverket på den aktuelle iterasjonen, n
modell 3:.. Tilfeldige RCT interaksjoner
den tredje og siste modell, forutsetter at forsøk samhandle tilfeldig. Vi konstruerer fem sett med Erdos-Renyi [21] tilfeldige nettverk som hver er sammensatt av 280 noder som representerer hvert av forsøkene. Gjennomsnittlig antall bånd i hvert sett samsvarer med det gjennomsnittlige antall av bånd i de første 5 nett (4 konstruert på grunnlag av felles egenskaper og en på grunnlag av fortrinns vedlegg). De tilfeldige nettverk er deretter sammenlignet med de delte egenskaper og fortrinnsrett feste nettverk.
Nettverk topologi
For å identifisere topologien av RCT nettverk for å sammenligne de ulike strukturene, vi beregnet de tre de viktigste tiltakene for tilkobling for hvert nettverk: gjennomsnittlig korteste veien avstanden mellom alle nås noder i et nettverk, den globale clustering koeffisient, og graden distribusjon. Den korteste veien avstand viser hvor tilgjengelig nettverket er; små verdier er ønskelige for en tett forbundet nettverk. Den globale clustering koeffisienten måler den generelle tendensen av noder for å danne bunter hvor tilkoblingene til en node er i seg selv forbundet med hverandre danner forskjellige grupper. Graden fordelingen er fordelingen av de noder «forbindelser i nettverket. Mønsteret av graden fordelingen er meget viktig i nettverket analyse, siden det viser antall interaksjoner hver node (RCT) har. En ordliste definerer hver av disse vilkårene er gitt i slutten av manuskriptet.
Node analyserer
Ikke alle nodene i et nettverk er av samme betydning. Basert på deres posisjon i nettverket, kan noen noder kommunisere mer lett med andre noder, eller er på mange korte baner mellom andre par av noder. Disse to egenskapene er fanget av den sentrale tiltak av nærhet og betweenness. Nærhet måler den gjennomsnittlige avstanden en node har til alle andre i nettverket – kortere verdier betyr enklere for interaksjon med alle andre. Betweenness måler hvor viktig en node er i å koble andre noder [22]. Andre sentralitetsnivåer tiltak av betydning er myndighet og hub [23]. Tilsynet er en sentralitet mål som viser hvor innflytelsesrik en node i nettverket stund, en node er ansett som en hub hvis det er forbundet med mange myndigheter. Ved å beregne sentralitetsnivåer tiltak i RCT nettverk kan vi identifisere de mest sentrale noder og analysere deres egenskaper. En siste node nivå tiltaket er den lokale clustering koeffisient. Den måler i hvilken grad en node forbindelser selv er forbundet med hverandre. Høye verdier betyr noden er medlem av en tett sammensveiset gruppe av noder; lave verdier, det motsatte.
Resultater
Nettverk topologi
For å identifisere topologien av RCT nettverkene vi beregnet gjennomsnittlig korteste veien avstand, den globale clustering koeffisient, og graden distribusjon for hvert nettverk. Deretter sammenlignes disse verdier til de tilsvarende verdier for et vilkårlig nett med samme antall noder, og gjennomsnittlig antall bånd.
Tabell 1 oppsummerer verdiene av global clustering koeffisient og gjennomsnittlig korteste veien avstand for nettverkene studert og deres tilsvarende tilfeldige nettverk. Nettverkene har blitt behandlet som urettet men innenfor begrensningen av tid flyt (dvs. bare studier utført senere i tid kan koble til studier utført tidligere i tid). Fortrinns vedlegg nettverk samt felles kjennetegn nettverk resulterte i små gjennomsnittlig bane avstander, kan sammenlignes med de avstander i de tilsvarende tilfeldige grafer, men, globale clustering koeffisienter mye høyere enn de tilsvarende tilfeldige nettverk (tabell 1).
et slikt mønster av tilkoblings tilsvarer små verdens nettverk [24]. Kjennetegn på små verdens nettverk er: (a) små gjennomsnittlig korteste vei avstander, (b) store globale clustering koeffisientene (større enn den tilsvarende tilfeldig nettverk), og (c) tilkobling distribusjoner beskrevet av enten en skala gratis, bred skala eller enkel skala fordeling [25], [26]. De delte kjennetegn nettverk er små verdens nettverk med enkelt skala tilkoblings distribusjoner (figur 3a), mens fortrinnsrett vedlegg nettverket er en liten verden nettverk med en kraft lov (skala gratis) distribusjon av skjemaet (figur 3c). Siden det er en usikkerhet knyttet til dannelsen av fortrinns vedlegg nettverket vi kjøre 250 simuleringer hvorav 225 har strøm lov tilkobling fordeling med (
α product: (
bety
= 2.8,
varians
= 0,18),
x
min product: (
bety
= 26,
varians
= 4,5) og
p-verdi
0,1, er det power law en rimelig hypotese for dataene). De resterende 25 nettverkene hadde
p verdi
. 0,1
Tilkobling fordeling for felles kjennetegn nettverk av gruppen, behandling og sykdom (a) er beskrevet av en enkelt skala distribusjon. Tilkoblingsfordelingen for fortrinnsrett vedlegg nettverk (c) er beskrevet av en strøm lov fordeling (Kraften loven er i form, med
α
= 2,83,
x
min
= 27, og
p-verdi
= 0,138). For enkelhets skyld har vi ikke inkluderer felles kjennetegn nettverk som genereres av: gruppe, behandling; gruppe, sykdom; sykdom, behandling.
Dermed prosessen med oppdagelsen av nye behandlingsformer i kreft under NCI paraply, representert enten som et felles kjennetegn nettverk eller en fortrinnsrett vedlegg nettverk, passer et mønster av tilkobling som kan være beskrevet som en liten verden nettverk der hver studie er forbundet til en hvilken som helst annen prøve i nettverket gjennom bare et par bånd. Dette funnet er sannsynligvis ikke overraskende siden tidligere arbeid viste at strukturen av vitenskapelige samarbeidsnettverk ofte tar form av små verdens nettverk [27], men det har aldri blitt studert i innstillingen av klinisk forskning.
Behandling oppdagelse
Vi antok at en positiv sammenheng mellom omfanget av en prøve samhandling og behandling suksess. Det er, vil forsøkene med mange interaksjoner har større behandling suksess enn studier med noen interaksjoner. For å teste denne hypotesen, plottet vi den gjennomsnittlige verdien av overlevelse hazard ratio for noder som en funksjon av deres tilkobling (grad). Figur 4a viser resultatene for den delte egenskaper nettverk, mens figur 4c viser resultatene for fortrinnsrett vedlegg nettverk. Tall 4b, d viser resultatene for de tilsvarende tilfeldige nettverk. Både figurene 4a og 4c viser at det er umulig å forutsi en bestemt prøve suksess basert på dets tilkobling (grader). Videre, hvis RCT interaksjoner er faktisk dannet basert på felles kjennetegn, da, til tross for den lille verden tilkobling, er forholdet mellom behandling suksess og RCT interaksjoner tilfeldig med suksessgrad litt over 50% [8], [11]. Således er prøve suksess begrenset innenfor interaksjonene ved nivået av gruppen, behandling eller sykdom bare svakt forbundet med graden av tilkobling. Men når rettssaken suksess (HR) er plottet for fortrinnsrett vedlegg modellen (figur 4c), kommer det frem et annet mønster: jo større grad av tilkoblingsmuligheter, jo større er behandling suksess (HR) dvs. jo høyere er sjansen for at forskerne oppdage nye livreddende behandlinger! Selv om dette er et veldig spennende resultat som best kan forklare den skjeve fordelingen vist i figur 1, kan det hevdes at det er bare refleksjon av restriksjoner på vår modell.
Tomtene (a, b, og d) viser at det ikke er noen direkte sammenheng mellom behandling suksess og tilkobling. Men for fortrinnsrett vedlegg nettverk (c), det er en økende trend forholdet mellom behandling suksess {målt ved overlevelse HR (hasardratio)} og tilkobling som hevder at bedre tilkoblede forskerne kan oppdage flere livreddende behandlinger! For enkelhets skyld har vi ikke inkluderer nettverkene som genereres av de felles kjennetegn: gruppe, behandling; gruppe, sykdom; sykdom, behandling.
For å ta det siste spørsmålet, vurderer vi forholdet mellom behandling suksess og andre sentrale measures- de resultatene vi tror ikke kunne åpenbart spådd av den preferanse vedlegg modell. Vi har derfor uttrykke behandling suksess som en funksjon av nærhet, betweenness, og lokale clustering koeffisient. Som forventet, er det ingen identifiserbar mønsteret i tilfellet med felles egenskaper nettverk (figur 5). For fortrinnsrett vedlegg nettverk, men det er en økende trend mellom behandling suksess og tiltak av betweenness og nærhet og en nedadgående trend mellom behandling suksess og lokale clustering koeffisient (figur 6). En tolkning av dette funnet er at disse prøvelsene (forskere) med enkel tilgang til informasjon (de med høy betweenness og nærhet) er mer vellykket enn andre, mens de forskerne som har en tendens til å samhandle innenfor en lukket gruppe (som så har høye lokale klynge koeffisienter ) er mindre utsatt for god ideer /informasjon og så er mindre vellykket [28].
Det er ingen identifiserbar mønster mellom overlevelse HR og de ulike sentralitetsnivåer tiltak.
Det er en økende trend mellom behandling suksess og tiltak av betweenness og nærhet (a, b), som innebærer at behandling suksess er ikke bare en funksjon av tilkoblingsmuligheter, men også en funksjon av node sentralitet og enkel tilgang til relevant informasjon. Men det er en nedadgående trend mellom behandling suksess og lokale clustering koeffisient (c). Vi spekulert i at noder med høy clustering koeffisient er de som har en tendens til å samhandle innenfor en lukket gruppe av studier ( «siloer» av informasjonsutveksling) og dermed er det minst vellykkede.
Node analyser
for å identifisere kjennetegn ved de enkelte noder i nettverket, vi brukte den sentrale tiltakene som er beskrevet i metodedelen. Tabell 2 oppsummerer egenskaper for nodene (studier) som presenterer de høyeste sentralitetsnivåer tiltak samt gjennomsnittlig overlevelse HR verdier. Vi er interessert i å identifisere de egenskaper som gjør studie (e) særpreget.
Det er interessant å merke seg at, uavhengig av metode som brukes til å danne RCT nettverk noder med høyest sentralitetsnivåer tiltakene var de som ble studert helbredende /definitiv behandling (Tabell 2) i faste tumorer. Dette gjør intuitiv følelse siden store solide tumorer (i motsetning til hematologiske maligniteter) kan sjelden kureres, og man forventer at studier forsøker å teste helbredende eller mer definitive behandlinger for disse sykdommene vil tiltrekke seg mer oppmerksomhet fra andre forskere. Tilsvarende studier som ble vurdert mest sentrale er forsøkene utført av ECOG (Eastern Cooperative Group) og studert kurative /definitive type behandlinger. Dette er sannsynligvis ikke overraskende siden ECOG er den største NCI COG og vil sannsynligvis ha mer innflytelse på banen til behandling funn enn andre NCI hjul. Likeledes helbredende /definitive behandlinger for solide svulster tiltrakk seg mer oppmerksomhet enn de mer etablerte behandlinger for lymfomer og andre hematologiske kreftformer. Det bør legges merke til at disse behandlingene ikke nødvendigvis være mindre vellykket. Effektive behandlinger for hematologisk kreftsykdom ble oppdaget under tidlig eksistensen av COG og derfor er det ikke overraskende at de fikk mindre oppmerksomhet under senere tiår med testing i RCT utført av de forskjellige hjul. Dette er spesielt sant som noen store gjennombrudd i forvaltningen av disse sykdommene innenfor COG innstillingen har skjedd siden tidlig på 1970-tallet.
Diskusjoner
En av de underliggende premissene for klinisk forskning bedriften, inkludert funn av nye vellykkede behandlinger, er at bedre vitenskapelig forståelse skal oversette til bedring i pasientenes utfall slik som bedre overlevelse. Slike bedre vitenskapelig forståelse er vanligvis sikret via omfattende samfunnsvitenskapelig nettverk som er avhengige av interaksjoner mellom fortid (f.eks via overføring av kunnskap gjennom vitenskapelig litteratur) og nåværende forskere.
Vi mener at samspillet mellom forskere som gjennomfører kliniske studier er ansvarlige for tidligere rapporterte mønstre i terapeutisk oppdagelse [8]. Det vil si, behandling suksess i kreft er beskrevet av en power law fordeling der de fleste av studiene opererer på grensen av suksess og fiasko, mens noen studier er svært vellykket [8].
Modellering interaksjoner mellom forskere er en ganske utfordrende prosess. Vi foreslo tre ulike tilnærminger. Først antar vi at RCT interaksjoner er begrenset mellom studier i beslektede felt som samarbeidsgruppe, type sykdom eller behandling (nettverk med «fellestrekk»). Deretter genereres vi RCT nettverk vurderer behandling suksess som pådriver av interaksjoner. Til slutt, for sammenligningsformål, antok vi at RCT samhandle tilfeldig.
Våre resultater tyder på at nettverkene laget basert på felles egenskaper samt de som er opprettet basert på behandling suksess er små verdens nettverk. Små verdener har vist seg å beskrive andre vitenskapelige samarbeidsnettverk [27]. Imidlertid er dette første gang at de har vist seg å gjelde for nettverk som dannes i kliniske omgivelser. Betydningen av den lille verden funn er at alle forsøk er koblet gjennom et lite antall bånd styrke argumentet om at behandlingen funnet er en sosial virksomhet.
I tillegg viser vi at dersom RCT er koblet tilfeldig ( tallene 4d), eller på en delt karakteristisk basis (figur 4a, 4b), tett samhandling synes ikke å oversette til behandling suksess målt i form av bedring i overlevelse etter kreft. I gjennomsnitt, nye behandlinger er bare litt bedre enn de gamle: et funn forklares med equipoise hypotesen, noe som antyder at kravet til usikkerhet i kliniske studier er det som driver RCT-systemet, men som også spår at nye behandlinger er ikke veldig sannsynlig å være mye mer vellykket enn de etablerte som [11], [29], [30]. Imidlertid ikke equipoise hypotesen ikke forklare eksistensen av en relativt større andel av det lave antallet svært vellykkede forsøk blant nyutviklede behandlinger [8]
Et annet bilde viser seg for fortrinnsrett vedlegg nettverk. Hvis forsøkene er koblet på en individuell behandling suksess prinsippet (figur 4c), deretter mens for de fleste av forsøkene forholdet mellom behandling suksess og tilkobling virker tilfeldig og styrt av Equipoise (figur 4c for grader mindre enn 100), er det få studier som det er et proporsjonalt forhold mellom tilkobling og suksessrate (figur 4c for grader høyere enn 100). Dette funnet er enig med våre tidligere rapporterte resultater som viste at behandling suksess i kreft er distribuert som en kraft lov funksjon med de fleste av studiene som opererer i grenselandet mellom suksess og fiasko, og et lite antall svært vellykkede forsøk [8]. Fortrinns vedlegg modellen gir en underliggende mekanisme som kan forklare dette generelle mønsteret av terapeutisk oppdagelse.
Vi tror at mekanismen ansvarlig for den rapporterte mønster av behandling funn i kreft relatert til de sosiale interaksjoner mellom RCT som det stammer fra forskerens tendens til å samhandle selektivt med etablerte og vellykkede jevnaldrende. Det bør bemerkes at sosiale interaksjoner ikke bryter equipoise kravet, heller de utfyller den. Funnene tyder på at den generelle kreft RCT systemet opprettholder equipoise via uforutsigbarhet i resultatene til enhver individuell prøving, samtidig som det gir avenue for forskerne å øke sine sjanser til å oppdage nye vellykkede behandlinger som vil gå utover 50:50 odds spådd av den opprinnelige equipoise hypotese. Vi har derfor hevde at det sosiale nettverket analyser sammen med etiske analyser av equipoise presenteres i denne artikkelen gi ytterligere forståelse av prinsippene som driver behandling oppdagelsesprosessen.
Vår forskning har noen begrensninger. Den største begrensningen er at vi har brukt interaksjoner mellom RCT som en proxy av de faktiske interaksjoner mellom COG forskere.
