Αφηρημένο

ελεγχόμενες κλινικές μελέτες είναι ευρέως θεωρείται ότι είναι το όχημα για την ανακάλυψη της θεραπείας του καρκίνου που οδηγεί σε σημαντικές βελτιώσεις όσον αφορά την υγεία, συμπεριλαμβανομένης της αύξησης του προσδόκιμου ζωής. Έχουμε δείξει στο παρελθόν ότι το πρότυπο της θεραπευτικής ανακάλυψη σε τυχαιοποιημένες ελεγχόμενες δοκιμές (RCTs) μπορεί να περιγραφεί από μια κατανομή νόμο δύναμης. Ωστόσο, ο μηχανισμός δημιουργίας αυτό το μοτίβο είναι άγνωστη. Εδώ, προτείνουμε μια εξήγηση από την άποψη των κοινωνικών σχέσεων μεταξύ των ερευνητών σε τυχαιοποιημένες μελέτες. Χρησιμοποιούμε ανάλυση των κοινωνικών δικτύων για να μελετήσει τις επιπτώσεις των αλληλεπιδράσεων μεταξύ των RCT που για την επιτυχία της θεραπείας. σύνολο δεδομένων μας αποτελείται από 280 τυχαιοποιημένες μελέτες φάσης ΙΙΙ που διεξήχθη από το NCI από το 1955 έως το 2006. Τα δίκτυα RCT που σχηματίζονται μέσω της δοκιμής αλληλεπιδράσεις που σχηματίζεται i) τυχαία, ii) με βάση κοινά χαρακτηριστικά, ή iii) με βάση την επιτυχία της θεραπείας. Αναλύουμε την επιτυχία της θεραπείας από την άποψη της αναλογίας κινδύνου επιβίωσης ως συνάρτηση των δομών του δικτύου. Τα αποτελέσματά μας δείχνουν ότι η διαδικασία ανακάλυψης εμφανίζει νόμο δύναμης αν υπάρχουν προτιμησιακές αλληλεπιδράσεις μεταξύ των δοκιμών που μπορεί να προέλθει από την τάση των ερευνητών να αλληλεπιδρούν επιλεκτικά με τις καθιερωμένες και επιτυχημένες τους συνομηλίκους. Επιπλέον, τα δίκτυα RCT είναι «μικρό κόσμους»: Οι δοκιμές συνδέονται μέσω ενός μικρού αριθμού δεσμών, ακόμη υπάρχει πολύ ομαδοποίηση μεταξύ υποσύνολα δοκιμών. Μπορούμε επίσης να βρείτε ότι η επιτυχία της θεραπείας (βελτιωμένη επιβίωση) είναι ανάλογο προς τα μέτρα κεντρικότητα του δικτύου της εγγύτητας και της betweenness. υπάρχει αρνητική συσχέτιση μεταξύ της επιβίωσης και το βαθμό στον οποίο δοκιμές λειτουργούν μέσα σε ένα περιορισμένο πεδίο εφαρμογής των πληροφοριών. Τέλος, το στάδιο των δοκιμών θεραπευτικές αγωγές σε συμπαγείς όγκους έδειξαν την υψηλότερη κεντρική και τη μεγαλύτερη επιρροή της ομάδας ήταν η ECOG. Καταλήγουμε στο συμπέρασμα ότι οι πιθανότητες να ανακαλύψουν θεραπείες που σώζουν ζωές έχουν άμεση σχέση με τον πλούτο των κοινωνικών αλληλεπιδράσεων μεταξύ των ερευνητών που ενυπάρχει σε μια προνομιακή μοντέλο αλληλεπίδρασης

Παράθεση:. Tsalatsanis Α, Barnes L, Hozo Ι, Skvoretz J, Djulbegovic Β (2011) Μια Ανάλυση Κοινωνικών Δικτύων Η θεραπεία Ανακαλύψεις στον Καρκίνο. PLoS ONE 6 (3): e18060. doi: 10.1371 /journal.pone.0018060

Επιμέλεια: Yamir Moreno, του Πανεπιστημίου της Σαραγόσα, Ισπανία

Ελήφθη: 18 Γενάρη του 2011? Αποδεκτές: 19 Φεβρουαρίου 2011? Δημοσιεύθηκε: 28 Μαρ, 2011

Copyright: © 2011 Tsalatsanis et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, ​​με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

Χρηματοδότηση:. Αυτή η έρευνα έχει υποστηριχθεί από: ερευνητικό πρόγραμμα για την ακεραιότητα της έρευνας, Γραφείο Ερευνών ακεραιότητα και Εθνικά Ινστιτούτα Υγείας (επιχορηγήσεις: Όχι 1R01NS044417-01, 1R01NS052956-01 και 1R01CA133594-01 ΝΙΗ /ΟΡΗ)? PI: Δρ Djulbegovic. Οι χρηματοδότες δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου

Αντικρουόμενα συμφέροντα:.. Οι συγγραφείς έχουν δηλώσει ότι δεν υπάρχουν ανταγωνιστικά συμφέροντα

Εισαγωγή

τυχαιοποιημένες ελεγχόμενες κλινικές δοκιμές (RCT) είναι ευρέως θεωρείται ένα από τα πιο σημαντικά οχήματα ανακάλυψη νέων θεραπειών. Οι τυχαιοποιημένες μελέτες έχουν πιστωθεί με σημαντική βελτίωση των δεικτών υγείας με αποτέλεσμα τη σημαντική αύξηση του προσδόκιμου ζωής για παθήσεις όπως ο καρκίνος, το οποίο είναι το θέμα αυτής της εργασίας [1] – [7].

Έχουμε δείξει στο παρελθόν ότι η επιτυχία των νέων θεραπειών για τον καρκίνο δεν ταιριάζει το τυχαίο κανονική καμπύλη κατανομής [8]. Βρήκαμε ότι οι νέες θεραπείες ήταν, κατά μέσο όρο, ελαφρώς ανώτερη από τις καθιερωμένες θεραπείες, επιφέροντας μικρή ή μέτρια πρόοδος, με περιστασιακές ανακάλυψη των παρεμβάσεων επανάσταση? ένα σχέδιο θεραπευτικής ανακάλυψης που ταιριάζει μια κατανομή νόμο ισχύος (σχήμα 1) [8]. Σε γενικές γραμμές, οι διανομές του νόμου εξουσία να περιγράψει πολλές φυσικές και τεχνητές φαινόμενα, όπως τον πληθυσμό των πόλεων, η συχνότητα λέξη σε ένα χειρόγραφο, οι αναφορές μιας επιστημονικής χαρτί, κλπ [9], [10]. Η σημασία του ευρήματος νόμο δύναμης στη θεραπευτική ανακάλυψη προκύπτει από την ελεύθερη ιδιοκτησία κλίμακα της διανομής, πράγμα που σημαίνει ότι, ανεξάρτητα από τον αριθμό των ελεγχόμενων δοκιμών που πραγματοποιήθηκαν, η ανακάλυψη νέων θεραπειών περιγράφεται από τον ίδιο νόμο δύναμης.

Διανομή επιτυχία της θεραπείας στην ογκολογία εκφράζεται ως αναλογία κινδύνου επιβίωση (HR), όπου υψηλότερο HR δείχνει πιο επιτυχημένες θεραπείες. Η καμπύλη απεικονίζει ελαφρώς αυξημένο αριθμό επιτυχή θεραπεία αποτελείτο με τη λειτουργία του νόμου εξουσία.

Η

Αν και ο νόμος δύναμη φαίνεται να παρέχει μια αξιόπιστη μαθηματική περιγραφή του συνολικού σχεδίου της επιτυχίας της θεραπείας, δεν είναι σαφές τι ακριβώς μηχανισμός μπορεί να εξηγήσει πώς λειτουργεί πραγματικά νόμο δύναμης. Έχουμε υποστηρίξει στο παρελθόν ότι οι δοκιμές λειτουργούν στα όρια της επιτυχίας και της αποτυχίας οφείλεται στην αρχή της ισορροπία [11], πράγμα που σημαίνει ότι η ανακάλυψή παραμένει δυνατή μόνο εάν οι τυχαιοποιημένες μελέτες που εκτελούνται όταν υπάρχει σημαντική αβεβαιότητα σε σχέση με τα συγκριτικά πλεονεκτήματα των παρεμβάσεων να είναι δοκιμαστεί. Ωστόσο, αν αυτό ήταν η μόνη εξήγηση, η κατανομή των επιτυχιών της θεραπείας θα ήταν τυχαίο δηλαδή το πρότυπο της θεραπευτικής ανακάλυψη θα ταίριαζε την κανονική κατανομή, η οποία βρήκαμε ότι δεν ήταν η περίπτωση. Στην πραγματικότητα, θα μπορούσε να αναμένεται ότι με βάση το τεράστιο ποσό προσπάθεια και χρήματα που δαπανώνται για την ανακάλυψη νέων θεραπειών, ο αριθμός των επιτυχημένων RCT που θα είναι σημαντικά μεγαλύτερος από τον αριθμό των ανεπιτυχών αυτά, με αποτέλεσμα μια ασύμμετρη κατανομή. Η υπόθεση ισορροπία δεν παρέχει εξήγηση για το γεγονός ότι οι νέες θεραπείες είναι ελαφρώς πιο ανώτερο από τα παλιά, καθώς δεν λαμβάνει υπόψη τις προσπάθειες των ερευνητών λογαριασμό »για την ανάπτυξη νέων πιο επιτυχημένες θεραπείες [8]. Στο έγγραφο αυτό, υποστηρίζουμε ότι ο μηχανισμός που είναι υπεύθυνος για την παρατηρούμενη μοτίβο σε θεραπευτική ανακάλυψη είναι οι κοινωνικές αλληλεπιδράσεις μεταξύ των ερευνητών που διεξάγουν κλινικές δοκιμές (αλλά που χρειάζεται να εργάζονται υπό την ηθική υποχρέωση ισορροπία).

Η διαδικασία της ανακάλυψης που χαρακτηρίζει την επιστημονική πρόοδο είναι εγγενώς μια κοινωνική επιχείρηση. Η επιδίωξη των μελλοντικών ανακαλύψεων εξαρτάται από την κατανόηση των υφιστάμενων και εν εξελίξει έρευνα [12] – [14]. Αυτό το χαρακτηριστικό της διαδικασίας επιστημονικής ανακάλυψης έχει πιο αξέχαστα συλληφθεί στη μεταφορά που εκφράζεται από τον Ισαάκ Νεύτωνα: «

Αν έχω δει λίγο περισσότερο είναι από στέκεται στους ώμους των γιγάντων

» [15]. Ως εκ τούτου, η διαδικασία της επιστημονικής ανακάλυψης εξαρτάται από τις αλληλεπιδράσεις ανάμεσα στο παρελθόν και τις τρέχουσες τους ερευνητές, καθώς και τα ιδρύματα και την ευρύτερη επιστημονική κοινότητα ότι οι κυρώσεις τα αποτελέσματα μιας συγκεκριμένης έρευνας προσπάθεια και τελικά εξασφαλίζει ότι γίνεται δεκτό [12] – [14]. Η ίδια διαδικασία των κοινωνικών αλληλεπιδράσεων ισχύει για τις κλινικές δοκιμές, ιδιαίτερα καλά σχεδιασμένες τυχαιοποιημένες μελέτες.

Ένα σχέδιο δίκη οφείλεται σε μεγάλο βαθμό τις γνώσεις και τις πληροφορίες που αποκτήθηκαν σε προηγούμενες μελέτες. Οι ερευνητές τείνουν να αλληλεπιδρούν με τους συναδέλφους στο άμεσο περιβάλλον τους [16] ή /και να κάνουν χρήση των επιστημονικών περιοδικών και των συνεδριάσεων [17], [18] για να μοιραστούν τις γνώσεις, καθώς και τις επιτυχίες και τις αποτυχίες δίκη μεταξύ των μελών της επιστημονικής κοινότητας. Ωστόσο, αν δοκιμές νέων (θεραπευτικών) ιδέες είναι να συμβεί, προσωπικές αναπαραστάσεις των ερευνητών πρέπει να επισημοποιηθεί ακόμη. Για παράδειγμα, στις Η.Π.Α., τα περισσότερα τυχαιοποιημένες μελέτες που δεν διεξάγονται από τη βιομηχανία πραγματοποιείται υπό την αιγίδα του Εθνικού Ινστιτούτου Καρκίνου (NCI) που υποστηρίζουν την συνεργατική δοκιμή υποδομή. Όλες οι προτάσεις που αποσκοπούν στη δοκιμή νέων πολλά υποσχόμενων θεραπειών σε έλεγχο και τελικά να χρηματοδοτούνται μέσω του πλαισίου των συνεταιριστικών ομάδων NCI (γρανάζια).

Εμείς υποθέσουμε ότι οι κοινωνικές αλληλεπιδράσεις μεταξύ των μελών των γρανάζια NCI οδηγούν την ανάπτυξη θεραπευτικών ανακάλυψη για κακοήθεις νόσους. Αν αυτή είναι η περίπτωση, τότε η ανάλυση της ρητής αλληλεπιδράσεις μεταξύ των RCT που θα έπρεπε να ρίξει πρόσθετο φως για τη διαδικασία ανακάλυψης της θεραπείας στον καρκίνο, ιδίως, να εξηγήσει το σχέδιο νόμου δύναμη της επιτυχίας της θεραπείας. Μελετώντας τις τυχαιοποιημένες μελέτες με τέτοιο τρόπο αναμένεται να βοηθήσει να κατανοήσουν τη διαδικασία της ανακάλυψης μεταχείρισης στο πλαίσιο του όλου συστήματος RCT που τελικά μπορεί να βοηθήσει στη βελτίωση της υγείας.

Μέθοδοι

Σύνολο δεδομένων

χρησιμοποιήσαμε ένα σύνολο δεδομένων που αναφέρονται λεπτομερώς αλλού [8]. Αυτό το σύνολο δεδομένων περιλαμβάνει 216.451 ασθενείς και αποτελείται από 624 τυχαιοποιημένες μελέτες φάσης ΙΙΙ που χρηματοδοτείται από τα γρανάζια NCI διεξάγεται και δημοσιεύεται 1955-2006 [8]. Περιορίζουμε την ανάλυσή μας σε 280 από τις 624 μελέτες που θεωρείται επιβίωση ως κύριο αποτέλεσμά τους. Σε αυτές τις μελέτες οι ερευνητές ρητά ορίζεται για τη βελτίωση της επιβίωσης από τη δοκιμή νέων θεραπευτικών παραγόντων. Αυτές οι δοκιμές χρησιμοποιούνται σχεδιασμό ανωτερότητας με σκοπό να αντιμετωπιστεί το ζήτημα αν μία θεραπεία είναι ανώτερη από την άλλη. Δεν υπήρχαν μελέτες μη κατωτερότητα στο οποίο η επιτυχία θα έχουν κριθεί ως μία θεραπεία είναι ίση ή κατώτερη από ένα άλλο.

Θεραπεία ανακάλυψη

Σε γενικές γραμμές, η επιτυχία της θεραπείας του καρκίνου μπορεί να μετρηθεί από [8]: (1) την εκτίμηση της αναλογίας των στατιστικά σημαντικών δοκιμών ευνοώντας την εξάπλωση νέων ή πρότυπο θεραπείες, (2) τον προσδιορισμό της αναλογίας των δοκιμών στις οποίες οι νέες θεραπείες θεωρείται ανώτερη από τις καθιερωμένες θεραπείες με βάση την συνολική αποφάσεις ερευνητές », και (3) ποσοτικά τη σύνθεση δεδομένων για τις κύριες κλινικές εκβάσεις (συνολική και ελεύθερη συμβαμάτων επιβίωση). Κάθε ένα από αυτά τα μέτρα έχει τα πλεονεκτήματα και τα μειονεκτήματά του, αλλά, τουλάχιστον, σε ασθένειες απειλητικές για τη ζωή, όπως ο καρκίνος, η αξιολόγηση της επιβίωσης φαίνεται να είναι ο καθοριστικός παράγοντας της πραγματικής ποσοστό επιτυχίας. Ως εκ τούτου, θεωρούμε ότι η καλύτερη μετρικό των ερευνητικών προσπαθειών για να ανακαλύψουν νέες, αποτελεσματικές θεραπείες είναι η βελτίωση στα αποτελέσματα των ασθενών. Σε αυτό το έργο, επιλέγουμε την αναλογία κινδύνου επιβίωση (HR), όπως αναφέρεται σε κάθε RCT, όπως το κρίσιμο μετρική της επιτυχίας της θεραπείας. Δηλαδή, οι επιτυχημένες δοκιμές θεωρούνται εκείνα με στατιστικά σημαντικό λόγο κινδύνου επιβίωσης με τιμή μεγαλύτερη από 1 (σ αξία ≤0.05).

Κοινωνικά Δίκτυα

Σύμφωνα με την υπόθεσή μας, υπάρχει μια σχέση μεταξύ των αλληλεπιδράσεων RCT και τη διαδικασία ανακάλυψης της θεραπείας. Αν αυτή είναι η περίπτωση, τότε οι δοκιμές με εκτεταμένες αλληλεπιδράσεις αναμένεται να σχετίζονται με βελτιώσεις στην επιβίωση. Χρησιμοποιήσαμε ανάλυση των κοινωνικών δικτύων για τη μελέτη των επιπτώσεων των εν λόγω κοινωνικές αλληλεπιδράσεις των αλληλεπιδράσεων για την επιτυχία της θεραπείας. Ένα δίκτυο RCT αναπαρίσταται ως ένα σύνολο από κόμβους, κάθε κόμβος που υποδηλώνει μια δίκη, και μια σειρά δεσμών, κάθε ισοπαλία δηλώνει μια αλληλεπίδραση μεταξύ των δοκιμών. Δεδομένου ότι είναι αδύνατο να προσδιοριστεί με ακρίβεια το πώς επικοινωνούν οι RCT, υποθέτουμε ότι RCT αλληλεπιδράσεις μπορεί να σχηματίζονται με τρεις τρόπους: (1) με βάση τα κοινά χαρακτηριστικά μεταξύ των δοκιμών, (2) με βάση την επιτυχία της θεραπείας των δοκιμών, και (3) στην τύχη . Στη συνέχεια αναλύει πώς η επιτυχία της θεραπείας σχετίζεται με τις συνδέσεις του σε κάθε τύπο δικτύου

Μοντέλο 1:.. RCT αλληλεπιδράσεις βασίζονται σε κοινά χαρακτηριστικά

Το πρώτο μοντέλο υποθέτει ότι οι RCT αλληλεπιδράσεις περιορίζονται μεταξύ των δοκιμών σε συναφείς τομείς. Ως εκ τούτου, οι αλληλεπιδράσεις μεταξύ των δοκιμών παρουσιαστεί (α) στο επίπεδο της κάθε COG (η οποία προτείνει τελικά η δίκη να διεξαχθεί μεταξύ των θεσμικών οργάνων μέλος) (σχήμα 2α), (β) το είδος της νόσου, μετά την ανακάλυψη της θεραπείας είναι συνήθως μια ασθένεια προσανατολισμένο διαδικασία (δηλαδή ο καρκίνος του μαστού, ο καρκίνος του γαστρεντερικού, γυναικολογικό καρκίνο, κ.λπ.) (Σχήμα 2Β), και (γ) το είδος της θεραπείας, η οποία ορίζει την κατηγορία θεραπευτικών παραγόντων (δηλαδή ανοσοενισχυτικό, θεραπευτική /οριστικό, επαγωγή, κλπ) (2γ σχήμα). Τελικά, υπάρχουν πολλά επίπεδα αλληλεπιδράσεων δίκη, όπως το ίδρυμα του ερευνητή, το τμήμα της μελέτης, την πηγή χρηματοδότησης, κ.λπ. Ωστόσο, όλα αυτά τα είδη των αλληλεπιδράσεων φιλτράρει τελικά αλληλεπιδράσεις στο επίπεδο της COG, το είδος της ασθένειας και της θεραπείας, η οποία θα πιστεύουν ότι αντιπροσωπεύουν τις πιο χαρακτηριστικές πτυχές του συστήματος RCT.

Κάθε κόμβος στο δίκτυο αντιπροσωπεύει μια δοκιμή αναφέρεται ως τριπλέτα που δηλώνει την COG ανήκει, το είδος της ασθένειας και της θεραπείας μελετά. Τα δίκτυα έχουν κατασκευαστεί λαμβάνοντας υπόψη τις σχέσεις μεταξύ COG (α), τον τύπο της νόσου (β), τον τύπο της θεραπείας (γ), και το συνδυασμό όλων των πιθανών αλληλεπιδράσεων (δ). * Για λόγους απεικόνισης, μόνο ένας περιορισμένος αριθμός των RCT εμφανίζεται.

Η

Ο συνδυασμός όλων των πιθανών αλληλεπιδράσεων παράγει 7 διαφορετικά δίκτυα, που αναφέρεται ως κοινά χαρακτηριστικά των δικτύων στο υπόλοιπο του χειρογράφου. Στην ανάλυσή μας, έχουμε παραλείψει τα 3 δίκτυα που έχουν δημιουργηθεί χρησιμοποιώντας τις αλληλεπιδράσεις στο επίπεδο των μεμονωμένων χαρακτηριστικών δεδομένου ότι τα δίκτυα αυτά αποτελούνται από μεμονωμένες ομάδες των δοκιμών που αντιστοιχούν σε κάθε συνεταιρισμό ομάδα, τον τύπο της ασθένειας ή της θεραπείας

Model 2.: RCT αλληλεπιδράσεις με βάση το προηγούμενο επιτυχίας της θεραπείας.

το δεύτερο μοντέλο υποθέτει ότι οι RCT που αλληλεπιδρούν επιλεκτικά σε όλο το φάσμα RCT, συγκεκριμένα, ότι οι αλληλεπιδράσεις μεταξύ των πιο επιτυχημένων δοκιμών ευνοούνται ( «επιτυχία φέρνει επιτυχία»). Η υπόθεσή μας πηγάζει από την τάση των ερευνητών να αλληλεπιδρούν κυρίως με τις καθιερωμένες και γνωστές συνομηλίκους. Ένα μοντέλο για το σχηματισμό του δικτύου βασίζεται σε τέτοιες αλληλεπιδράσεις είναι το προτιμησιακό μοντέλο συνημμένο [19], [20]. Σύμφωνα με αυτό το μοντέλο, οι κόμβοι συνδέονται τυχαία με μια προκατάληψη προς τα πιο συνδεδεμένους κόμβους. Στο σκηνικό μας, υποστηρίζουμε ότι οι περισσότεροι συνδεδεμένοι κόμβοι αντιπροσωπεύεται από τις πιο επιτυχημένες δοκιμές, ιδιαίτερα εκείνους με

HR

& gt? 1 και

σ αξία

& lt? 0,05. Ως εκ τούτου, έχουμε κατασκευάσει το δίκτυο RCT υποθέτοντας ότι η πιθανότητα μιας RCT λαμβάνει ένα δεσμό είναι ανάλογη με την επιτυχία της RCT όπως μετριέται από την άποψη της αναλογίας κινδύνου επιβίωσης (HR), και η στατιστική σημαντικότητα των παρουσιαζόμενων αποτελεσμάτων όπως υποδεικνύεται από το p αξία. Καλούμε αυτό το δίκτυο το προτιμησιακό δικτύου προσάρτησης στο υπόλοιπο του χειρογράφου.

Η προνομιακή του δικτύου RCT συνημμένο σχηματίζεται επαναληπτικά, ξεκινώντας με ένα μικρό αριθμό των RCT. Σε κάθε επανάληψη, μια νέα RCT προστίθεται στο δίκτυο και ένας προκαθορισμένος αριθμός των αλληλεπιδράσεων με τις υπάρχουσες μελέτες επιβάλλονται. Η πιθανότητα ότι μια υπάρχουσα μελέτη,

i

, λαμβάνει μια ισοπαλία εξαρτάται από την επιτυχία του κατά τη διάρκεια της προηγούμενης δοκιμής σε τυχαιοποιημένες μελέτες και εκφράζεται σε όρους της αναλογίας κινδύνου επιβίωσης (HR) και η στατιστική σημαντικότητα: (1) όταν το άθροισμα είναι πάνω από όλους τους κόμβους του δικτύου στην τρέχουσα επανάληψη, n

μοντέλο 3:.. τυχαία αλληλεπιδράσεις RCT

το τρίτο και τελικό μοντέλο, υποθέτει ότι οι δίκες αλληλεπιδρούν τυχαία. Έχουμε κατασκευάσει πέντε σετ των Erdos-Renyi [21] τυχαία δίκτυα καθένα από τα οποία αποτελείται από 280 κόμβους που αντιπροσωπεύουν κάθε μία από τις δοκιμασίες. Ο μέσος αριθμός των δεσμών σε κάθε σύνολο ταιριάζει με το μέσο αριθμό των δεσμών στα πρώτα 5 δίκτυα (4 κατασκευάστηκε με βάση των κοινών χαρακτηριστικών και 1 βάσει των προτιμησιακών συνημμένο). Τα τυχαία δίκτυα, στη συνέχεια, σε σύγκριση με τα κοινά χαρακτηριστικά και των προτιμησιακών δίκτυα συνημμένο.

τοπολογία δικτύου

Για να προσδιορίσετε την τοπολογία των δικτύων RCT, προκειμένου να συγκρίνουν τις διαφορετικές δομές, υπολογίσαμε τα τρία τα σημαντικότερα μέτρα της σύνδεσης για κάθε δίκτυο: η μέση μικρότερη απόσταση διαδρομής μεταξύ όλων των προσβάσιμο κόμβων σε ένα δίκτυο, η παγκόσμια συντελεστή ομαδοποίησης, καθώς και τη διανομή βαθμό. Η μικρότερη απόσταση μονοπάτι δείχνει πόσο προσιτό το δίκτυο είναι? μικρές τιμές είναι επιθυμητές για ένα στενά συνδεδεμένο δίκτυο. Η παγκόσμια συντελεστής ομαδοποίησης μετρά τη συνολική τάση των κόμβων για να σχηματίσουν συμπλέγματα στην οποία οι συνδέσεις ενός κόμβου είναι οι ίδιοι που συνδέονται μεταξύ τους σχηματίζοντας διακριτές ομάδες. Η κατανομή βαθμός είναι η κατανομή των συνδέσεων των κόμβων »στο δίκτυο. Το μοτίβο της κατανομής βαθμός είναι πολύ σημαντική στην ανάλυση του δικτύου, δεδομένου ότι δείχνει τον αριθμό των αλληλεπιδράσεων κάθε κόμβος (RCT) έχει. Ένα γλωσσάρι που ορίζει κάθε ένα από αυτούς τους όρους παρέχονται στο τέλος του χειρογράφου.

Κόμβος αναλύει

Δεν είναι όλοι οι κόμβοι σε ένα δίκτυο έχουν την ίδια σημασία. Με βάση την θέση τους στο δίκτυο, μερικοί κόμβοι μπορούν να αλληλεπιδρούν πιο εύκολα με άλλους κόμβους, ή βρίσκονται σε πολλές σύντομες διαδρομές μεταξύ άλλων ζευγών των κόμβων. Αυτές οι δύο ιδιότητες συλλαμβάνεται από τις κεντρικότητα μέτρα της εγγύτητας και της betweenness. Εγγύτητα μετρά τη μέση απόσταση ένας κόμβος έχει σε όλους τους άλλους στο δίκτυο – μικρότερες τιμές σημαίνουν μεγαλύτερη ευκολία αλληλεπίδρασης με όλους τους άλλους. Betweenness μέτρα πόσο σημαντική είναι ένας κόμβος είναι σε σύνδεση άλλων κόμβων [22]. Άλλα μέτρα κεντρικότητα της σημασία είναι αρχής και κόμβο [23]. Αρχή είναι ένα κεντρικότητα μέτρο που δείχνει πόσο μεγάλη επιρροή ένας κόμβος είναι στο δίκτυο, ενώ, ένας κόμβος θεωρείται ένα κομβικό σημείο και αν συνδέεται με πολλές αρχές. Υπολογίζοντας μέτρα κεντρικότητας στα δίκτυα RCT μπορούμε να εντοπίσουμε τις πιο κεντρικές κόμβους και να αναλύσουν τα χαρακτηριστικά τους. Ένα τελευταίο μέτρο το επίπεδο του κόμβου είναι η τοπική συντελεστή ομαδοποίησης. Μετρά το βαθμό στον οποίο οι συνδέσεις ενός κόμβου είναι οι ίδιοι συνδέονται το ένα με το άλλο. Υψηλές τιμές σημαίνουν ο κόμβος είναι μέλος μιας σφιχτά δεμένη σύμπλεγμα των κόμβων? χαμηλές τιμές, το αντίθετο.

Αποτελέσματα

τοπολογία δικτύου

Για να προσδιορίσετε την τοπολογία των δικτύων RCT υπολογίσαμε το μέσο όρο μικρότερη απόσταση διαδρομής, το παγκόσμιο συντελεστή ομαδοποίησης, και ο βαθμός διανομής για κάθε δίκτυο. Στη συνέχεια συγκρίνεται αυτές τις τιμές με τις αντίστοιχες τιμές ενός τυχαίου δικτύου με τον ίδιο αριθμό των κόμβων, και μέσο αριθμό δεσμών.

Ο Πίνακας 1 συνοψίζει τις τιμές της παγκόσμιας συντελεστή ομαδοποίησης και μέση συντομότερη απόσταση διαδρομή για τα δίκτυα που μελετήθηκαν και τα αντίστοιχα τυχαία δίκτυα. Τα δίκτυα έχουν αντιμετωπιστεί ως μη κατευθυνόμενη, αλλά εντός του περιορισμού της ροής του χρόνου (δηλαδή, μόνο δοκιμές που πραγματοποιήθηκαν αργότερα στο χρόνο θα μπορούσε να συνδεθεί με δοκιμές που διεξήχθησαν νωρίτερα στο χρόνο). Η προτιμησιακή δίκτυο προσκόλληση καθώς και τα κοινόχρηστα δίκτυα χαρακτηριστικά οδήγησαν σε μικρές μέσες αποστάσεις μονοπάτι, συγκρίσιμες με τις αποστάσεις στις αντίστοιχες τυχαία γραφήματα αλλά, παγκόσμια συντελεστές ομαδοποίησης πολύ υψηλότερη από τις αντίστοιχες τυχαίες δικτύων τους (Πίνακας 1).

Η

ένα τέτοιο πρότυπο συνδεσιμότητας αντιστοιχεί σε μικρό κόσμο των δικτύων [24]. Χαρακτηριστικά του μικρό κόσμο των δικτύων είναι: (α) μικρό μέσο όρο μικρότερη απόσταση διαδρομής, (β) μεγάλες παγκόσμιες συντελεστές ομαδοποίησης (μεγαλύτερο από το αντίστοιχο τυχαίο δίκτυο), και (γ) διανομές συνδεσιμότητα περιγράφεται είτε από μια κλίμακα δωρεάν, ευρεία κλίμακα ή ενιαία κλίμακα διανομής [25], [26]. Τα κοινόχρηστα δίκτυα χαρακτηριστικά είναι μικρός κόσμος δίκτυα με διανομές συνδεσιμότητα ενιαία κλίμακα (σχήμα 3α), ενώ το προτιμησιακό δίκτυο συνημμένο είναι ένα μικρό παγκόσμιο δίκτυο με ένα νόμο δύναμης (κλίμακα δωρεάν) τη διανομή της μορφής (σχήμα 3γ). Δεδομένου ότι υπάρχει μια αβεβαιότητα που συνδέεται με το σχηματισμό της προτιμησιακής δικτύου συνημμένο τρέξουμε 250 προσομοιώσεις, εκ των οποίων 225 έχουν τη δύναμη διανομής συνδεσιμότητα του νόμου με (

α

(

σημαίνει

= 2,8,

διακύμανση

= 0,18),

x

min

(

σημαίνει

= 26,

διακύμανσης

= 4.5) και

σ αξία

& gt ? 0.1 με βάση τον αλγόριθμο που παρουσιάζεται στο [10], η οποία δείχνει ότι όταν

σ αξία

& gt? 0.1, ο νόμος δύναμη είναι μια εύλογη υπόθεση για τα δεδομένα). Τα υπόλοιπα 25 δίκτυα είχαν

σ αξία

& lt?. 0.1

Η κατανομή συνδεσιμότητας για το κοινόχρηστο δίκτυο χαρακτηριστικά της ομάδας, τη θεραπεία και την ασθένεια (α) περιγράφεται από μια ενιαία κατανομή κλίμακα. Η κατανομή συνδεσιμότητας για την προτιμησιακή δικτύου σύνδεσης (γ) περιγράφεται από μία κατανομή νόμο δύναμης (Ο νόμος δύναμη είναι της μορφής, με

α

= 2.83,

x

min

= 27, και

σ αξία

= 0,138). Για λόγους συντομίας, δεν περιλαμβάνονται τα κοινόχρηστα δίκτυα χαρακτηριστικά που παράγεται από την: ομάδα, η θεραπεία? ομάδα, η νόσος? νόσου, η θεραπεία.

Η

Έτσι, η διαδικασία της ανακάλυψης νέων θεραπευτικών προσεγγίσεων σε καρκίνο κάτω από την ομπρέλα του NCI, εκπροσωπούμενη είτε ως κοινό χαρακτηριστικό δίκτυο ή προτιμησιακές δικτύου προσάρτησης, ταιριάζει ένα πρότυπο σύνδεσης που μπορεί να είναι περιγράφεται ως ένα μικρό παγκόσμιο δίκτυο στο οποίο κάθε δίκη συνδέεται με οποιαδήποτε άλλη δίκη στο δίκτυο μέσω λίγα μόλις δεσμούς. Το εύρημα αυτό είναι πιθανόν να μην είναι έκπληξη δεδομένου ότι το προηγούμενο έργο έδειξε ότι η δομή των επιστημονικών δικτύων συνεργασίας συχνά παίρνει τη μορφή μικρών κόσμου δικτύων [27], αλλά δεν έχει ποτέ μελετηθεί στη ρύθμιση της κλινικής έρευνας.

ανακάλυψη Θεραπεία

Υποθέσαμε ότι υπάρχει θετική σχέση ανάμεσα στην έκταση των αλληλεπιδράσεων μια δίκη και την επιτυχία της θεραπείας. Δηλαδή, οι δοκιμές με πολλές αλληλεπιδράσεις θα έχουν μεγαλύτερη επιτυχία της θεραπείας από δοκιμές με λίγες αλληλεπιδράσεις. Για να ελέγξει την υπόθεση αυτή, θα καταγράφεται η μέση τιμή του δείκτη κινδύνου επιβίωσης για τους κόμβους ως συνάρτηση της συνδεσιμότητας τους (πτυχίο). Σχήμα 4α απεικονίζει τα αποτελέσματα για το κοινόχρηστο δίκτυο χαρακτηριστικά, ενώ το σχήμα 4c δείχνει τα αποτελέσματα για την προτιμησιακή δίκτυο συνημμένο. Τα σχήματα 4β, d απεικονίζουν τα αποτελέσματα για τις αντίστοιχες τυχαίες δίκτυα. Τόσο τα σχήματα 4α και 4γ δείχνουν ότι είναι αδύνατο να προβλέψουμε την επιτυχία της συγκεκριμένης μελέτης βασίζονται στην συνδεσιμότητα του (πτυχίο). Επιπλέον, εάν RCT αλληλεπιδράσεις είναι στην πραγματικότητα διαμορφώνεται με βάση κοινά χαρακτηριστικά, στη συνέχεια, παρά το μικρό κόσμο συνδεσιμότητα, η σχέση μεταξύ της επιτυχίας της θεραπείας και τις αλληλεπιδράσεις RCT είναι τυχαία με συνολικό ποσοστό επιτυχίας ελαφρώς άνω του 50% [8], [11]. Έτσι, δοκιμή επιτυχία περιορίζεται εντός των αλληλεπιδράσεων στο επίπεδο της ομάδας, θεραπεία ή ασθένεια μόνο ελαφρώς σχετίζεται με την έκταση της συνδεσιμότητας. Ωστόσο, όταν δίκη επιτυχία (HR) σχεδιάζεται για την προτιμησιακή μοντέλο σύνδεσης (σχήμα 4γ), ένα διαφορετικό πρότυπο αναδύεται: όσο μεγαλύτερη είναι η έκταση της συνδεσιμότητας, η μεγαλύτερη είναι η επιτυχία της θεραπείας (HR), δηλαδή η υψηλότερη είναι οι πιθανότητες ότι οι ερευνητές να ανακαλύψουν νέες σωτήρια θεραπείες! Αν και αυτό είναι ένα πολύ ενδιαφέρον αποτέλεσμα που μπορεί να εξηγήσει καλύτερα την ασύμμετρη κατανομή φαίνεται στο σχήμα 1, θα μπορούσε να υποστηριχθεί ότι δεν είναι μόνο αντανάκλαση των περιορισμών που επιβάλλονται με το μοντέλο μας.

Τα οικόπεδα (α, β, και δ) δείχνουν ότι δεν υπάρχει άμεση σχέση μεταξύ της επιτυχίας της θεραπείας και τη συνδεσιμότητα. Ωστόσο, για την προτιμησιακή δικτύου σύνδεσης (γ), υπάρχει μια αυξανόμενη τάση της σχέσης μεταξύ της επιτυχίας της θεραπείας {όπως μετράται από HR επιβίωση (λόγος κινδύνου)} και υποστηρίζοντας συνδεσιμότητας που καλύτερα συνδεδεμένο ερευνητές μπορούν να ανακαλύψουν περισσότερα σωτήρια θεραπείες! Για λόγους συντομίας, δεν περιλαμβάνονται τα δίκτυα που δημιουργούνται από τα κοινά χαρακτηριστικά: ομάδα, η θεραπεία? ομάδα, η νόσος? νόσου, η θεραπεία.

Η

Για να αντιμετωπίσει το τελευταίο αυτό ζήτημα, που αξιολογεί τις σχέσεις μεταξύ της επιτυχίας της θεραπείας και άλλους κεντρικότητα measures- τα αποτελέσματα που πιστεύουμε ότι δεν μπορούσε να προβλεφθεί προφανώς από την προτιμησιακή μοντέλο συνημμένο. Εμείς, ως εκ τούτου, εκφράζουν την επιτυχία της θεραπείας ως συνάρτηση της εγγύτητας, betweenness και τοπικό συντελεστή ομαδοποίησης. Όπως ήταν αναμενόμενο, δεν υπάρχει εμφανής μοτίβο σε περίπτωση κοινής δικτύων χαρακτηριστικά (σχήμα 5). Για την προτιμησιακή δίκτυο συνημμένο, όμως, υπάρχει μια αυξανόμενη τάση μεταξύ της επιτυχίας της θεραπείας και τα μέτρα της betweenness και της εγγύτητας και πτωτική τάση μεταξύ της επιτυχίας της θεραπείας και των τοπικών συντελεστή ομαδοποίησης (εικόνα 6). Μια ερμηνεία αυτού του ευρήματος είναι ότι οι εν λόγω μελέτες (ερευνητές) με εύκολη πρόσβαση σε πληροφορίες (εκείνες με υψηλό betweenness και εγγύτητας), είναι πιο επιτυχής από ό, τι άλλες, ενώ οι ερευνητές που έχουν την τάση να αλληλεπιδρούν μέσα σε μια κλειστή ομάδα (όπως δηλαδή έχουν υψηλό τοπικό συντελεστές ομαδοποίησης ) είναι λιγότερο εκτεθειμένες σε καλές ιδέες /πληροφορίες και έτσι είναι λιγότερο επιτυχείς [28].

δεν υπάρχει αναγνωρίσιμη μοτίβο μεταξύ HR επιβίωσης και των διαφόρων κεντρικότητα μέτρα.

η

υπάρχει ένα αυξανόμενη τάση μεταξύ της επιτυχίας της θεραπείας και τα μέτρα της betweenness και της εγγύτητας (a, b), πράγμα που σημαίνει ότι η επιτυχία της θεραπείας δεν είναι μόνο συνάρτηση της συνδεσιμότητας, αλλά και μια λειτουργία του κόμβου κεντρικότητα και η ευκολία πρόσβασης στις σχετικές πληροφορίες. Ωστόσο, υπάρχει μια πτωτική τάση μεταξύ της επιτυχίας της θεραπείας και των τοπικών συντελεστή ομαδοποίησης (γ). Έχουμε σκεφτεί ότι οι κόμβοι με υψηλό συντελεστή ομαδοποίησης είναι εκείνα τα οποία έχουν την τάση να αλληλεπιδρούν μέσα σε μια κλειστή ομάδα δοκιμών ( «σιλό» της ανταλλαγής πληροφοριών) και, κατά συνέπεια, είναι το λιγότερο επιτυχής.

Η

αναλύει Κόμβος

Για τον προσδιορισμό των χαρακτηριστικών των επιμέρους κόμβων στο δίκτυο, θα χρησιμοποιηθεί η κεντρικότητα μέτρα που περιγράφονται στην ενότητα Μέθοδοι. Ο Πίνακας 2 συνοψίζει τα χαρακτηριστικά για τους κόμβους (δοκιμές) που παρουσιάζουν τα υψηλότερα μέτρα κεντρικότητας, καθώς και τις μέσες τιμές HR επιβίωσης. Μας ενδιαφέρει τον προσδιορισμό των χαρακτηριστικών που καθιστούν δίκη (ες) διακριτικό.

Η

Είναι ενδιαφέρον να σημειωθεί ότι, ανεξάρτητα από την προσέγγιση που χρησιμοποιείται για να σχηματίσουν τα δίκτυα RCT, οι κόμβοι με τα υψηλότερα μέτρα κεντρικότητα ήταν αυτοί που μελετήθηκαν θεραπευτική /οριστικός αγωγές (Πίνακας 2) σε στερεούς όγκους. Το γεγονός αυτό καθιστά διαισθητική αίσθηση από το μεγάλο συμπαγείς όγκους (σε αντίθεση με αιματολογικές κακοήθειες) σπάνια μπορεί να θεραπευτεί, και θα περίμενε κανείς ότι οι δίκες που προσπαθούν να δοκιμάσει θεραπευτική ή περισσότερες οριστική θεραπείες για τις ασθένειες αυτές θα προσελκύσει περισσότερο την προσοχή από άλλους ερευνητές. Ομοίως, μελέτες που θεωρήθηκαν πιο κεντρικές είναι οι μελέτες που εκτελούνται από ECOG (Eastern Group Συνεταιρισμός) και σπούδασε θεραπευτική /οριστική είδος των θεραπειών. Αυτό δεν είναι ίσως έκπληξη δεδομένου ότι η ECOG είναι η μεγαλύτερη NCI COG και είναι πιθανό να έχουν μεγαλύτερη επιρροή στην πορεία των ανακαλύψεων μεταχείρισης από άλλα γρανάζια NCI. Παρομοίως, ιαματικές /οριστική θεραπεία για συμπαγείς όγκους προσελκύσει περισσότερη προσοχή από ό, τι πιο καθιερωμένες θεραπείες για λεμφώματα και άλλες αιματολογικές κακοήθειες. Θα πρέπει να σημειωθεί ότι αυτές οι θεραπείες μπορεί να μην είναι λιγότερο επιτυχής. Αποτελεσματικές θεραπείες για αιματολογικές κακοήθειες ανακαλύφθηκαν κατά την πρώιμη ύπαρξη της COG και ως εκ τούτου δεν αποτελεί έκπληξη το γεγονός ότι έλαβαν λιγότερη προσοχή κατά τη διάρκεια της μετέπειτα δεκαετίες των δοκιμών σε τυχαιοποιημένες μελέτες που διεξάγονται από τα διάφορα γρανάζια. Αυτό ισχύει ιδιαίτερα, όπως έχει συμβεί κανένα σημαντικές ανακαλύψεις στη διαχείριση των ασθενειών αυτών μέσα στην ρύθμιση COG από τις αρχές της δεκαετίας του 1970.

Συζήτηση

Ένας από τους βασικούς χώρους της κλινικής επιχείρησης έρευνας, συμπεριλαμβανομένων των πορισμάτων νέων επιτυχημένες θεραπείες, είναι ότι η καλύτερη επιστημονική κατανόηση θα πρέπει να μεταφραστεί σε βελτίωση των αποτελεσμάτων των ασθενών, όπως η καλύτερη επιβίωση. Τέτοια καλύτερη επιστημονική κατανόηση συνήθως διασφαλίζεται μέσω της εκτεταμένης κοινωνικής επιστημονικής δικτύωσης που βασίζονται στις αλληλεπιδράσεις ανάμεσα στο παρελθόν (π.χ., μέσω της μεταφοράς της γνώσης μέσω της επιστημονικής βιβλιογραφίας) και την τρέχουσα ερευνητές.

Εμείς υποστηρίζουν ότι οι αλληλεπιδράσεις μεταξύ των ερευνητών που διεξάγουν κλινικές δοκιμές είναι υπεύθυνα για την προηγουμένως αναφερθεί μοτίβα σε θεραπευτική ανακάλυψη [8]. Δηλαδή, η επιτυχία της θεραπείας στον καρκίνο περιγράφεται από μία κατανομή νόμο δύναμης στην οποία η πλειοψηφία των δοκιμών λειτουργούν στα όρια της επιτυχίας και της αποτυχίας, ενώ μερικές δοκιμές είναι πολύ επιτυχημένη [8].

αλληλεπιδράσεις Μοντελοποίηση μεταξύ των ερευνητών είναι μια μάλλον δύσκολη διαδικασία. Προτείναμε τρεις διαφορετικές προσεγγίσεις. Πρώτον, υποθέτουμε ότι οι RCT αλληλεπιδράσεις περιορίζονται μεταξύ των δοκιμών σε συναφείς τομείς, όπως η συνεργατική ομάδα, τον τύπο της ασθένειας ή της θεραπείας (δίκτυο με «κοινά χαρακτηριστικά»). Στη συνέχεια, δημιουργήσαμε δίκτυα RCT θεωρώντας την επιτυχία της θεραπείας ως κινητήρια δύναμη των αλληλεπιδράσεων. Τέλος, για λόγους σύγκρισης, υποθέσαμε ότι RCT που αλληλεπιδρούν τυχαία.

Τα αποτελέσματά μας δείχνουν ότι τα δίκτυα που δημιουργήθηκαν με βάση κοινά χαρακτηριστικά, καθώς και εκείνες που δημιουργούνται με βάση την επιτυχία της θεραπείας είναι μικρό κόσμο των δικτύων. Μικρές κόσμους έχει αποδειχθεί για να περιγράψει άλλα επιστημονικά δίκτυα συνεργασίας [27]. Ωστόσο, αυτή είναι η πρώτη φορά που έχει αποδειχθεί ότι ισχύει για τα δίκτυα που σχηματίζονται σε κλινικό περιβάλλον. Η σημασία του μικρού κόσμου εύρημα είναι ότι όλες οι δοκιμές που συνδέονται μέσω ενός μικρού αριθμού των δεσμών ενισχύοντας το επιχείρημα ότι η ανακάλυψη της θεραπείας είναι μια κοινωνική επιχείρηση.

Επιπλέον, δείχνουμε ότι, αν οι RCT που συνδέονται τυχαία ( στοιχεία 4δ), ή σε ένα κοινό χαρακτηριστικό βάση (σχήμα 4α, 4β), πυκνό αλληλεπιδράσεις δεν φαίνεται να μεταφράζεται σε επιτυχία της θεραπείας όπως μετράται από την άποψη της βελτίωσης της επιβίωσης του καρκίνου. Κατά μέσο όρο, οι νέες θεραπείες είναι μόνο ελαφρώς ανώτερη από παλιά: η διαπίστωση εξηγείται από την υπόθεση ισορροπία, γεγονός που υποδηλώνει ότι η απαίτηση για την αβεβαιότητα σε κλινικές δοκιμές είναι αυτό που οδηγεί το σύστημα RCT, αλλά η οποία προβλέπει επίσης ότι οι νέες θεραπείες δεν είναι πολύ πιθανό να είναι πολύ πιο επιτυχημένη από τις καθιερωμένες αυτές [11], [29], [30]. Ωστόσο, η υπόθεση ισορροπία δεν εξηγεί την ύπαρξη μιας συγκριτικά μεγαλύτερο ποσοστό του μικρού αριθμού των πολύ επιτυχημένων δοκιμών μεταξύ νεοαποκτηθέντα θεραπείες [8]

Μια διαφορετική εικόνα προκύπτει για την προτιμησιακή δίκτυο συνημμένο:. Αν δοκιμές είναι συνδεδεμένος σε βάση επιτυχία ατομική μεταχείριση (εικόνα 4c), τότε ενώ για την πλειονότητα των δοκιμών η σχέση μεταξύ της επιτυχίας της θεραπείας και συνδεσιμότητα φαίνεται τυχαία και διέπεται από ισορροπία (Σχήμα 4C για βαθμούς λιγότερο από 100), υπάρχουν λίγες μελέτες για τις οποίες υπάρχουν είναι μια αναλογική σχέση μεταξύ της σύνδεσης και του ποσοστού επιτυχίας (Σχήμα 4γ για βαθμούς μεγαλύτερη από 100). Το εύρημα αυτό συμφωνεί με προηγούμενα αποτελέσματα μας, που έδειξαν ότι η επιτυχία της θεραπείας στον καρκίνο διανέμεται ως συνάρτηση του νόμου εξουσία με την πλειοψηφία των μελετών που λειτουργούν στη διαχωριστική γραμμή μεταξύ επιτυχίας και αποτυχίας, και ένα μικρό αριθμό πολύ επιτυχείς δοκιμές [8]. Η προτιμησιακή μοντέλο συνημμένο παρέχει έναν υποκείμενο μηχανισμό που θα μπορούσε να εξηγήσει αυτό το συνολικό σχέδιο των θεραπευτικών ανακάλυψη.

Πιστεύουμε ότι ο μηχανισμός που ευθύνεται για την αναφερόμενη πρότυπο ανακάλυψη θεραπείας στον καρκίνο σχετίζεται με τις κοινωνικές αλληλεπιδράσεις μεταξύ τυχαιοποιημένες μελέτες, όπως προκύπτει από η τάση του ερευνητή να αλληλεπιδρούν επιλεκτικά με τις καθιερωμένες και επιτυχημένες τους συνομηλίκους. Θα πρέπει να σημειωθεί ότι οι κοινωνικές αλληλεπιδράσεις δεν παραβιάζουν την απαίτηση ισορροπία, μάλλον θα το συμπληρώσουν. Τα ευρήματα δείχνουν ότι το συνολικό σύστημα καρκίνο RCT διατηρεί ισορροπία μέσω απρόβλεπτο στα αποτελέσματα σε κάθε άτομο δίκη, ενώ παρέχει τη λεωφόρο για τους ερευνητές να αυξήσουν τις πιθανότητες τους για να ανακαλύψουν νέες επιτυχημένες θεραπείες οι οποίες θα υπερβαίνουν 50:50 πιθανότητες προβλέπεται από την αρχική ισορροπία υπόθεση. Εμείς, ως εκ τούτου, υποστηρίζουν ότι το κοινωνικό δίκτυο αναλύει μαζί με ηθικές αναλύσεις ισορροπία που παρουσιάζονται στο παρόν έγγραφο παρέχουν περαιτέρω κατανόηση των αρχών που καθοδηγούν τη διαδικασία ανακάλυψης της θεραπείας.

Η έρευνά μας έχει κάποιους περιορισμούς. Ο κύριος περιορισμός είναι ότι έχουμε χρησιμοποιήσει αλληλεπιδράσεις μεταξύ τυχαιοποιημένες μελέτες ως πληρεξούσιος των πραγματικών αλληλεπιδράσεων μεταξύ των ερευνητών COG.