Barriers and Challenges to Global Clinical Cancer Research
Notice bibliographique
Résumé
BACKGROUND: There are concerns about growing barriers to cancer research. We explored the characteristics of and barriers to global clinical cancer research. METHODS: The American Society of Clinical Oncology International Affairs Committee invited 300 selected oncologists with research experience from 25 countries to complete a Web-based survey. Fisher's exact test was used to compare answers between participants from high-income countries (HICs) and low- and middle-income countries (LMICs). Barriers to clinical cancer research were ranked from 1 (most important) to 8 (least important). Mann-Whitney's nonparametric test was used to compare the ranks describing the importance of investigated obstacles. RESULTS: Eighty oncologists responded, 41 from HICs and 39 from LMICs. Most responders were medical oncologists (62%) at academic hospitals (90%). Researchers from HICs were more involved with academic and industry-driven research than were researchers from LMICs. Significantly higher proportions of those who considered their ability to conduct academic research and industry-driven research over the past 5 years more difficult were from HICs (73% vs. 27% and 70% vs. 30%, respectively). Concerning academic clinical cancer research, a lack of funding was ranked the most important (score: 3.16) barrier, without significant differences observed between HICs and LMICs. Lack of time or competing priorities and procedures from competent authorities were the second most important barriers to conducting academic clinical research in HICs and LMICs, respectively. CONCLUSION: Lack of funding, lack of time and competing priorities, and procedures from competent authorities might be the main global barriers to academic clinical cancer research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».