Converting inventions into innovations to address cancer grand challenges: The role of scientific and digital search intensity
Notice bibliographique
Résumé
Abstract The present study seeks to shed further light on what favors the conversion of inventions into innovations in for‐profit firms and to advance our understanding of how to tackle cancer grand challenges (CGCs). Specifically, following the literature on knowledge search and recombination, we analyze whether and how cancer‐related inventions developed through an intense adoption of scientific knowledge (scientific search intensity) result in (i) a higher number of approved drugs and (ii) a shorter approval time for new drugs. Notably, while the role of science with regard to technological development has been widely studied, the extent to which science‐based solutions relate to new product introduction, especially in terms of coping with grand challenges such as approved cancer drugs, is less known. Furthermore, considering the digitization of (health) R&D and the role of information and communication technologies (i.e., digital technologies) to address grand challenges, we examine whether and how cancer‐related inventions developed through an intense adoption of digital knowledge (digital search intensity) directly affect the extent and speed of cancer drug approval, as well as whether interaction effects between scientific and digital search intensity exist. We develop hypotheses that we test on a sample of 65,861 cancer‐related patents owned by 139 for‐profit firms, collected from the USPTO Cancer Moonshot Patent Data. These have a priority date between 1990 and 2010, and have led to 1035 approved drugs. Results reveal that scientific search intensity is not associated with the number of different drugs developed from a single cancer‐related invention but is associated with the speed at which the invention leads to a newly approved drug. Digital search intensity appears not to directly affect cancer drug approval, but it lessens the effects of scientific search intensity, thus pointing to a limit of digitization in cancer R&D and innovation processes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».