Centrality in Collaboration: Community Detection for Oncology Researchers
Notice bibliographique
Résumé
Background: Cancer patients who do not respond to standard treatments often become candidates for clinical trials. It is known that the collaboration networks between oncologists is a primary factor for further engagement in subsequent trial enrollment. Social network analysis (SNA) and community detection algorithms can be used to explore collaboration patterns using data from the Princess Margaret Clinical Research Record and Cancer Registry. Objectives: The data consists of 2970 patients in 515 clinical trials between January 2016 to December 2018. We are interested in the referral patterns among patients enrolled in multiple trials. Among 389 patients enrolled in more than one of 288 trials, we aim to identify collaboration networks based on intervention type. Methods: We applied community detection algorithms, including Girvan-Newman and Louvain, and compared them to an author-developed algorithm that utilizes degree centrality and directionality in participant enrollments to identify influential interventions. Community detection was assessed by superimposing sociograms and visualizing the contrast between the in-degree/out-degree distribution of participant enrollments. Results: Application of Girvan Newman, which incorporates edge betweenness but not degree centrality, and Louvain, which does not consider directionality, did not yield informative structure for oncology collaboration networks. The algorithm developed by the authors found intuitively descriptive communities that were supported by the sociograms and visualized in-degree/out-degree distribution. Conclusions: SNA approaches utilizing a combination of degree centrality and edge betweenness can interpret oncology collaboration networks. With this perspective, it is possible to delve deeper into patient engagement and improve the organizational design of clinical trial referrals.
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 | 0,003 | 0,000 |
| 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 ».