Abstract
Kontekst
Forskning-orienterte kreft sykehus i USA behandle og studere pasienter med en rekke sykdommer. Tiltak for sykdomsspesifikke forskning produktivitet, og sammenlignet med den totale produktiviteten, er for tiden mangler.
Hypotese
Ulike institusjoner er spesialisert på forskning av spesielle sykdommer.
Mål
for å rapportere sykdomsspesifikke produktivitet av amerikanske kreft sykehus, og foreslå et sammendrag mål.
Metode
Vi gjennomførte en retrospektiv observasjonsundersøkelse av de 50 høyest rangerte kreft sykehus i 2013 US News og World Report rangeringer. Vi utførte en automatisert søk i PubMed og Clinicaltrials.gov for publiserte rapporter og registreringer av kliniske studier (henholdsvis) tar opp spesifikke kreftformer mellom 2008 og 2013. Vi beregnet summert impact factor for publikasjonene. Vi ga en oppsummering mål på produktivitet basert på antall kliniske fase II-studier er registrert og impact factor av fase II kliniske studier publisert for hver institusjon og sykdom par. Vi generert rangeringer basert på denne oppsummeringen tiltaket.
Resultater
Vi identifiserte 6076 registrerte forsøk og 6516 publiserte forsøk med en samlet effekt faktor på 44280,4, som involverer 32 ulike sykdommer i løpet av de 50 institusjonene. Ved hjelp av en oppsummering tiltak basert på registrerte og publiserte kliniske løyper, rangert vi institusjoner i spesifikke sykdommer. Som forventet ble ulike institusjoner høyt rangert i sykdomsspesifikke produktivitet for ulike sykdommer. 43 institusjoner dukket opp i de 10 gradene i minst en sykdom (vs 10 i den generelle listen), mens 6 forskjellige institusjoner ble rangert som nummer 1 i minst en sykdom (vs 1 i den generelle listen).
Konklusjon
Forskning produktivitet varierer betydelig i utvalget. Samlet produktivitet kreft skjuler store variasjoner mellom sykdommer. Sykdoms bestemte rangeringer identifisere områder av høy faglig produktivitet, noe som kan være av interesse for leger, pasienter og forskere
Citation. Goldstein JA, Prasad V (2015) Sykdom Spesifikk produktivitet av American Cancer Sykehus. PLoS ONE 10 (3): e0121233. doi: 10,1371 /journal.pone.0121233
Academic Redaktør: Robert Lane Schmidt, University of Utah School of Medicine, USA
mottatt: 29 september 2014; Godkjent: 28 januar 2015; Publisert: 17 mars 2015
Dette er en åpen tilgang artikkel, fri for all opphavsrett, og kan bli fritt reproduseres, distribueres, overføres, endres, bygd på, eller brukes av alle for ethvert lovlig formål. Arbeidet er gjort tilgjengelig under Creative Commons CC0 public domain engasjement
Data Tilgjengelighet: Kildekoden for innhenting av data og analyse er tilgjengelig på: github.com/jagstein/Rankings-dz. Analyseresultatene er presentert som supplerende data. Underliggende publikasjon og klinisk utprøving data er tilgjengelig på pubmed.gov og clinicaltrials.gov hhv. Påvirkningsfaktorer er fra: www.citefactor.org/journal-impact-factor-list-2012.html
Finansiering:.. Forfatterne har ingen støtte eller finansiering for å rapportere
Konkurrerende interesser: forfatterne har erklært at ingen konkurrerende interesser eksisterer.
Innledning
Academic produktiviteten til enkeltpersoner, institusjoner og nasjoner er mye målt, sammenlignet, og diskutert [1], [2], [3 ]. [4]. I disse målingene, er to primære beregninger brukt 1) bibliometriske, dvs. måling publikasjoner eller henvisninger og 2) finansiering. Innenfor akademiske medisinske sentre, har finansiering fra National Institutes of Health (NIH) (https://report.nih.gov/award/index.cfm), og den institusjonelle h-indeksen (et mål for publisering og siteringer) blitt brukt å øke moralen, allokere ressurser, og dommer ledelse [4], [5], [6]. Men innenfor feltet klinisk kreftforskning, er en bred oversikt over produktivitet mangler.
Måling av kliniske produktivitet rettssaken stiller spesielle problemer. Kliniske studier tjene en dobbel rolle som bærere for pasientbehandling og enheter av akademisk produktivitet. Kreftbehandling, og derfor klinisk forskning, er mangefasettert, ofte involverer kirurgisk, medisinsk og radiologiske onkologer, samt støtte fra diagnosticians, generelle indre og kirurger. Spesifikke diagnoser og deres behandling avhengige av forskjellige spesialister og subspecialists i ulik grad. Målet med dette arbeidet er å gi en oversikt over klinisk produktiviteten til ledende akademiske kreft sykehus i USA fra 2008-2013 forskning, og for å reflektere forskjeller i produktivitet er spesifikke for bestemte sykdommer. Spesielt hypotese vi at ulike institusjoner spesialiserer seg på forskning i spesielle sykdommer ,.
Materialer og metoder
Programmering
Datainnsamling og analyse ble gjort ved hjelp av programmeringsspråket Python med pandaer, numpy, scipy og matplotlib utvidelser. Se nedenfor for en mer detaljert forklaring av programmenes funksjoner. Anbefalingen er tilgjengelig på https://github.com/jagstein/Rankings-dz
Institusjoner
Vi brukte US News and World Report 50 beste sykehusene i kreft. Disse listene er mye diskutert og den samlede score og omdømme har blitt rapportert å korrelere med tiltak av akademisk produktivitet [7], [8]. Institusjonelle grupperinger, f.eks Cornell University, New York Presbyterian Hospital, og Weill-Cornell Medical College var basert på amerikanske nyheter rangeringer og utvidet til å omfatte relevante tilknyttede institusjoner. Disse overbevisninger er representert i søkeord og ordbok og presentert i S1-S2 Tables.
Publiserte kliniske studier og kumulative impact factor
Informasjon om klinisk utprøving publisering og påvirkningsfaktoren ble bestemt av automatiserte søk av PubMed ved hjelp av BioEntrez og BioMedline pakker og PubMed syntaks (https://www.ncbi.nlm.nih.gov/books/NBK3827/, 6/1/2014). Vi vurderte 50 institusjoner og 27 sykdommer. For hver institusjon /sykdom par (f.eks Washington University (St. Louis) /uroteliale kreft), søkte vi etter publiserte kliniske studier, enten alle eller begrenset til fase I eller fase II. Vi brukte de institusjonelle og sykdoms synonymer oppført i S1-S2 Tables. For våre over-all kreft resultater, brukte vi den store MeSH kategorien av kreft. Som et eksempel, ble søket etter fase II livmorhalskreft kliniske studier basert på Washington University formatert som:
(Barnes-Jewish Hospital [AD] OR Washington University [AD] OR Alvin J. Siteman Cancer Center [AD ]) 2008: 2013 [DP] klinisk utprøving, fase II [PT] livmorhals svulster [MESH])
Vi telles antall publikasjoner. For hver publikasjon, identifiserte vi tidsskriftet, og sjekkes det med en publisert liste over påvirkningsfaktorer for 2012. Vi oppsummerte de påvirkningsfaktorer. For eksempel, hvis det var 3-studier publisert i tidsskrifter med påvirkningsfaktorer på 1, 2 og 3, henholdsvis oppsummerte impact factor var 6.
Kliniske studier er oppført på Clinicaltrial.gov
Vi søkte på alle forsøk på clinicaltrials.gov med søkeordet «kreft», som gir i 43,339 studier. Disse forsøkene ned i XML-format (5/24/2014), og ga data på rettssaken, startdato, studere id, fase av narkotika utvikling, finansieringskilde, antall deltakere, ferdigstillelse status, og bly institusjon. Vi utførte en automatisert søk gjennom prøvelser. For hvert forsøk, vi fast bestemt på sykdommen (e) studerte ved å lese i tittelen, forholdene studert, og beskrivelse, deretter søke etter ord som er spesifikke for en bestemt sykdom, for eksempel, «urothelial kreft», «blærekreft» og «urinleder kreft. «Vi søkte hvert forsøk for hver av de 27 diagnosene. For vurdering av over-all kreft score, brukte vi både kan klassifiseres og ikke-klassifiseres studier.
På denne måten 1 eller flere sykdommer ble tildelt 31,164 prøvelser. For å sjekke våre oppdrag, vi manuelt anmeldt 100 av de nylig startet forsøk som det ikke sykdommen ble identifisert. Denne sjekken fant 8 studier av våre kreft av interesse. Av de gjenværende 92 studiene, var det 24 studier av bivirkninger, f.eks mukositt, 15 risikofaktorer, f.eks psoriasis, 16 av kreft ikke er dekket, f.eks neuroblastom, 13 av avanserte faste cancere av uspesifisert type 9 av ikke-kreft, ikke-risikofaktorer betingelser, f.eks diabetes, 5 grunnleggende forskningsstudier, f.eks legemiddel farmakokinetiske interaksjoner mellom dabrafenib, rosuvastatin og midazolam, og 10 studier som ikke kunne bli så gruppert. Vi telles antall forsøk i hver fase som ble administrert av den enkelte institusjon. For å håndtere institusjoner med flere navn, kombinert vi institusjoner ved hjelp av en ordbok av institusjoner og vanlige synonymer, som er presentert som S2 tabell.
Statistical Analysis
For å måle i hvilken grad klinisk utprøving registrering og klinisk studie publikasjonen er overflødig, gjennomførte vi regresjonsanalyse mellom to relaterte tiltak, fase II kliniske studier registreringer og Clinicaltrails.gov og fase II kliniske studier oppsummeres påvirkningsfaktorer ved hjelp av lineær regresjon funksjon fra scipy. Denne funksjonen tar som input en matrise med verdier for x og en for y, og bestemmer helningen, krysnings r verdi, p-verdi, og standard feil ved hjelp av en minste kvadraters regresjon. Vi brukte grevene av registrerte fase II-studier for de 50 institusjonene for hver sykdom som x og summert impact factor av fase II-studier for de samme 50 institusjoner som y. Vi kjørte en egen regresjon for 25 sykdommer med ikke-trivielle antall forsøk. Resultatene for disse regresjoner er vist i Tabell S3. Bakkene i gjennomsnitt 5,97 +/- 3,11 IF /registrering (område 13,18 til 0,87), mens korrelasjoner (R2) i gjennomsnitt 0,328 +/- 0,183 (område 0,758 til 0,013). Mens denne sammenhengen var signifikant (p 0,05). For 22 av 25, er det tilstrekkelig lav til å rettferdiggjøre en vurdering av både som selvstendige faktorer i sykdomsspesifikk produktivitet
Vi har søkt å skape et sammendrag mål på sykdomsspesifikke akademisk produktivitet ved spesielle institusjoner. Vi valgte å fokusere på fase II-studier er basert på bevis av pasienten nytte av deltakelse i disse studiene, samt underrapportering av fase I-studier og multi-sentriske natur fase III studier [9], [10]. Mens det er mange tiltak av produktivitet basert på publikasjoner, søkte vi å skape et tiltak som stod for kliniske studier registreringer også. For å oppnå dette, genererte vi en oppsummering tiltak basert på fase II-studier er registrert på Clinicaltrials.gov og summert impact factor av kliniske fase II-studier. Denne poengsummen for en gitt institusjon for en gitt sykdom ble generert på følgende måte: Hvor SIF er summert impact factor for fase II-studier, Registreringer er forsøkene som er registrert ved Clinicaltrials.gov, maxSIF (sykdom) er det høyeste SIF mellom 50 institusjoner for at sykdom og maxRegistrations (sykdom) er det høyeste antall forsøk er registrert for denne sykdommen. Dette gir en maksimal poengsum på 100. For eksempel, mellom 2008-2013, Barnes-Jewish Hospital publisert fase II-studier på livmorhalskreft med en summert impact factor på 7,993, og registrert en fase II studie ved Clinicaltrials.gov. The University of Texas MD Anderson Cancer Center hadde den høyeste impact factor i livmorhalskreft på 10,329, mens University of Iowa Sykehus og klinikker registrert flest studier 2. Derfor utlignet for Barnes-Jewish for livmorhalskreft er:
Resultater
samlede produktiviteten
Vi identifiserte 6076 registrerte forsøk og 6516 publiserte forsøk med en samlet effekt faktor på 44280,4, som involverer 32 ulike sykdommer i løpet av de 50 institusjonene. For noen sykdom som studeres til enhver institusjon, var det 11 ulike variabler som kan måles, inkludert 5 reflekterer kliniske studier registreringer og 6 reflekterer publisering. Hele datasettet er tilgjengelig i S4-S5 Tables. Vi beregnet en samlet kreft produktivitet poengsum for hver institusjon, med disse resultatene presentert i tabell 1.
Sykdom spesifikk produktivitet
Vi har samlet publisering og data fra kliniske studier for hver institusjon, produsert sykdom -spesifikke score som beskrevet ovenfor, og rangert dem. Det var minimal informasjon om anal, vulva, testiklene, tynntarm, og penis kreft, så vi ikke analysere dem videre. Vi plottet rangert score fra hver sykdom og kledde dem (Fig. 1). For de fleste sykdommer, en institusjon hadde de kliniske studiene og den høyeste samlede påvirkningsfaktor for en poengsum på 100. Poengene for deretter rangert institusjoner raskt droppet.
For de fleste sykdommer høyest rangerte institusjon (Rank = 1 ) har en score på 100, dvs. å registrere det høyeste antall kliniske studier og publisering papirer med høyest summert impact factor. Som rang øker satte raskt avtar, slik at institusjonen med 10
th høyest score (Rank = 10) viser en score på 16,5 +/- 7,9 (gjennomsnitt +/- standardavvik).
kreft~~POS=TRUNC spesifikke rangeringen
ulike kreft behandles og studert av forskjellige leger i ulike avdelinger ved hjelp av en rekke teknikker. For å fange opp dette mangfoldet, genererte vi rangert lister over 25 forskjellige forhold. De 10 institusjonene med høyest score i hver kategori, inkludert bånd, er vist i tabell 2. M.D. Anderson Cancer Center dukket opp på de fleste topp-10 lister, 24/25, samt å ha flest poeng i 13/25. Men 43 av de 50 institusjonene gjøre minst en opptreden på en topp 10 liste, og 6 forskjellige organisasjonen ble topprangert i minst ett område. En full regnskapsføring av disse kamper er vist i tabell 3.
Diskusjoner
Dette notatet beskriver landskapet i klinisk produktivitet forskning på kreft og 25 av de vanligste spesifikke sykdommer innenfor høyt rangert akademiske sykehus i USA. Hovedfunnet er en kornet beskrivelse av hva sykdommer er studert der.
Flere skalaer av akademisk produktivitet har vært foreslått og utnyttet i en akademisk sykehus, med varierende fokus på gjennomførbarhet, gyldighet, pålitelighet og aksept [11] . Den institusjonelle h-indeks, definert som h, der en institusjon har publisert minst h avisene som har blitt sitert minst h ganger har blitt brukt til å sammenligne fagmiljø mellom sykehusene [5]. Mens avisene publiserte, sitert nummer, impact factor, og h-indeks er prediktive for fremtidig finansiering og fremtidig publisering i vitenskapelige kirurgi og nevrokirurgi avdelinger, ble h-indeksen funnet å være bedre enn de andre tiltakene [6], [12] Siden beskrivelse av h-indeksen i 2005, har det vært mange foreslåtte endringer og problemer som er identifisert (omtalt i [12]). Finansieringen har også blitt brukt, både som et mål på akademisk produktivitet og å validere den prediktive verdien av andre tiltak [5], [11].
Selv om det er ikke vår intensjon å foreslå
enda en
metrisk forskning produktivitet for generell bruk, de spesifikke problemene i området klinisk produktivitet prøve motivert vårt valg av målinger og sammendrag tiltak. I form av Bibliometri, Google Scholar, Web of Science, og Scopus, de tre publiserings søkemotorer som tillater måling av h-indeksen, tillater ikke begrensning til kliniske studier, eller bestemte faser av kliniske studier, en viktig funksjon i PubMed. Siden utgivelsen av kliniske studier utgjør mindretall av institutt utgang, utgjør dette betydelige problemer for deres pålitelighet. Tilsvarende manglende evne til å begrense til MeSH termer betyr at et søk etter en bestemt kreft vil identifisere noen artikler som gjør sammenligninger til at kreft eller diskuterer legemidler som brukes til å behandle at kreft. For eksempel et søk etter «brystkreft» kunne returnere diskusjoner av eggstokkreft eller tykktarmskreft på grunn av foreningen av disse sykdommene i BRCA1 og 2 syndromer, eller bruk av trastuzumab (Herceptin, Roche /Genentech) for en rekke forhold, på grunn av den primære indikasjon trastuzumab i bruken av brystkreft over-uttrykker HER2. Fra et teknisk synspunkt, kan automatiserte PubMed søk gjennomføres ved hjelp av BioEntrez pakken i Python, mens ingen tilsvarende kapasitet som finnes for de 3 proprietære databaser.
Tidligere arbeid har vist en høy korrelasjon mellom flere ulike mål på akademisk produktivitet og USN WR rykte [8]. Vi ga en samlet vurdering for hver institusjon på grunnlag av alle fase II kliniske studier som er registrert på clinicaltrials.gov samt påvirkningsfaktor for fase II kliniske studier publisert i MEDLINE. Vi presenterer de samlede score i forhold til omdømme som Tabell 1.
Flere faktorer påvirker pasientens valg av et kreftsykehus. Kun 7,3% av pasienter søker behandling på en NCI-utpekt kreft senter (NCI-CC) [13]. Selv om noen grupper har funnet en sammenheng mellom NCI-CC oppmøte og redusert dødelighet [14], pasientkarakteristika forskjellig. NCI-CC pasientene er yngre, med færre samtidige sykdommer og mer avansert sykdom [13].
En åpenbar og validert faktor av sykehusvalg er avstand [15]
, [13]. For pasienter med behandlingsstandarder, som kan forvente et godt resultat med standard-of-care behandling, ulempene med å reise lenger kan oppveie eventuelle fordeler.
Nytten av behandling ved en NCI-CC er antatt å komme fra forbedret prosessen med omsorg, en mulig forklaring på den reduserte dødeligheten av både kreft og ikke-kreft årsaker [14]. Det er også dødelighets forbedringer fra søker behandling på et høyt volum anlegget [16]. Vi må akseptere potensialet for konfunderende variabler, som i de streikende demografiske og dødelighetsforskjeller som skiller relativt godt og vel-off reiser pasienter fra relativt syke pasienter for hvem NCI-CC skjer for å være deres nærmeste sentrum [17]
, [18].
de fleste av institusjonene i denne studien er NCI-CC, og alle har et høyt volum av kreftpasienter. Derfor kan pasienter som til en hvilken som helst av dem kan forvente fordelene som er beskrevet ovenfor. Imidlertid definerer den marginale fordelen av å søke seg ved en høyere rangert sykehus er vanskeligere. The «Survival» subscore gitt av US News for alle de 50 sykehusene er 8, 9 eller 10 år vekting nødvendig å generere denne score betyr at andre raters enn US News gir ulike dødelighets score for samme sykehus [19]. Dette reiser spørsmålet om hvorvidt slike målinger er mulig.
Vår beregning fokuserer på registrering av fase II kliniske studier og publisere dem i høy effekt tidsskrifter. Disse aktivitetene skiller seg fra andre akademiske virksomhet ved at de involverer potensiell fordel for pasientene. En gjennomgang av fase II-studier av molekylært målrettede medikamenter indikerte en gjennomsnittlig total responsrate på 6,4% [9]. Dette er konsistent med den responsraten 4% funnet mer generelt for fase I studier kreft [20]
, [21]. Dette er en liten grad av nytte, men det skyldes utprøvings agent og etterforskeren som forvalter den.
Begrensninger
Denne analysen er underlagt flere innvendinger og begrensninger. Feil om inkludering og ekskludering av relevante studier er en potensiell bekymring; men utførte vi manuelle kontroller i clinicaltrials.gov og PubMed på et begrenset antall uvanlige verdier. Automatiserte og manuelle søk både er avhengige av riktig innledende bevaring av informasjon. Feilen mest sannsynlig til å endre våre rangeringer er unnlatelse av å identifisere en institusjonell synonym, da dette ville presentere med en isolert dråpe som institusjon. Av den grunn vil vi presentere vår liste over synonymer og søkeord (S1-S2 tabeller). Det kan synes merkelig at, siden disse tiltakene er så like, korrelasjoner mellom dem vise et bredt område av verdier over forskjellige sykdommer. Dette taler til verdien av å vurdere både tiltak siden produktivitet kan være savnet hvis bare én er vurdert. Klinisk utprøving registrering er framtidsrettet, mens publikasjoner er retrospektiv. Likevel er det sannsynlig at noen prøvelser bidra til begge deler av vår poengsum. Vi vil vurdere dette som en positiv siden en institusjon som registrerer hva det utgir og publiserer det som registrerer er å foretrekke fremfor alternativene.
Vi valgte å fokusere på fase II-studie teller fra ClinicalTrials.gov og påvirkningsfaktorer av publisert fase II kliniske studier fra PubMed. Vi brukte ikke NCI finansiering som en beregning, på grunn av den relativt lav korrelasjon med omdømme, og mangelen på direkte pasient nytte av de grunnleggende studier som danner hoveddelen av NCI tilskudd. Vi valgte å fokusere på fase II-studier fordi mange fase I-studier ikke er rapportert [10] mens fase III-studier har en tendens til å være multi-sentrisk, og vanskelig å tilskrive fortreffelighet på enkeltinstitusjonsnivå. Pasient tellinger i forsøkene er sterkt forvrengt av et lite antall svært store biobanking og forebygging forsøk. Impact factor tillater oss å ta hensyn til sannsynligheten for et papir blir lest og sitert. I et miljø der hver klinisk studie er i økende grad forventes å bli offentliggjort, små, dårlig utformet, eller mindre nye prøvelser kan være mer sannsynlig å bli publisert i lavere tidsskrifter tier.
Konklusjon
Vi gir utsikt over landskapet sykdomsspesifikke akademisk produktivitet i svært kjent amerikansk kreft sykehus. Disse sykehusene viser akademisk produktivitet blant flere sykdommer. Hvorvidt dette omsettes til forskjeller i pasientbehandlingen er ukjent, og bør være gjenstand for videre studier.
Hjelpemiddel Informasjon
S1 Table. Søkeord.
Denne tabellen viser sykdomsspesifikke søkeord brukt for å klassifisere studier. For kliniske studier oppføringer fra Clinicaltrials.gov, tittelen, tilstand og beskrivende tekst for hver studie ble søkt for hvert av søkeordene (kw1-8), samt regulære uttrykk. Formateringen av regulære uttrykk er slik at, for eksempel, «mage. {1100} kreft «vil avdekke eventuelle forekomster av ordet» kreft «innenfor 100 tegn etter ordet» mage «, mens» magekreft» vil bare oppdage tilfeller av den eksakte setningen. Påvisning av noen av søkeordene eller regulære uttrykk fører til en studie for å bli klassifisert som studerer denne sykdommen. Maske vilkårene er begrepene som brukes i PubMed med denne «[mesh] -kode for å oppdage publikasjoner knyttet til den diagnosen
doi:. 10,1371 /journal.pone.0121233.s001 plakater (CSV)
S2 Table . Institusjon ordbok.
Dette er listen over under institusjoner som er kombinert i vår analyse. For eksempel er Barnes-Jewish Hospital, kreft sentrum Alvin J. Siteman (som er på Barnes-Jewish Hospital), og Washington University (som huser Barnes-Jewish Hospital) alle omdøpt Barnes-Jewish Hospital. I dette tilfellet er Barnes-Jewish Hospital brukes til å redusere forvirring med University of Washington (Seattle). Synonymer ble bestemt ved manuell leting etter den Clinicaltrials.gov database, den selvtitulerte NCI kreft sentre, og ofte spurte forkortelser
doi:. 10,1371 /journal.pone.0121233.s002 plakater (CSV)
S3 Table . . Clinicaltrials.gov – PubMed korrelasjoner
Denne listen viser korrelasjonen mellom antall kliniske studier som er registrert på Clinicaltrials.gov og summert impact factor av PubMed publikasjoner for spesifikke sykdommer og for kreft samlet
doi: 10,1371 /journal. .pone.0121233.s003 product: (CSV)
S4 Table. . kliniske studier registreringer av institusjon, sykdom og fase
I kombinasjon med S5 Table, representerer dette en full regnskapsføring av datagrunnlaget sammendraget mål som brukes i hoveddelen av papir
doi:. 10,1371 /journal. pone.0121233.s004 product: (CSV)
S5 Table. Kliniske studier publikasjoner og summerte påvirkningsfaktorer ved institusjonen, sykdom og fase
doi:. 10,1371 /journal.pone.0121233.s005 plakater (CSV)
