iGraphCTC : an inter-connected graph convolutional network for comprehensive clinical trial collaborations

다국어 초록 (Multilingual Abstract)

Recently, pharmaceutical companies have made concerted efforts to expand their presence in the global market by actively engaging in clinical research through collaborative networks. Considering the notable demand for the treatment of chronic diseases, there is a clear imperative to prioritize the exploration of suitable affiliations and collaboration networks. In order to respond to this trend, we propose iGraphCTC model, an inter-connected Graph Convolutional Network for Clinical Trial Collaborations, with consideration of disease-specific clinical trials, presenting a comprehensive understanding of network dynamics. With the proposed model, we attempt to identify viable collaborations in the domain of chronic disease clinical trials. Based on both geographical and intervention datasets, iGraphCTC outperforms existing basic graph models by achieving maximum improvements of 16.08%p (AUC), 14.28%p (F1-Score), and 6.68-17.44%p (Accuracy@K). Based on the results, we present the effectiveness of graph-oriented approaches in finding collaborative activities and pinpointing potential collaborators, examining valuable insights into the dynamics of the pharmaceutical industry's collaborative landscape.

국문 초록 (Abstract)

최근 제약 회사들은 글로벌 시장에서의 입지 확장을 위해 임상 연구에 적극적 으로 참여하며 협업 네트워크를 구축해왔습니다. 특히 만성 질환 치료에 대한 높은 수요를 고려할 때, 적절한 협업 관계와 네트워크 탐색은 중요한 과제로 부상하고 있습니다. 이러한 배경 아래, 본 연구는 iGraphCTC 모델을 제안합니다. 이 모델은 임상시험 협업을 위한 상호 연결된 Graph Convolutional Network로, 질병 특화 임상시험 데이터, 지리적 데이터 및 개입 데이터를 고려하여 네트워크 역학에 대한 포괄적인 이해를 제시합니다. iGraphCTC 모델은 기존의 기본 그래프 모델들을 뛰어넘는 성능을 보여주며, 만성 질환 임상시험 분야에서의 유망한 협업을 식별하는 데 있어서 효과적입니다. 지리적 및 개입 데이터셋을 기반으로 할 때, 이 모델은 AUC, F1-점수, Accuracy@K에서 각각 16.08%p, 14.28%p, 6.68-17.44%p의 최대 향상을 달성했습니다. 이러한 결과를 통해 그래프 지향 접근법이 협업 활동을 찾고 잠재적 협력자를 식별하는 데 있어서 유용함을 보여줍니다. 본 연구는 제약 산업의 협업 환경에 대한 깊은 통찰을 제공하며, 임상시험의 효율성을 높이기 위한 전략적 의사 결정에 중요한 역할을 합니다. 특히 만성 질환에 초점을 맞춘 임상시험에서의 협업 네트워크를 최적화하는 방법에 대한 새로운 관점을 제시하며, 향후 연구의 방향을 제시합니다.

목차 (Table of Contents)

• 1. Introduction 1
• 2. Literature Review 4
• 2.1 Network Analysis of collaborative research 4
• 2.2 Global Collaboration and Related Recommendations in trials 6
• 3. Study Methodology 9
• 3.1 Data Description 9
• 3.2 Preprocessing 10
• 4. Network Construction 11
• 4.1 Graph Generation 11
• 4.2 Baseline Models 13
• 4.3 Proposed Model 14
• 4.3.1 General Construction 15
• 4.3.2 Relation extraction 16
• 4.3.3 Recommendation Generation 16
• 4.3.4 Evaluation Metrics 18
• 5. Results 20
• 5.1 Network Analysis 20
• 5.2 Model Performance 21
• 6. Discussion and Conclusion 26