Factors that influence the recruitment of patients to Phase III studies in oncology
Notice bibliographique
Résumé
BACKGROUND: The multiple determinants of a patient's decision to enter into a clinical trial have been explored largely from the perspectives of patients and their physicians. Little research has involved clinical research associates (CRAs) formally, despite their central role in the process of recruitment. The current study was initiated to explore the factors that influence the decision of patients with cancer regarding clinical trial entry, specifically from the perspective of the CRA. METHODS: Two focus groups of CRAs from the Hamilton Regional Cancer Center were organized. A skilled facilitator guided both groups through exploratory and subsequent confirmatory phases of discussions, which were audiotaped for review and coding using a process of consensus employing intercoder triangulation. RESULTS: The two groups identified a number of factors that they believed influenced the recruitment process. Numerous physician and patient factors were reaffirmed, such as the impression of the scientific merit of a study or the sense of personal benefit, respectively. More uniquely, CRAs identified information transfer within the informed consent process as a major aspect of their specialized role. It was believed that full disclosure of information, in terms of both the content and the techniques and styles of delivery, was an important predictor of recruitment success. The groups quickly reached consensus on which factors they believed were the most important overall with respect to influencing study recruitment. CONCLUSIONS: CRAs appear to have a unique role in the process of recruiting patients to active clinical trials. They believe that they have an important influence on recruitment success. Further research to validate this impression is required, because, ultimately, a greater understanding of the relative roles of physician and patient factors and, potentially, CRA factors will be important in the development of ethical and supportive strategies to optimize the recruitment of patients with cancer into randomized clinical trials.
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 | 0,099 | 0,337 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».