A Comparison of Patient Knowledge of Clinical Trials and Trialist Priorities
Notice bibliographique
Résumé
BACKGROUND: Recruitment to clinical trials remains poor, and patient knowledge of clinical trials is one barrier to recruitment. To identify knowledge deficits, we conducted and compared surveys measuring actual patient knowledge and clinical trialist priorities for patient knowledge. METHODS: Consenting patients at a tertiary cancer centre answered a survey that included 2 opinion questions about their own knowledge and willingness to join a trial, and22 knowledge questions. Clinical researchers at the centre were asked 13 questions about the importance of various trials factors. RESULTS: Of 126 patients surveyed, 16% had joined a clinical trial, and 42% had a secondary school education or less. The mean correct response rate on the knowledge questions was 58%. Higher rates of correct responses were associated with lower age (p = 0.05), greater education (p = 0.006), prior trial participation (p < 0.001), agreement or strong agreement with perceived understanding of trials (p < 0.001), and willingness to join a clinical trial (p = 0.002). Trialists valued an understanding of the rationale for clinical trials and of randomization, placebo, and patient protection, but those particular topics were poorly understood by patients. CONCLUSIONS: Patient knowledge about clinical trials is poor, including knowledge of several concepts ranked important by clinical trialists. The findings suggest that when developing education interventions, emphasis should be placed on the topics most directly related to patient care, and factors such as age and education level should be considered.
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 | 0,014 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».