Bias in hospital samples used for injury research based on consent wording
Notice bibliographique
Résumé
Background Many injury studies involve samples of hospitalised or emergency room emergency department patients. In studies involving follow-up, consent is required when patients are first identified. When the proportion who refuse is high, the study sample may be biased in ways that distort the validity of the results. This study aimed to determine if wording requiring active consent resulted in more refusals than wording that was essentially passive that is where consent is implied in the absence of direct refusal. Methods The Canadian Hospital Injury Reporting and Prevention Program (CHIRPP) is based in 14 hospitals, 10 being paediatric. It uses a two-page questionnaire to describe how the injury occurred and what was injured. We chose 5 of the 10 paediatric hospitals; 3 used passive wording and 2 used active wording for consent to follow-up. We employed logistic regression to analyse the effect of wording on consent rates and whether the effect was influenced by patient demographic and clinical characteristics. Results 63% of parents gave consent for follow-up at hospitals using passive consent wording versus 53% where active wording was used. Refusals were highest for 15–19 year olds, families in lower income neighbourhoods, and motor vehicle passenger injuries. After covariate adjustment, passive wording increased likelihood of consent twofold. Conclusion Caution is needed when interpreting results from studies using hospital samples, especially when wording of consent for follow-up requires direct affirmation.
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 | 0,413 | 0,623 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».