Different approaches to obtaining consent for follow-up result in biased samples
Notice bibliographique
Résumé
BACKGROUND: Many injury studies use samples of hospital patients. If a study requires further contact, consent is usually required but the sample may be biased if many fail to consent. OBJECTIVE: To determine whether wording requiring 'active' consent resulted in more refusals than wording that was 'passive'--that is, where consent is implied in the absence of direct refusal. METHODS: Subjects were injured children seen in the emergency departments in five hospitals where the Canadian Hospital Injury Reporting and Prevention Program (CHIRPP) operates. For CHIRPP, parents or older children complete a one-page questionnaire to describe the injury; one question seeks consent to follow-up for research. Three of the hospitals use passive wording for this question and two use active wording. All cases where CHIRPP coordinators completed forms using the medical record were treated as refusals. It was hypothesised that there would be a significant association between the form of wording (active or passive) and the rate of consent, and that this association would be affected by socio-demographic and clinical variables. RESULTS: On average, 64.5% of parents gave consent for follow-up at hospitals using passive consent wording versus 42% where active consent wording was used. Passive wording consistently yielded a higher percentage of consents for all variables. The differences were greater than 5% for families living in census tracts with low median household incomes and greater than 10% for those age 15-19 years. For parent completed forms the adjusted OR for active wording was 0.48 (95% CI 0.43 to 0.54). 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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».