Recruiting family physicians and patients for a clinical trial: lessons learned
Notice bibliographique
Résumé
BACKGROUND: The randomized controlled trial (RCT) is the most definitive tool for evaluating an intervention. However, methodological deficiencies may limit the internal or external validity of the RCT. OBJECTIVE: Our aim was to describe the tactics used and the resources required randomly to select and recruit family physicians (FPs) and their patients aged 65 and older (seniors) for a community-based cluster RCT in primary care. METHODS: We randomly selected 48 FPs in 24 urban and rural sites in Southern Ontario, and 889 of their community-dwelling seniors (approximately 20 per FP) taking five or more medications daily. To accomplish this, the principal investigator (an FP) contacted the eligible FPs. The participating FPs' office staff then generated and contacted the roster of eligible seniors, with support provided by the research staff. RESULTS: Of the 163 randomly selected FPs telephoned, 94 were ineligible and 48 (69.6%) of the remaining 69 participated. The rosters were generated with the assistance of the research staff (taking 1.5-8.0 hours) in each of the 48 practices, using electronic appointment records (n = 26), electronic billing records (n = 17), electronic medical records (n = 2) or written charts or file cards (n = 3). Of the 2078 seniors approached, 799 were ineligible and 889 (69.5%) of the remaining 1279 participated. Seniors' refusal rates among practices ranged from 4.8 to 62.3%. CONCLUSIONS: Recruitment of a representative sample and generalizability of results are possible in RCTs in primary care. Involvement of an FP in physician recruitment and clinical research nurses who provided assistance to office staff were keys to success.
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 | 0,359 | 0,602 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,011 | 0,019 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,018 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».