A Systematic Process for Recruiting Physician-Patient Dyads in Practice-based Research Networks (PBRNs)
Notice bibliographique
Résumé
BACKGROUND: Recruiting physicians and patients for primary care research is difficult, and low participation can greatly affect the validity of research. While practice-based research networks (PBRNs) offer advantages of scale for recruitment, the barriers are perennial. We designed a systematic process for recruiting physician-patient dyads in PBRNs and tested it in EXACKTE2, a large, cross-sectional, dyadic study. METHODS: Based on known barriers, we designed a systematic process for recruiting dyads of family physicians and their patients and implemented it in 2 primary care practice-based research networks in Canada: one in Ontario (11 practices) and one in Quebec (6 practices). Dyads (one physician with one patient) were recruited simultaneously to explore their mutual influence during consultations. A key element of the process was a research assistant assigned to each practice. This person closely accompanied the recruitment process, liaising with staff and taking charge of interviews, questionnaires, and follow-up. RESULTS: In total, 276 physicians and patients were recruited in 17 primary care practices in 2 primary care networks in Ontario and Quebec, representing a participation rate of more than 72% of eligible physicians and more than 64% of eligible patients. CONCLUSION: We established a systematic process to conduct successful dyadic recruitment of physicians and patients in PBRNs.
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 | 0,368 | 0,310 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,015 | 0,007 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,006 | 0,016 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».