Methodological challenges and issues of recruiting for mental health and substance use disorders trials in primary care
Notice bibliographique
Résumé
Poor recruitment to controlled trials is a frequently reported problem. Challenges related to study design, communication, participants, interventions, outcomes, and clinician workload hinder recruitment, and the effectiveness of interventions used by trialists to increase recruitment rates is unknown. To explore the methodological challenges and issues in recruiting for mental health and substance use disorder trials in primary care, and to consider how these methodological challenges can be addressed. The presentation will recount the authors’ experience of recruiting for cluster randomized trials in primary care. Methodological challenges, such as clarity of instruction, patient characteristics, patient-doctor relationship, effects of intervention on patients and clinic, and personal benefits for clinicians will be described. The authors will consider how these might relate to and be used for peer learning and peer support in primary care research. The presentation will conclude with an overview of how lessons learned from past studies may be used to improve recruitment for trials of mental health and substance use disorders in primary care.
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 | 0,831 | 0,910 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,007 | 0,017 |
| Communication savante | 0,014 | 0,011 |
| Science ouverte | 0,009 | 0,009 |
| Intégrité de la recherche | 0,010 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».