Challenges of recruiting farm injury study participants through hospital emergency departments
Notice bibliographique
Résumé
BACKGROUND: Hospital emergency departments are common recruitment sites for injury studies. Yet recruitment method details, capture rates and response fractions are not consistently reported. As privacy legislation increasingly impinges on research activity, these parameters become even more important. The authors describe their experience with recruitment via emergency departments and outline subsequent adjustments to the recruitment approach. METHODS: The FIRM study was an Australian case-control study of serious farm work-related injury. Cases were identified prospectively by hospital staff on presentation to emergency departments. Consistent with the Victorian Health Records Act, potential cases were initially approached by hospital staff, and full recruitment was subsequently undertaken by study staff. Manual hospital record audits were conducted at five recruitment sites to determine the proportion of eligible cases approached. RESULTS: Among 660 medical records audited, 19 eligible cases were confirmed, 9 of whom were approached by hospital staff (47%, 95% CI 25 to 70%). In response, an additional process was established to capture missed cases, who were sent a letter from the hospital providing the opportunity to opt out of telephone contact by study staff. Early indications were that 34% (41/122) of missed cases actively declined to be contacted. Among those who were contacted and eligible, 84% (21/25) agree to study participation. CONCLUSIONS: Recruitment of injury research participants via hospital emergency departments is challenging, particularly where authorities require an intermediary to make the initial contact. Removal of some constraints imposed by privacy legislation would considerably simplify recruitment and enhance scientific rigour in conducting epidemiological research.
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 | 0,000 |
| 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 ».