Recruitment of immigrant and ethnic minorities in primary prevention trials of cardiovascular disease
Notice bibliographique
Résumé
BACKGROUND: The risk of cardiovascular disease (CVD) may differ across ethnic groups, including those who immigrate to Canada, USA and the UK. Accordingly, the absolute and relative benefits of CVD prevention strategies evaluated in randomized clinical trials (RCTs) may differ by the ethnic and immigrant composition of study participants. METHODS: We searched MEDLINE, EMBASE and Cochrane databases for RCTs of primary prevention strategies for CVD, published between 1980 and December 2009. We only included RCTs of a CVD primary prevention strategy comprising at least 100 participants aged >19 years, and those published in English. We abstracted data on study and participant characteristics, interventions and outcomes, as well as a description of the immigrants and ethnic composition of the participants. We also recorded whether a study was stratified by immigrant and/or ethnic subgroups in evaluating the efficacy of the study intervention. RESULTS: Out of 45 RCTs that met the selection criteria, 11 (24.4%, 95% CI: 14.3-38.8) included and/or reported on the ethnic status of the participants. There were 140,764 persons enrolled in these 11 RCTs, with CVD and/or CVD-related death as the primary outcome, evaluated over a median duration of 5 years. In all 11 trials, the weighted proportion of participants of non-White ethnicity was 10.3% (95% CI: 6.8-15.4). Asian or Asian Pacific ancestry comprised 2.0% (95% CI: 1.1-3.9) of all participants in the five trials that reported details about this group. In no study was the therapeutic efficacy of the intervention was stratified by ethnicity, and none reported on the number of participants who were immigrants. CONCLUSION: RCTs of CVD prevention strategies either rarely recruit or rarely report on the ethnic and immigrant status of their participants. Evaluation of the relative efficacy of CVD prevention strategies should also consider these criteria.
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 | 0,099 | 0,163 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,006 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».