Deferred Consent in a Minimal‐Risk Study Involving Critically Ill Subarachnoid Hemorrhage Patients
Notice bibliographique
Résumé
INTRODUCTION: Alterations from first-party and surrogate decision-maker consent can enhance the feasibility of research involving critically ill patients. OBJECTIVE: To describe the use of a deferred-consent model to enable participation of critically ill patients in a minimal-risk biomarker study. METHODS: A prospective observational study was conducted in which serum biomarker samples were collected three times daily over the first 14 days following aneurysmal subarachnoid hemorrhage. Sample collection was initiated on intensive care unit admission and consent was obtained when research personnel could approach the patient or the patient's surrogate decision maker. RESULTS: Twenty-seven patients were eligible for the study, of whom only five were capable of providing informed consent. Full consent was obtained for 21 (78%) patients through self- (n=4) and surrogate (n=17) consent. Partial consent or refusal (only permitting the collection of blood samples as a part of routine care or use of data) occurred in three patients. Among the 22 consents sought from surrogates, three (11%) refused participation. The refusals included the sickest patients in the cohort. Once consent was provided, no patient or surrogate withdrew consent before study completion. DISCUSSION: Use of a deferred consent model enabled participation of critically ill patients in a minimal-risk biomarker study with no withdrawals. CONCLUSIONS: Further research and enhanced awareness of the potential utility of hybrid models, including deferred consent in addition to patient or surrogate consent, in the conduct of low-risk and minimally interventional time-sensitive studies of critically ill patients are required.
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 | 0,008 | 0,127 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,005 |
| 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 ».