Methods to improve patient recruitment and retention in stroke trials
Notice bibliographique
Résumé
BACKGROUND: The success of randomized-controlled stroke trials is dependent on the recruitment and retention of a sufficient number of patients, but fewer than half of all trials meet their target number of patients. METHODS: We performed a search and review of the literature, and conducted a survey and workshop among 56 European stroke trialists, to identify barriers, suggest methods to improve recruitment and retention, and make a priority list of interventions that merit further evaluation. RESULTS: The survey and workshop identified a number of barriers to patient recruitment and retention, from patients' incapacity to consent, to handicaps that prevent patients from participation in trial-specific follow-up. Methods to improve recruitment and retention may include simple interventions with individual participants, funding of research networks, and reimbursement of new treatments by health services only when delivered within clinical trials. The literature review revealed that few methods have been formally evaluated. The top five priorities for evaluation identified in the workshop were as follows: short and illustrated patient information leaflets, nonwritten consent, reimbursement for new interventions only within a study, and monetary incentives to institutions taking part in research (for recruitment); and involvement of patient groups, remote and central follow-up, use of mobile devices, and reminders to patients about their consent to participate (for retention). CONCLUSIONS: Many interventions have been used with the aim of improving recruitment and retention of patients in stroke studies, but only a minority has been evaluated. We have identified methods that could be tested, and propose that such evaluations may be nested within on-going clinical trials.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».