Enrolling and keeping participants in multiple sclerosis self-management interventions: a systematic review and meta-analysis
Notice bibliographique
Résumé
OBJECTIVES: The objectives were to provide an estimate of expected enrolment and attrition rates based on published studies of existing self-management interventions for people with multiple sclerosis, and to identify contributing factors and impact on outcomes. REVIEW METHODS: A systematic literature search was conducted using Ovid MEDLINE, PsychINFO, EMBASE, AMED, CINAHL, OT Seeker, PubMed, and the Cochrane Database of Systematic Reviews databases. Controlled trials with or without randomization using either a between-group or within-person design were included if they met specified criteria. A random-effect meta-regression analysis was conducted to estimate the overall enrolment and attrition proportions, effect of person- and study-related factors, and impact on outcomes. RESULTS: A total of 48 studies, comprising 4446 persons were identified. The estimated enrolment rate was 50.3% (95% confidence interval (CI): 49.6 to 51.1) and the estimated attrition rates in the intervention and control groups were 16.8% (95% CI: 16.2 to 17.3) and 14.4% (95% CI: 13.8 to 14.9), respectively. The main reported reason for refusing to participate was lack of interest (70.6%), while the reported reasons for dropping out were mainly owing to medical issues (26.1%) and disliking the intervention (17.9%). Trial, programme, and patient-related variables were found to influence the enrolment and/or attrition rates. Studies that had a 10% higher attrition rate had an effect size that was larger by 0.19 (95% CI: 0.17 to 0.24). CONCLUSION: Greater understanding of the factors associated with enrolment and attrition rates would help in planning and developing a more appealing self-management intervention that patients can easily accept and incorporate into their everyday lives.
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 | 0,009 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».