Studying physician-adolescent patient communication in community-based practices: recruitment challenges and solutions
Notice bibliographique
Résumé
BACKGROUND: Practice-based studies are needed to assess how physicians communicate health messages about weight to overweight/obese adolescent patients, but successful recruitment to such studies is challenging. This paper describes challenges, solutions, and lessons learned to recruit physicians and adolescents to the Teen Communicating Health Analyzing Talk (CHAT) study, a randomized controlled trial of a communication skills intervention for primary care physicians to enhance communication about weight with overweight/obese adolescents. MATERIALS AND METHODS: A "peer-to-peer" approach was used to recruit physicians, including the use of "clinic champions" who liaised between study leaders and physicians. Consistent rapport and cooperative working relationships with physicians and clinic staff were developed and maintained. Adolescent clinic files were reviewed (HIPAA waiver) to assess eligibility. Parents could elect to opt-out for their children. To encourage enrollment, confidentiality of audio recordings was emphasized, and financial incentives were offered to all participants. RESULTS: We recruited 49 physicians and audio-recorded 391 of their overweight/obese adolescents' visits. Recruitment challenges included 1) physician reticence to participate; 2) variability in clinic operating procedures; 3) variability in adolescent accrual rates; 4) clinic open access scheduling; and 5) establishing communication with parents and adolescents. Key solutions included the use of a "clinic champion" to help recruit physicians, pro-active, consistent communication with clinic staff, and adapting calling times to reach parents and adolescents. CONCLUSION: Recruiting physicians and adolescents to audio-recorded, practice-based health communication studies can be successful. Anticipated challenges to recruiting can be met with advanced planning; however, optimal solutions to challenges evolve as recruitment progresses.
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 | 0,149 | 0,203 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».