The Use of Social Media to Recruit Participants With Rare Conditions: Lynch Syndrome as an Example
Notice bibliographique
Résumé
BACKGROUND: Social media is increasingly being used as a means of recruiting participants, particularly for investigators whose areas of interest involve rare conditions or hard-to-reach populations. However, much of the literature to date has focused on paid advertisement recruitment. OBJECTIVE: We used Lynch syndrome (LS), a rare hereditary cancer syndrome, as a model to demonstrate the successful partnership between researchers and a Web-based patient education and advocacy organization to facilitate participant recruitment. METHODS: Recruitment was undertaken in partnership with Lynch Syndrome International (LSI), an advocacy organization with a strong social media presence. After LSI published our study information, participants followed up via email or phone call. Following prescreening and consent, interested and eligible participants were then sent a secure survey link. RESULTS: Within 36 hours of a single Facebook post by the site administrators for LSI, over 150 individuals responded via phone or email. Sixty-five individuals were sent the survey link and 57 individuals completed the survey (88% response rate). Of note, these 57 individuals were geographically diverse within the Unites States, representing LS patients from 26 different states. CONCLUSIONS: This approach has several advantages, including recruitment through a trusted source outside of a clinical setting, higher response rates, and cost-effectiveness with a small research team in a relatively short amount of time. Overall, social media recruitment with a trusted online partner can be highly effective in hard-to-reach clinical populations, such as patients with LS. However, this approach requires additional effort for eligibility screening.
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 | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».