Approach to High Volume Enrollment in Clinical Research: Experiences from an All of Us Research Program Site
Notice bibliographique
Résumé
Clinical trials and cohort studies are required to meet target recruitment of study participants within stipulated timelines, especially when the priority is to include populations traditionally unrepresented in biomedical research. By the third quarter of 2019, the University of Arizona-Banner Health Provider Organization (UA-Banner HPO) has enrolled > 30,000 core participants into the All of Us Research Program (AoURP), the research cohort of the Precision Medicine Initiative. The majority of enrolled participants meet the criteria for individuals under-represented in biomedical research. The enrollment goals were calculated based on a target of 20,000 as set by the National Institutes of Health and our health provider organization achieved enrollment numbers between 17% and 86% above the targeted daily enrollment. We evaluated enrollment methods and challenges to enrollments encountered by the UA-Banner Health Provider Organization into the AoURP. Challenges to enrollment centered around the need for high-touch engagement methods, time investment necessary for stakeholder inclusion, and the use of purely digital enrollment methods especially in populations under-represented in biomedical research. These challenges occurred at the level of the individual, provider, institutions, and community, and cumulatively impacted participant enrollment. Successful strategies for engagement and enrollment leveraged provider partners as advocates for the program. For high-volume enrollment in clinical research, it is important to engage leaders in the healthcare setting, patient providers, and tailor engagement and enrollment to potential participant needs. We emphasize the need for precision engagement and enrollment methods tailored to individual needs.
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 | 0,048 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,010 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».