MétaCan
Menu
Retour à la cohorte
Enregistrement W3008710470 · doi:10.1016/j.clon.2020.01.029

Strategies to Improve Recruitment to a De-escalation Trial: A Mixed-Methods Study of the OPTIMA Prelim Trial in Early Breast Cancer

2020· article· en· W3008710470 sur OpenAlexaff
Carmel Conefrey, Jenny Donovan, Robert C. Stein, Sangeetha Paramasivan, A. Marshall, John M.S. Bartlett, David Cameron, Amy Campbell, Janet Dunn, Helena Earl, Peter S Hall, V Harmer, Luke Hughes‐Davies, Iain R. Macpherson, Andreas Makris, Adrienne Morgan, Sarah E. Pinder, Christopher Poole, Daniel Rea, Leila Rooshenas

Notice bibliographique

RevueClinical Oncology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueEthics in Clinical Research
Établissements canadiensOntario Institute for Cancer Research
Organismes subventionnairesHealth Technology Assessment ProgrammeUniversity College LondonMedical Research CouncilNational Institute for Health and Care Research
Mots-clésMedicinePatient recruitmentPsychological interventionThematic analysisDocumentationBreast cancerRandomized controlled trialIntervention (counseling)Best practiceQualitative researchFamily medicineCancerNursingInternal medicine

Résumé

récupéré en direct d'OpenAlex

AIMS: De-escalation trials are challenging and sometimes may fail due to poor recruitment. The OPTIMA Prelim randomised controlled trial (ISRCTN42400492) randomised patients with early stage breast cancer to chemotherapy versus 'test-directed' chemotherapy, with a possible outcome of no chemotherapy, which could confer less treatment relative to routine practice. Despite encountering challenges, OPTIMA Prelim reached its recruitment target ahead of schedule. This study reports the root causes of recruitment challenges and the strategies used to successfully overcome them. MATERIALS AND METHODS: A mixed-methods recruitment intervention (QuinteT Recruitment Intervention) was used to investigate the recruitment difficulties and feedback findings to inform interventions and optimise ongoing recruitment. Quantitative site-level recruitment data, audio-recorded recruitment appointments (n = 46), qualitative interviews (n = 22) with trialists/recruiting staff (oncologists/nurses) and patient-facing documentation were analysed using descriptive, thematic and conversation analyses. Findings were triangulated to inform a 'plan of action' to optimise recruitment. RESULTS: Despite best intentions, oncologists' routine practices complicated recruitment. Discomfort about deviating from the usual practice of recommending chemotherapy according to tumour clinicopathological features meant that not all eligible patients were approached. Audio-recorded recruitment appointments revealed how routine practices undermined recruitment. A tendency to justify chemotherapy provision before presenting the randomised controlled trial and subtly indicating that chemotherapy would be more/less beneficial undermined equipoise and made it difficult for patients to engage with OPTIMA Prelim. To tackle these challenges, individual and group recruiter feedback focussed on communication issues and vignettes of eligible patients were discussed to address discomforts around approaching patients. 'Tips' documents concerning structuring discussions and conveying equipoise were disseminated across sites, together with revisions to the Patient Information Sheet. CONCLUSIONS: This is the first study illuminating the tension between oncologists' routine practices and recruitment to de-escalation trials. Although time and resources are required, these challenges can be addressed through specific feedback and training as the trial is underway.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,017
score de la tête « metaresearch » (Gemma)0,055
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,519
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0170,055
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,674
Tête enseignante GPT0,703
Écart entre enseignants0,030 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical OncologyMême sujetEthics in Clinical ResearchTravaux en français237 207