Innovative Recruitment Strategies to Increase Diversity of Participation in Parkinson’s Disease Research: The Fox Insight Cohort Experience
Notice bibliographique
Résumé
BACKGROUND: Clinical research in Parkinson's disease (PD) faces practical and ethical challenges due to two interrelated problems: participant under-recruitment and lack of diversity. Fox Insight (FI) is a web-based longitudinal study collecting patient-reported outcomes and genetic data worldwide to inform therapeutic studies. FI's online platform provides an opportunity to evaluate online strategies for recruiting large, diverse research cohorts. OBJECTIVE: This project aimed to determine 1) whether FI's digital marketing was associated with increased enrollment overall and from under-represented patient groups, compared to traditional recruitment methods; 2) the clinical and demographic characteristics of samples recruited online, and 3) the cost of this online recruitment. METHOD: FI recruitment during a 6-week baseline period without digital promotion was compared to recruitment during several periods of digital outreach. Separate online recruiting intervals included general online study promotion and unique Facebook and Google ad campaigns targeting under-represented subgroups: early PD, late/advanced PD, and residents of underrepresented/rural geographic areas. RESULTS: Early PD, late PD, and geotargeting campaigns enrolled more individuals in their respective cohorts compared to baseline. All online campaigns also yielded greater total FI enrollment, attracting more participants who were non-White, Hispanic, older, female, and had lower educational attainment and income, and more medical comorbidities. Cost per new participant ranged from $21 (Facebook) to $108 (Google). CONCLUSION: Digital marketing may allow researchers to increase, accelerate, and diversify recruitment for PD clinical studies, by tailoring digital ads to target PD cohort characteristics.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 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 ».