Conducting clinical research in a resource-constrained setting: lessons from a longitudinal cohort study in The Gambia
Notice bibliographique
Résumé
Clinical research conducted to Good Clinical Practice (GCP) standards is increasingly being undertaken in resource-constrained low-income and middle-income countries (LMICs) settings. This presents unique challenges that differ from those faced in high-income country (HIC) contexts, due to a dearth of infrastructure and unique socio-cultural contexts. Field experiences by research teams working in these LMIC contexts are thus critical to advancing knowledge on successful research conduct in these settings. The Medical Research Council Unit The Gambia at London School of Hygiene and Tropical Medicine has operated in The Gambia, a resource-constrained LMIC for over 70 years and has developed numerous research support platforms and systems. The unit was the lead clinical collaborator in a recently completed Expanded Program on Immunization Consortium (EPIC) study, involving a multicountry collaboration across five countries including the USA, Canada, Belgium, Papua New Guinea and The Gambia. The EPIC study recruited and completed follow-up of 720 newborn infants over 2 years. In this paper, we provide in-depth field experience covering challenges faced by the Gambian EPIC team in the conduct of this study. We also detail some reflections on these challenges. Our findings are relevant to the international research community as they highlight practical day-to-day challenges in conducting GCP standard clinical research in resource-constrained LMIC contexts. They also provide insights on how study processes can be adapted early during research planning to mitigate challenges.
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 | 0,025 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».