Recruitment for Remote Decentralized Studies in Parkinson’s Disease
Notice bibliographique
Résumé
BACKGROUND: Traditional in-person Parkinson's disease (PD) research studies are often slow to recruit and place unnecessary burden on participants. The ongoing COVID-19 pandemic has added new impetus to the development of new research models. OBJECTIVE: To compare recruitment processes and outcomes of three remote decentralized observational PD studies with video visits. METHODS: We examined the number of participants recruited, speed of recruitment, geographic distribution of participants, and strategies used to enhance recruitment in FIVE, a cross-sectional study of Fox Insight participants with and without PD (n = 203); VALOR-PD, a longitudinal study of 23andMe, Inc. research participants carrying the LRRK2 G2019S variant with and without PD (n = 277); and AT-HOME PD, a longitudinal study of former phase III clinical trial participants with PD (n = 226). RESULTS: Across the three studies, 706 participants from 45 U.S. states and Canada enrolled at a mean per study rate of 4.9 participants per week over an average of 51 weeks. The cohorts were demographically homogenous with regard to race (over 95%white) and level of education (over 90%with more than a high school education). The number of participants living in primary care Health Professional Shortage Areas in each study ranged from 30.3-42.9%. Participants reported interest in future observational (98.5-99.6%) and interventional (76.1-87.6%) research studies with remote video visits. CONCLUSION: Recruitment of large, geographically dispersed remote cohorts from a single location is feasible. Interest in participation in future remote decentralized PD studies is high. More work is needed to identify best practices for recruitment, particularly of diverse participants.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».