Chasing the storm: Recruiting non‐hospitalized patients for a multi‐site randomized controlled trial in the United States during the COVID‐19 pandemic
Notice bibliographique
Résumé
Randomized controlled trials (RCTs) remain the gold standard to evaluate clinical interventions, producing the highest level of evidence while minimizing potential bias. Inadequate recruitment is a commonly encountered problem that undermines the completion and generalizability of RCTs-and is even more challenging when enrolling amidst a pandemic. Here, we reflect on our experiences with virtual recruitment of non-hospitalized patients in the United States for ColCorona, an international, multicenter, randomized, placebo-controlled coronavirus disease 2019 (COVID-19) drug trial. Recruitment challenges during a pandemic include constraints created by shelter-in-place policies and targeting enrollment according to national and local fluctuations in infection rate. Presenting a study to potential participants who are sick with COVID-19 and may be frightened, overwhelmed, or mistrusting of clinical research remains a challenge. Strategies previously reported to improve recruitment include transparency, patient and site education, financial incentives, and person-to-person outreach. Active measures taken during ColCorona to optimize United States recruitment involved rapid expansion of sites, adjustment of recruitment scripts, assessing telephone calls versus text messages for initial contact with participants, institutional review board-approved financial compensation, creating an infrastructure to systematically identify potentially eligible patients, partnering with testing sites, appealing to both self-interest and altruism, and large-scale media efforts with varying degrees of success.
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 | 0,071 | 0,131 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| 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 ».