Lessons Learned Recruiting and Retaining Pregnant and Postpartum Individuals in Digital Trials: Viewpoint
Notice bibliographique
Résumé
In an increasingly connected world and in the midst of a global pandemic, digital trials offer numerous advantages over traditional trials that rely on physical study sites. Digital trials have the potential to improve access to research and clinical treatments for the most vulnerable and minoritized, including pregnant and postpartum individuals. However, digital trials are underutilized in maternal and child health research, and there is limited evidence to inform the design and conduct of digital trials. Our research collaborative, consisting of 5 research teams in the U.S. and Australia, aimed to address this gap. We collaborated to share lessons learned from our experiences recruiting and retaining pregnant and postpartum individuals in digital trials of social and behavioral interventions. We first discuss the promise of digital trials in improving participation in research during the perinatal period, as well as the unique challenges they pose. Second, we present lessons learned from 12 completed and ongoing digital trials that have used platforms such as Ovia, Facebook, and Instagram for recruitment. Our trials evaluated interventions for breastfeeding, prenatal and postpartum depression, insomnia, decision making, and chronic pain. We focus on challenges and lessons learned in 3 key areas: (1) rapid recruitment of large samples with a diversity of minoritized identities, (2) retention of study participants in longitudinal studies, and (3) prevention of fraudulent enrollment. We offer concrete strategies that we pilot-tested to address these challenges. Strategies presented in this commentary can be incorporated, as well as formally evaluated, in future studies.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 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 ».