Addressing Health Inequities in Digital Clinical Trials: A Review of Challenges and Solutions From the Field of HIV Research
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Clinical trials are considered the gold standard for establishing efficacy of health interventions, thus determining which interventions are brought to scale in health care and public health programs. Digital clinical trials, broadly defined as trials that have partial to full integration of technology across implementation, interventions, and/or data collection, are valued for increased efficiencies as well as testing of digitally delivered interventions. Although recent reviews have described the advantages and disadvantages of and provided recommendations for improving scientific rigor in the conduct of digital clinical trials, few to none have investigated how digital clinical trials address the digital divide, whether they are equitably accessible, and if trial outcomes are potentially beneficial only to those with optimal and consistent access to technology. Human immunodeficiency virus (HIV), among other health conditions, disproportionately affects socially and economically marginalized populations, raising questions of whether interventions found to be efficacious in digital clinical trials and subsequently brought to scale will sufficiently and consistently reach and provide benefit to these populations. We reviewed examples from HIV research from across geographic settings to describe how digital clinical trials can either reproduce or mitigate health inequities via the design and implementation of the digital clinical trials and, ultimately, the programs that result. We discuss how digital clinical trials can be intentionally designed to prevent inequities, monitor ongoing access and utilization, and assess for differential impacts among subgroups with diverse technology access and use. These findings can be generalized to many other health fields and are practical considerations for donors, investigators, reviewers, and ethics committees engaged in digital clinical trials.
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.
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Métarecherche Domaine: Méthodes · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | medium |
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 | 0,536 | 0,915 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,018 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle