Effectiveness and cost analysis of methods used to recruit older adult sedative users to a deprescribing randomized controlled trial during the COVID-19 pandemic
Notice bibliographique
Résumé
Background: Recruitment to clinical trials is a challenge for researchers that became more pronounced because of COVID-19 public health protective measures, especially with respect to studies enrolling older adults. We completed an effectiveness and cost analysis of the recruitment methods used in The Your Answers When Needing Sleep in New Brunswick (YAWNS NB) study, a randomized controlled trial of a deprescribing intervention that recruited older adults with chronic use of sedatives during the pandemic. Methods: Study recruitment began during the COVID-19 pandemic. Strategies included random digit dialing (RDD), a targeted mail campaign and advertising through newspapers, online platforms (Google and Facebook), and television. Other awareness raising and recruitment strategies involved seniors' organizations, pharmacies, television news stories, and referrals. Recruitment effectiveness and cost analysis involved enrollment rate (ER), cost per randomized participant (CPRP), fractional cost (FC), fractional enrollment (FE), fractional enrollment-cost ratio (FEC), and efficacy index (EI) calculations. Results: There were 1295 interested older adults with 594 randomized into the study for an enrollment rate of 46%. The efficacy index (EI) was highest for Facebook ads (EI = 0.683) followed by television (EI = 0.426), and newsprint ads (EI = 0.298). The cost of RDD was highest per randomized participant at $1117.90 and produced the lowest EI (0.013). Conclusion: Facebook ads had the best efficacy index for recruiting older adults to the YAWNS NB study during the COVID-19 pandemic and television ads produced the most enrollments. RDD was expensive and yielded few recruits. Recruitment costs can be significant for recruiting community-dwelling older adults. This experience can inform recruitment strategy and budget development for future community studies enrolling older adults, especially in the context of the COVID-19 pandemic.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,097 | 0,185 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,015 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».