Methods of Recruitment for Surgical and Perioperative Randomized Controlled Trials: A Rapid Review
Notice bibliographique
Résumé
Due to the complex nature of surgical randomized controlled trials (RCTs), reaching target recruitment can be challenging. The primary objective was to report on characteristics of successful pilot surgical and perioperative RCTs and the methodological strategies implemented to optimize recruitment. The secondary objective was to provide recommendations for successful recruitment strategies for future surgical RCTs. Ovid MEDLINE, Ovid EMBASE, and Web of Science (via Ovid) databases were searched from 2012 to 2022. This review included surgical and perioperative pilot studies that met their recruitment targets. Study and recruitment characteristics were summarized, and potential relationships between study design and recruitment rate were assessed. Optimized recruitment strategies were extracted when reported. Of 4156 total articles identified, 255 underwent full-text screening, and 52 articles were included. Of the included pilot studies, 21% (n = 11) did not indicate a target sample size or recruitment rate. Recruitment methods were minimally reported in pilot studies for perioperative or surgical RCTs. Strategies to optimize recruitment included internal iterative evaluations of the recorded recruitment appointments and staged introduction of the study. Recruitment rate was not associated with invasiveness of intervention or burden of participation. Patient involvement is absent from current reports on methodological design and offers valuable opportunity to optimize recruitment. Recruitment strategies in perioperative and surgical RCTs can be optimized with iterative qualitative evaluation of the recruitment methods with input from the interdisciplinary research team.
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 | 0,884 | 0,626 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,189 | 0,078 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».