MétaCan
Menu
Retour à la cohorte
Enregistrement W4386569517 · doi:10.1186/s40900-023-00488-5

Recognizing patient partner contributions to health research: a systematic review of reported practices

2023· review· en· W4386569517 sur OpenAlexafffund
Grace Fox, Manoj M. Lalu, Tara Sabloff, Stuart G. Nicholls, Maureen Smith, Dawn Stacey, Faris Almoli, Dean Fergusson

Notice bibliographique

RevueResearch Involvement and Engagement · 2023
Typereview
Langueen
DomaineHealth Professions
ThématiqueMental Health and Patient Involvement
Établissements canadiensOttawa Public HealthOttawa HospitalUniversity of Ottawa
Organismes subventionnairesUniversity of OttawaOntario SPOR SUPPORT Unit
Mots-clésFinancial compensationCompensation (psychology)Systematic reviewMedicineQualitative propertyQualitative researchMedical educationPsychologyFinancePublic relationsBusinessMEDLINESocial psychologyPolitical scienceSociology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Patient engagement in research refers to collaboration between researchers and patients (i.e., individuals with lived experience including informal caregivers) in developing or conducting research. Offering non-financial (e.g., co-authorship, gift) or financial (e.g., honoraria, salary) compensation to patient partners can demonstrate appreciation for patient partner time and effort. However, little is known about how patient partners are currently compensated for their engagement in research. We sought to assess the prevalence of reporting patient partner compensation, specific compensation practices (non-financial and financial) reported, and identify benefits, challenges, barriers and enablers to offering financial compensation. METHODS: We conducted a systematic review of studies citing the Guidance for Reporting the Involvement of Patients and the Public (GRIPP I and II) reporting checklists (October 2021) within Web of Science and Scopus. Studies that engaged patients as research partners were eligible. Two independent reviewers screened full texts and extracted data from included studies using a standardized data abstraction form. Data pertaining to compensation methods (financial and non-financial) and reported barriers and enablers to financially compensating patient partners were extracted. No formal quality assessment was conducted since the aim of the review is to describe the scope of patient partner compensation. Quantitative data were presented descriptively, and qualitative data were thematically analysed. RESULTS: The search identified 843 studies of which 316 studies were eligible. Of the 316 studies, 91% (n = 288) reported offering a type of compensation to patient partners. The most common method of non-financial compensation reported was informal acknowledgement on research outputs (65%, n = 206) and co-authorship (49%, n = 156). Seventy-nine studies (25%) reported offering financial compensation (i.e., honoraria, salary), 32 (10%) reported offering no financial compensation, and 205 (65%) studies did not report on financial compensation. Two key barriers were lack of funding to support compensation and absence of institutional policy or guidance. Two frequently reported enablers were considering financial compensation when developing the project budget and adequate project funding. CONCLUSIONS: In a cohort of published studies reporting patient engagement in research, most offered non-financial methods of compensation to patient partners. Researchers may need guidance and support to overcome barriers to offering financial compensation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,078
score de la tête « metaresearch » (Gemma)0,299
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,922
Score d'incertitude au seuil0,414

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0780,299
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0070,007
Bibliométrie0,0280,033
Études des sciences et des technologies0,0020,003
Communication savante0,0060,008
Science ouverte0,0030,005
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,933
Tête enseignante GPT0,700
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeRevue systématique
DomaineMéthodes
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueResearch Involvement and EngagementMême sujetMental Health and Patient InvolvementTravaux en français237 207