A Systematic Review of Female Participation in Randomized Controlled Trials of Post-Stroke Upper Extremity Rehabilitation in Low- to Middle-Income Countries and High-Income Countries and Regions
Notice bibliographique
Résumé
INTRODUCTION: Female participation is lower than males in both acute stroke and stroke rehabilitation trials. However, less is known about how female participation differs across countries and regions. This study aimed to assess the percentage of female participants in randomized controlled trials (RCTs) of post-stroke rehabilitation of upper extremity (UE) motor disorders in low-middle-income (LMICs) and high-income countries (HICs) as well as different high-income world regions. METHODS: CINAHL, Embase, PubMed, Scopus, and Web of Science were searched from 1960 to April 1, 2021. Studies were eligible for inclusion if they (1) were RCTs or crossovers published in English; (2) ≥50% of participants were diagnosed with stroke; 3) included adults ≥18 years old; and (4) applied an intervention to the hemiparetic UE as the primary objective of the study. Countries were divided into HICs and LMICs based on their growth national incomes. The HICs were further divided into the three high-income regions of North America, Europe, and Asia and Oceania. Data analysis was performed using SPSS and RStudio v.4.3.1. RESULTS: A total of 1,276 RCTs met inclusion criteria. Of them, 298 RCTs were in LMICs and 978 were in HICs. The percentage of female participants was significantly higher in HICs (39.5%) than LMICs (36.9%). Comparing high-income regions, there was a significant difference in the overall female percentages in favor of RCTs in Europe compared to LMICs but not North America or Asia and Oceania. There was no significant change in the percentage of female participants in all countries and regions over the last 2 decades, with no differences in trends between the groups. CONCLUSIONS: Sufficient female representation in clinical trials is required for the generalizability of results. Despite differences in overall percentage of female participation between countries and regions, females have been underrepresented in both HICs and LMICs with no considerable change over 2 decades.
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 | 0,009 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,020 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».