Technological Adjuncts to Streamline Clinical Research Processes: Recruitment, Informed Consent, and Data Management (Preprint)
Notice bibliographique
Résumé
BACKGROUND Patient recruitment and data management are laborious, resource-intensive aspects of clinical research that often dictate whether the successful completion of studies is possible. Technological advances present opportunities for streamlining these processes, thus improving completion rates for clinical research studies. OBJECTIVE This paper aims to demonstrate how technological adjuncts can enhance clinical research processes via automation and digital integration. METHODS Using one clinical research study as an example, we highlight the use of technologic adjuncts to automate and streamline research processes across various digital platforms, including an enterprise data warehouse (EDW), a clinical research data management tool (REDCap), and a locally managed, HIPAA-compliant server. Eligible participants are identified through automated queries in the EDW, after which they receive personalized email invitations with digital consent forms. After digital consent, patient data is transferred to a single HIPAA-compliant server where each participant is assigned a unique QR code to facilitate data collection and integration. After the research study visit, data obtained is associated with existing EMR data for each participant via a QR code system that collated participant consent, imaging data, and associated clinical data according to a unique exam ID. RESULTS Over a 19-month period, automated EDW queries identified 20,988 eligible patients, and 10,582 patients received personalized email invitations. 1000 patients (9.45%) signed consents to participate in the study. Of the consented patients, 549 unique patients completed 779 study visits; some patients consented to the study at more than one time period during their pregnancy. CONCLUSIONS Technological adjuncts in clinical research decrease human labor while increasing participant reach and minimizing disruptions to clinic operations. Automating portions of the clinical research process benefits clinical research efforts by expanding and optimizing participant reach while reducing the limitations of labor and time in completing research studies.
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 | 0,034 | 0,122 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,151 | 0,138 |
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 ».