American Indian and Alaska Native recruitment strategies for health-related randomized controlled trials: A scoping review
Notice bibliographique
Résumé
BACKGROUND: Significant health disparities exist among American Indian and Alaska Natives (AI/ANs), yet AI/ANs are substantially underrepresented within health-related research, including randomized controlled trials (RCTs). Although research has previously charted representation inequities, there is however a gap in the literature documenting best practice for recruitment techniques of AI/ANs into RCTs. Therefore, the aim of this review was to systematically gather and analyze the published literature to identify common strategies for AI/AN participant recruitment for RCTs in the US. METHODS: A scoping review methodology was engaged with a systematic search operationalized within relevant databases to February 19, 2022, with an additional updated search being carried out up until January 1, 2023: PubMed, Embase, Web of Science, PsycINFO, CINAHL, and Google Scholar. A two-stage article review process was engaged with double reviewers using Covidence review software. Content analysis was then carried out within the included articles by two reviewers using NVivo software to identify common categories within the data on the topic area. RESULTS: Our review identified forty-one relevant articles with the main categories of recruitment strategies being: 1) recruitment methods for AI/ANs into RCTs (passive advertising recruitment approaches, individual-level recruitment approaches, relational methods of recruitment); 2) recruitment personnel used within RCTs; and, 3) relevant recruitment setting. The majority of the included studies used a culturally relevant intervention, as well as a community-involved approach to operationalizing the research. CONCLUSION: Increasing AI/AN representation in RCTs is essential for generating evidence-based interventions that effectively address health disparities and improve health outcomes. Researchers and funding agencies should prioritize the engagement, inclusion, and leadership of AI/AN communities throughout the RCT research process. This includes early community involvement in study design, implementation of culturally tailored recruitment strategies, and dissemination of research findings in formats accessible to AI/AN communities.
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 | 0,189 | 0,500 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,011 | 0,012 |
| Bibliométrie | 0,031 | 0,026 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».