Patient participation in clinical trials conducted by principal investigators who speak one or more language(s) beyond english: Exploring ethnicity as proxy for language
Notice bibliographique
Résumé
Background: To explore the association between ethnicity, as a proxy for language, and participation in clinical trials (CT) conducted by Principal Investigators (PI) who speak one or more language in addition to English. Methods: This retrospective, descriptive study utilized CT participant demographic data extracted from the largest Midwestern non-profit healthcare system between January 1, 2019 and 12/31/2021. The CT participant sample (N = 4308) was divided for comparison: CT Participants of Hispanic or Latino Origin (N = 254; 5.90 %) and CT Participants of Non-Hispanic or Latino Origin (N = 4054; 94.10 %). Logistic regressions were performed to generate the crude and adjusted odds of patients of Hispanic or Latino origin participating in CTs conducted by PIs who speak another language in addition to English. Results: Crude analysis revealed that patients of Hispanic or Latino ethnicity had 2.04 (1.58, 2.64) times greater odds of participating in CTs conducted by PIs who speak another language than English (<0.0001), which increased to 2.67 (1.97, 3.62) times greater odds after adjusting for sex, race, age and insurance (p < 0.0001). Conclusions: Overall findings indicate that patients of Hispanic or Latino ethnicity, who are more likely to speak Spanish, have greater odds of participating in CTs conducted by PIs who speak another language beyond English. This may imply that cultural sensitivity at the top of a CT study team, as likely to be demonstrated by PIs who speak another language beyond English, may be an important contributor to reducing ethnicity- and language-based barriers to diversity in CTs and a relationship worth exploring further.
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 | 0,169 | 0,778 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,006 |
| 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; 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 ».