Impact of limited language proficiency on participation in venous thromboembolism research: a retrospective analysis
Notice bibliographique
Résumé
BACKGROUND: Limited language proficiency is an established barrier to research participation among racialized populations. While prior studies have highlighted the underrepresentation of racialized populations in venous thromboembolism (VTE) research, the impact of limited language proficiency as a reason for nonconsent among eligible patients is unknown. OBJECTIVES: To determine the impact of language barrier as the primary reason for VTE research non-participation. METHODS: We reviewed all prospective VTE studies conducted at a research-intensive academic thrombosis research program in Canada between 2014 and 2024. Studies with screening logs that systematically and consecutively captured eligibility assessment and reasons for nonconsent were included. Primary outcome was nonconsent of a screen-eligible patient due to limited language proficiency as the reported reason. We derived pooled estimates of nonconsent due to limited language proficiency as a proportion of consented participants and determined subgroup rates by phase of VTE management, associated medical conditions, and recruitment settings. RESULTS: Screening logs of 28 studies with 22 057 screening events, 8317 screen-eligible patients, and 3320 consented participants were included. For every 100 consented participants, 3.2 (95% CI, 2.0-5.3) screen-eligible individuals were unable to provide consent due to limited language proficiency. Rates of nonconsent were highest in studies involving cancer (5.6 per 100 participants; 95% CI, 2.9-10.4) and in studies recruiting patients from ambulatory settings outside of the thrombosis clinic (10.8 per 100 participants; 95% CI, 4.8-22.6). CONCLUSION: Language proficiency is a key barrier to VTE research participation. Urgent implementation of targeted interventions aimed at mitigating linguistic barriers is essential to ensure equitable opportunities for VTE research participation for racialized patients disproportionately affected by language proficiency.
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 | 0,053 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».