Peer-to-Peer Patient Partner Recruitment: Enhancing Peer Engagement for Successful Patient Partner Recruitment in a National Kidney Health Research Network
Notice bibliographique
Résumé
Background: Patient partnership in kidney health research is recognized as an equitable approach to improving patient outcomes. Patient Partners/People with Lived Experience (PWLE) are co-researchers with lived experience of illness as patients or caregivers. Methods to recruit PWLE are poorly understood and not widely reported on. Together with two PWLE as co-researchers, we present successful PWLE recruitment strategies within the national Can-SOLVE CKD research network, funded in part by the Canadian Institutes of Health Research’s Strategy for Patient-Oriented Research whose focus is on transforming kidney research through meaningful patient engagement. We present the results of the co-development of practical PWLE recruitment methods and tools, including a peer-to-peer recruitment strategy. Methods: We conducted an environmental scan of existing research in academic publications; gathered data from the network’s nine project reports and reviews, from the network website that connects researchers with PWLE; and, finally we conducted a survey and roundtable discussions with two network patient advisory councils to identify the most effective recruitment methods and strategies. Data were consolidated and analyzed thematically to identify successes and challenges to inform the development of a PWLE recruitment toolkit. Results: A common challenge among researchers is the recruitment of PWLE; especially for recruiting ethnically- and gender-diverse participants. Effective PWLE recruitment strategies are categorized thematically along socio-spatial distances, including: (1) macro-level; (2) meso-level; and (3) micro-level and temporally according to illness/treatment stabilization. Peer engagement in the form of peer-to-peer recruitment is the most common route to patient partnership; however, a multi-faceted approach is the most effective way to reach the most diverse participants. Conclusion: Recruiting PWLE as partners in research in the kidney health research context may present some challenges, especially for harder-to-reach participants; however, by targeting various levels of reach, considering timing of recruitment and promoting peer-to-peer recruitment will enable a strategy for success. Funding: Private Foundation Support, Government Support – Non-U.S.
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 | 0,121 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,004 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,005 | 0,025 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,005 |
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 ».