Optimizing Recruitment and Retention in Cancer Clinical Trials in Low-Resource Settings: Barriers and Facilitators From Nigerian Provider's Perspectives
Notice bibliographique
Résumé
PURPOSE: The under-representation of African countries in cancer clinical trials continues to widen the cancer health disparity. In this study, we assessed health care workers' perspectives on recruitment and retention in cancer clinical trials in Nigeria. METHODS: This study was a convergent parallel mixed-methods design, using a survey for quantitative analysis and focus group discussions (FGDs) for further qualitative investigation. The health care providers that participated in the study were drawn from the ICON-3 Practice-based Research Network across the six geopolitical zones in Nigeria. RESULTS: Of the 42 providers, 35 completed the survey and 25 participated in the FGDs. The most cited (agreed or strongly agreed) patient-related barriers were lack of understanding of cancer clinical trials (83%), cultural barriers (77%), and lack of financial compensation for study visits (77%). The most cited provider-related barriers were negative attitude of the clinical team (89%), lack of training in good clinical practice (89%), and an overwhelming clinical workload (86%). On trial-related barriers, about 71% agreed or strongly agreed that lack of trial publicity was a barrier. Over 90% of the respondents agreed or strongly agreed that several factors, including the friendliness of the study team (97%) and clarity in the presentation of trial information (97%), are important facilitators. The FGDs unveiled additional themes, including systems-related barriers such as lack of infrastructure, limited research collaboration, and prolonged ethical approval process, and capacity building and community engagement as potential facilitators. CONCLUSION: Our study provides providers' perspectives on the barriers and facilitators to the recruitment and retention of participants in cancer clinical trials in a low-resource setting and highlights the need for culturally appropriate recruitment strategies.
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 | 0,044 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».