Operationalising Patient Engagement Through the Alberta Cancer Diagnosis Initiative: Recruitment Strategies for Diverse Populations in Health System Improvement
Notice bibliographique
Résumé
BACKGROUND: Engaging diverse populations is critical for designing effective healthcare initiatives. However, strategies for recruiting participants to ensure meaningful engagement, particularly among harder-to-reach groups, remain underexplored. This study examines recruitment approaches used in the Alberta Cancer Diagnosis Initiative (ACDI) in Alberta, Canada, to address challenges in cancer diagnosis. METHODS: A qualitative study, including seven interviews and four focus groups with 10 members of the ACDI project team (none of them patients or community members) and a review of 20 internal ACDI documents, was undertaken. Data were analysed using inductive coding, focusing on identifying recruitment strategies for engaging participants from diverse groups and considerations for facilitating recruitment. RESULTS: Early commitment to diversity and relationship-building informed recruitment strategies, including working with community brokers and health system navigators. Barriers included a limited time within the grant cycle to develop strong relationships with population groups. The team's capacity to learn from emerging issues, like intersectionality and language, was crucial to developing an adaptive approach to recruitment. CONCLUSIONS: Tailored and adaptive strategies, particularly broker- and community-based approaches, are crucial for engaging diverse groups. Lessons learned can inform future initiatives seeking to involve these groups in healthcare decision-making and programme development. PATIENT OR PUBLIC CONTRIBUTION: Patients and community members were actively involved in the ACDI during its planning and development. Their contributions informed engagement activities, ensuring the inclusion of diverse perspectives. This study examined the ACDI project team's perspectives on recruitment strategies and lessons learned, highlighting the importance of adaptive, community-based approaches in engaging diverse participants.
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 | 0,118 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,019 | 0,012 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,005 | 0,024 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».