Qualitative evaluation to improve participant engagement and retention in remote COVID-19 treatment trials
Notice bibliographique
Résumé
Abstract Clinical trials, although recognized as the gold standard for scientific research, encounter various challenges with participant recruitment and retention. Yet, given the surge in global research endeavors during the COVID-19 pandemic, mass recruitment and retention were needed to ensure study power. While participant engagement in clinical research has been investigated, there is limited literature underscoring motivations for participation in COVID-19 clinical trials conducted remotely. To address this gap, we conducted a longitudinal, qualitative evaluation study of participant engagement and retention in a remote, COVID-19 clinical trial. In-depth, semi-structured interviews were conducted between December 2020-March 2021 (timepoint 1; n = 19) and January–February 2022 (timepoint 2; n = 11) to gain insights from participants regarding their experiences, motivations, and challenges with clinical trial engagement during the COVID-19 pandemic. Findings identified several factors described to increase participant engagement, including perceived contribution to the greater good, protecting oneself and others, and gaining improved access to healthcare. Further, key themes underscoring the enhancement of retention, such as perceived trial-related challenges and recommendations for future studies, were also identified. Findings underscore the utility of embedding qualitative methods within clinical trials, and how they contribute to a broader understanding of factors influencing participation in COVID-19 trials while providing valuable insights to enhancing recruitment and retention strategies. Consequently, this study provides essential knowledge aimed at optimizing participant engagement and retention in clinical trials, thereby advancing our comprehension of and response to research mobilization during unprecedented events.
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 | 0,028 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».