Barriers and Facilitators to Cancer Clinical Trial Participation: Perspectives of Patients in the ICON-3 Practice-Based Research Network, Nigeria
Notice bibliographique
Résumé
PURPOSE: Africa faces a growing burden of cancer yet remains under-represented in global cancer clinical trials. This disparity limits the generation of population-specific evidence needed to improve cancer outcomes. Recruitment and retention in cancer clinical trials are particularly challenging because of various systemic and individual barriers in Nigeria. This study explores patients' perspectives on barriers and facilitators to recruitment and retention in cancer clinical trials. METHODS: A convergent parallel mixed-methods design was used, which comprised a cross-sectional survey and a descriptive qualitative approach. Participants were recruited from multiple oncology centers and secondary facilities within Nigeria's ICON-3 Practice-Based Research Network. Quantitative data were collected through interviewer-administered questionnaires, whereas qualitative data were gathered via semistructured interviews and analyzed thematically. RESULTS: A total of 317 patients participated in the quantitative survey, 18 of whom participated in interviews. Barriers included limited understanding of clinical trials, logistical challenges such as transportation and visit frequency, distrust in researchers and the health care system, and lack of family support. Facilitators included effective communication, incentives, flexible research visits, and culturally tailored interventions. CONCLUSION: To optimize cancer clinical trial participation in low-resource settings, interventions must be tailored to local contexts, addressing structural and cultural barriers. Enhanced communication, community involvement, and supportive policies can significantly improve trial participation and outcomes.
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 | 0,022 | 0,174 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».