Støtte CHW'er som vaccineundervisere: Impact of a Digital Training and Chatbot Intervention on Vaccination in Kenya

Baggrund:

Immuniseringsprogrammer i Afrika syd for Sahara har gjort fremskridt i de seneste årtier, men dog er dækningen generelt lav for nogle børnevacciner. Immunisering er en af ​​de mest kraftfulde og omkostningseffektive folkesundhedsinterventioner. Ud over at redde liv kan vaccination i høj grad reducere byrden af ​​sygdom og handicap fra sygdomme, der kan forebygges med vacciner, og bidrage til at forbedre børns sundhed og velfærd samt reducere omkostningerne ved indlæggelse. Alligevel steg mistilliden til børnevaccinationer globalt under COVID-19-pandemien. Vaccine tøven i Kenya er drevet af flere indbyrdes forbundne og indbyrdes forbundne faktorer, herunder mistillid til sundhedssystemer og vaccinemisinformation, som er vokset under den globale COVID-19-pandemi.

Community Health Workers (CHW'er) er afgørende for den globale vaccinationsindsats, både med hensyn til distribution og logistisk støtte, men også for at fremme vaccineaccept. Nu mere end nogensinde står CHW'er over for barrierer som vaccineundervisere, herunder spredningen af ​​misinformation, mangel på pålidelig, opdateret information og begrænset træning i effektiv kommunikation.

Sigte:

Forskere ved Stanford University's Center for Health Education og Lwala Community Health Alliance indgår i partnerskaber for at undersøge, hvordan man bedre kan støtte CHW'er for at forbedre rutinevaccinationsraten i områder med stort behov ved at teste en todelt intervention. Den første del af interventionen er en digital træning til CHW'er, som omfatter videoer og jobhjælpemidler om vaccineundervisning. Den anden del af interventionen er en patientvendt chatbot, der er designet til at give patienter nøgleinformation om rutinevaccinationer med det formål at øge patientens viden om vacciner, vaccineaccept og vaccinationsrater.

Metoder:

For at teste effektiviteten af ​​at træne og udstyre CHW'er med det digitale trænings- og chatbotværktøj, vil undersøgelsesforskere udføre et randomiseret klyngeforsøg i de to fokale subcounties i Migori County (Awendo og Nyatike), som Lwala Community Health Alliance har identificeret som et stort behov for respekt for vaccineuddannelse. Lwala-undersøgelsesdata tyder på, at mellem 20-25 procent af børn under 5 år ikke har modtaget rutinemæssige vaccinationer i disse to underkommuner. Tidlige anekdotiske data har vist, at der er yderligere barrierer og betænkeligheder ved vaccination i forbindelse med udrulningen af ​​den nye malariavaccine.

CHW'er i de fokale underamter er organiseret i regionale administrative enheder kendt som Community Health Units (CHU'er). Uddannelse gives på regelmæssigt planlagte CHU-møder, hvor CHW'er regelmæssigt deltager. Forskerholdet vil randomisere CHU'er (Awendo/ 31 CHU'er og Nyatike/ 48 CHU'er) til en behandlingsarm, hvor CHW'er modtager trænings- og chatbotværktøjet og en kontrolarm, hvor CHW'er hverken modtager nogen af ​​delene. CHW'erne vil blive blindet over for behandlingsopgaver og informeret om, at de deltager i en undersøgelse for at forstå CHW-oplevelserne og deres kommunikation med patienterne. Randomisering vil blive stratificeret efter geografiske enheder (afdelinger), og om der er et sundhedstilbud til rådighed i afdelingen.

Deltagerne i behandlingsgruppen vil modtage interventionen ved studiets start, mens deltagerne i kontrolgruppen vil modtage ved afslutningen af ​​undersøgelsen, hvilket vil give mulighed for sammenligning af viden, overbevisninger og vaccinationsrater med en gruppe, der er kontrolleret for bias indført af tid. Varigheden af ​​undersøgelsen for deltagere vil være omkring fire måneder, hvilket vil give CHW'er rigelig tid til at introducere chatbot til kvalificerede patienter og give patienter tid til at bruge chatbot til at informere deres vaccinebeslutningstagning.

Intervention:

Interventionen udvikles af Stanford Center for Health Education Digital Medic Initiative i samarbejde med Lwala Community Health Alliance. Den første del af interventionen er en digital træning til CHW'er, som omfatter videoer og jobhjælpemidler om vaccineundervisning for at understøtte patientkommunikation. Den anden del af interventionen er en patientvendt chatbot designet til at give nøgleoplysninger om rutinevaccination, som CHW'er kan dele med deres patienter gennem det sociale medie og messenger-applikationen WhatsApp.

Stanford-teamet har ledet produktionen af ​​videoindhold, jobhjælpemidler og chatbotdesign. Lwala-teamet har indgået partnerskaber i interventionsdesign og -udvikling på alle stadier, herunder manuskriptskrivning, pilotering og kontrol af relevans og resonans af uddannelsesindhold. Videoindholdet omhandler årsager til at vaccinere, misforståelser af vacciner, bivirkninger og andre barrierer for at forbedre optagelsen af ​​børnevaccination. Videoindholdet er suppleret med et sæt infografiske jobhjælpemidler, som CHW'er kan dele med deres patienter for at tilskynde til optagelse af børnevaccination. Indholdet vil være tilgængeligt på engelsk og Dholuo.

Dataindsamling:

Behandling og kontrol CHW'er vil gennemføre en baseline- og slutlinjeundersøgelse, der administreres på samme tid. Basisundersøgelsen vil omfatte demografiske spørgsmål og spørgsmål om CHW'ers arbejdserfaring, herunder deres opfattelse af vaccinesikkerhed og effektivitet og beredskab til at uddanne patienter om komplekse sundhedsemner, herunder børnevaccination. Slutundersøgelsen vil omfatte en vidensvurdering hentet fra træningsindholdet samt målinger af CHW-vaccineaccept og beredskab til at uddanne patienter om børnevaccination. En delprøve af patienter vil blive undersøgt ved endline fra både behandlings- og kontrolgruppen. Patientundersøgelsen vil omfatte demografiske spørgsmål og spørgsmål om patienters viden og overbevisninger om børnevaccination, intention-to-vaccination og vaccinationsstatus blandt husstandsmedlemmer.

Dataanalyse:

Den primære analyse vil være baseret på intention-to-treat på CHU-enheden. Analysen vil omfatte randomiseringsstrata fikserede effekter og kontrol for basislinjekovariater for at forbedre præcisionen af ​​estimater.