En mobil tekstbaseret tilgang til måling og feedback for Wraparound Care Coordination (SMARTwrap)

Målet med denne fase II SBIR er at udvikle og teste et nyt måle- og feedbacksystem skræddersyet til Wraparound Service Model (WSM), kaldet SMART-Wrap. Mål 3 består af en kontrolleret effektundersøgelse af SMART-Wrap, hvor 2 WSM-udbyderorganisationer (WPO) vil deltage i et parallel grupperandomiseret forsøg. Ved hjælp af en kaskaderekrutteringsstrategi vil 24 behandlingsteams blive rekrutteret, med 12 teams randomiseret til SMART-Wrap-interventionen versus 12 til "sædvanlige tjenester" (SAU), stratificeret efter supervisor for at balancere klyngeeffekter. Randomisering vil blive udført på plejekoordinatorniveau (CC). Hver WPO-supervisor (n = 12) vil have lige mange CC'er tildelt til hver betingelse (ca. 2 CC'er for hver supervisor), hvilket giver 6 supervisorer i hver betingelse (4 pr. WPO). Deltagere i behandlingsteamet skal acceptere at bruge SMART-Wrap-prototypen som en del af deres WSM over en 8-måneders testperiode og udfylde målinger af service- og implementeringsresultater. CC'ers brug af standardiseret vurdering, planrevision og andre SMART-Wrap-fremmede adfærdsmønstre vil blive vurderet via månedlige webbaserede undersøgelser. Forskere vil inddrage n=5 omsorgspersoner (CG'er) pr. CC, som vil være hovedfokus for dataindsamling. Dette vil give et samlet rekrutteret udvalg på N=120 (n=60 pr. gruppe) omsorgspersoner for unge i alderen 8-17 år med SED. Familiedeltagere vil deltage i alt 4 måneder, med start inden for en 4-måneders indskrivningsperiode. Familiedeltagere vil besvare spørgsmål om service og unges resultater ved baseline og efter 4 måneder.

Forskere formoder følgende for vores primære resultater: (1) sammenlignet med behandlingsteams i kontrolgruppen vil behandlingsteams i SMART-Wrap-gruppen vise (a) større brug af data og feedback i servicen; (b) større troskab mod Wraparound-processen; (c) højere selvrapporteret teamwork, arbejdsalliance og tilfredshed med interventionen; og (d) mere positive holdninger til standardiseret vurdering; og (2) sammenlignet med kontrolgruppen vil omsorgspersoner for unge, der modtager tjenester fra behandlingsteams, der bruger SMART-Wrap, rapportere (a) større målklarhed; (b) større brug af MBC-strategier; (c) større tilfredshed med tjenester og fremskridt; (d) bedre troskab mod Wraparound; (e) mere effektiv teamfunktion; og (f) mere positive resultater, herunder reduceret omsorgspersonstress og forbedrede symptomer og funktionsevne.

Vores eksplorative hypoteser fokuserer på supervision for at undersøge, om (1) supervisorer randomiseret til SMART-Wrap rapporterer (a) en større andel af supervisionstid brugt på gennemgang af data om familiens fremskridt og casekonceptualisering og strategier; (b) større alliance med plejekoordinatoren, og (c) større opfattelse af CC'ers effektivitet. Forskere vil også udforske (2) gyldigheden af SMART-Wrap-måling ved at spørge, om domæner vurderet via SMART-Wrap i servicen (f.eks. alliance, fremskridt, tilfredshed, funktionsevne) er forbundet med data indsamlet af det eksterne forskningsteam via interviews og undersøgelser.

For at evaluere forskelle på unges og CG'ers resultater (unges funktionsevne på Top Problem Assessment (TPA), unges symptomer på Brief Problem Checklist (BPC) og omsorgspersonbelastning på Caregiver Strain Questionnaire (CSGQ)), vil forskere bruge en række 3-niveau longitudinelle hierarkiske lineære modeller (separat model pr. resultatvariabel) for at sammenligne forskelle i gruppernes ændringsrater og tidsværdi-gennemsnit baseret på interventionsbetingelse. Forskere vil også teste for kurvelineære tidsmønstre over fem tidsværdier af data på TPA.

For at evaluere implementeringsresultater vil forskere udføre følgende analyser. En række 2-niveau tværsnits-HLM'er med familier indlejret i CC'er vil blive kørt for at vurdere CG- og CC-Wraparound-troskab på Wraparound Fidelity Index, kort version, som en funktion af interventionsbetingelse. Separate 3-niveau longitudinelle HLM'er vil blive kørt for at teste for forskelle, som en funktion af interventionsbetingelse, på CC-tilfredshed på Therapist Satisfaction Inventory, holdninger til standardiseret vurdering på Attitudes Towards Standardized Assessment-skalaen og procentdel af tid brugt under supervisionsmøder på (1) gennemgang af data om familiens fremskridt og på (2) casekonceptualisering og strategier på Supervision Process Questionnaire (SPQ) (med niveauer for tidsværdi, CC og supervisor på SPQ). Longitudinelle HLM'er vil blive kørt for at udforske ændringsraten for brug af data/feedback og andre MFS-mål på Monthly CC Report (MCR) og Monthly CG Report (MPR), og forskere vil teste for kurvelineære tendenser over 5 måneder. Forskere vil udforske forskelle på CG- og CC-alliance på Working Alliance Inventory, tilfredshed og fremmøde ved hjælp af HLM'er. Dropout er binomisk; derfor vil forskere bruge hierarkisk generaliseret modellering, log-link-funktion til at estimere odds for dropout.

For at evaluere eksplorative analyser vil forskere udføre følgende analyser. Med to HLM'er vil forskere forudsige udviklingen af unges funktionsevne (f.eks. TPA), mens der tages højde for tidsvarierende ændringer i MCR- og MPR-totalscorer. For at udforske gyldigheden af SMART-Wrap-måling vil forskere forbinde SMART-Wrap-målinger med andre målinger. Ved hjælp af Pearson r og Intraclass Correlations (ICC'er) vil forskere udforske forholdet mellem tidsværdi-matchet CC-scorer på unges funktionsevne i SMART-Wrap og CG-vurderede scorer på TPA, CGSQ og BPC. Forskere vil også udforske Pearson r-korrelationer mellem vurderinger af fremskridt som scoret i SMART-Wrap og HLM-beregnet ændringsrate på den omsorgspersonvurderede TPA. Forskere vil undersøge forholdet mellem forældretilfredshed som registreret i SMART-Wrap og Parent Satisfaction-scorer. For det andet vil forskere studere, hvordan brugen af systemet kan være signifikant relateret til forbedring på flere resultater, herunder troskab, arbejdsalliance og unges problemer og symptomer. Prædiktorer vil inkludere CC- og supervisor-brug af SMART-Wrap-systemelementer, datakomplethed og tid i systemet. For disse analyser vil forskere bruge HLM'er som passende til DV'erne (longitudinelle eller tværsnits) I alle analyser vil forskere modellere data manglende tilfældigt ved hjælp af fuld maksimal sandsynlighedsestimering for at tage højde for frafaldsbias, og forskere vil kontrollere for multiple sammenligninger ved hjælp af falsk opdagelsesrater.