Teletherapie bei gehörlosen und schwerhörigen Kindern

210 Kinder im Alter von 0 bis 27 Monaten mit bestätigtem dauerhaftem Hörverlust werden aus Kliniken für Hals-Nasen-Ohrenheilkunde/Audiologie in mehreren Kinderkrankenhäusern rekrutiert. Alle versorgen eine breit gefächerte D/HH-Bevölkerung mit den unterschiedlichen Interessen. Kinder, die in Kliniken für HNO-Heilkunde/Audiologie kommen, werden auf ihre Eignung überprüft. Sobald die Berechtigung bestätigt ist, wird die Einschreibung angeboten. Nach der Einschreibung werden alle Gruppen zu Studienbeginn und danach alle 9 Monate an jedem Standort einer umfassenden Sprach-, Sprach- und Lebensqualitätsbeurteilung unterzogen. Die Beurteilungen umfassen Messungen der Sprache, des Sprechens, des Wortschatzes, der hörbezogenen Lebensqualität, der Selbstwirksamkeit der Eltern und des Nutzens früher Interventionen. Die Forscher werden zusätzlich den Therapieeinsatz sowie die demografischen und klinischen Ausgangsmerkmale messen.

Kinder werden einem der folgenden drei Studienarme zugeordnet: 1) Low-UC (Kinder mit niedrigem Einkommen, randomisiert, um die übliche Pflege zu erhalten); 2) Low-TT (Kinder mit niedrigem Einkommen, randomisiert, um die übliche Pflege plus Zugang zu zusätzlicher Teletherapie zu erhalten) und; 3) High-UC (Kinder mit höherem Einkommen, die die übliche Pflege erhalten). Die Gruppe mit niedrigem TT-Wert erhält zu Hause eine 18-monatige Teletherapie.

Das übergeordnete Ziel dieser Studie besteht darin herauszufinden, ob ein verbesserter Zugang zur Teletherapie für Kinder mit D/HH die Unterschiede in den Sprachergebnissen verringern kann. Während der gesamten Studie wird eine kontinuierliche Zusammenarbeit mit Eltern- und Stakeholder-Beratern stattfinden, um Patientenzentrierung und Verbreitungspotenzial sicherzustellen.

Spezifisches Ziel 1: Primäranalyse I

Demografische und andere Basisdaten, einschließlich Daten zu Familienmerkmalen, werden vom Behandlungsarm aufgelistet und beschreibend zusammengefasst. Kategoriale Daten werden als Häufigkeiten und Prozentsätze dargestellt. Für kontinuierliche Daten werden Mittelwert, Standardabweichung, Median, Interquartilbereich, Minimum und Maximum angezeigt. Das Full Analysis Set (FAS) umfasst alle Kinder, denen durch Randomisierung eine Probebehandlung zugewiesen wurde. Gemäß dem Intent-to-Treat-Prinzip erfolgt die Analyse auf Grundlage des Behandlungsarms und der Schichten, denen die Kinder durch das Randomisierungsverfahren zugeordnet werden.

Das Hauptziel dieser Studie besteht darin, das Hörverständnis (AC) nach 18 Monaten für Kinder mit niedrigem Einkommen, die TT erhalten, mit UC zu vergleichen. Die folgenden statistischen Hypothesen werden getestet, um das primäre Ziel zu erreichen: Ho: θ1 = 0 vs. HA: θ1 ≠ 0, wobei θ1 die Differenz zwischen Low-TT und Low-UC nach 18 Monaten ist. Die primäre Analyse zum Testen dieser Hypothese und zum Vergleich der beiden Behandlungsarme besteht aus einem t-Test, der aus einem linearen Regressionsmodell des primären Endpunkts AC generiert wird, angepasst an Stratifizierungsfaktoren. Der Unterschied zwischen den Behandlungen wird zusammen mit dem 95 %-KI berechnet. Insgesamt 140 Kinder mit niedrigem Einkommen müssen 1:1 (70 pro Arm) randomisiert TT oder UC zugeteilt werden, um eine statistische Aussagekraft von 90 % zu erreichen und eine Effektgröße von 0,75 zu ermitteln (geschätzt aus Tabelle 1 unter Verwendung der öffentlichen Versicherung als Proxy). Einkommen unter der Annahme einer gemeinsamen Standardabweichung von 21,3 und einer Differenz von 16: 87 vs. 71 unter der Annahme einer kleineren Differenz) des primären Endpunkts: PLS-5 AC nach 18 Monaten. Diese Stichprobengröße wurde um einen Drop-out von 20 % und einen Varianzinflationsfaktor von 0,1 (50/(1-0,1)) angepasst, um im Modell angepasste Faktoren zu berücksichtigen (quadratischer multipler Korrelationskoeffizient von 0,1). Diese Berechnung basierte auf einem T-Test mit zwei Stichproben unter der Annahme gleicher Varianzen (unter der Annahme der größeren der beiden Standardabweichungen von 21,3 in Tabelle 1) und einem zweiseitigen Alpha-Wert von 0,017 (Bonferroni-bereinigt: 0,05/3 Co-Primärhypothesen). ).

Spezifisches Ziel 1: Primäranalyse II und III

Während die Hauptfrage dieser Studie darin besteht, zu untersuchen, ob Teletherapie die Sprachergebnisse und den Zugang zu Spezialdiensten für benachteiligte Familien verbessert, wollen die Forscher auch untersuchen, ob Teletherapie die Lücke bei den Sprachergebnissen zwischen Familien mit niedrigem und höherem Einkommen schließen kann. Eine nicht randomisierte Kohortenstudie mit Familien mit höherem Einkommen (die aber als zusätzlicher Vergleich beibehalten wird) ist gerechtfertigt, da die Familien mit höherem Einkommen bei Bedarf wahrscheinlich Zugang zu ergänzenden Dienstleistungen haben, unabhängig davon, ob Kinder an der Studie teilnehmen oder nicht. Die Forscher werden parallel zur RCT von Kindern mit niedrigem Einkommen Patienten mit höherem Einkommen rekrutieren. Daher ist es wichtig, die statistischen Hypothesen zu testen: Ho: θ2 = 0 vs. HA: θ2 ≠ 0 wobei θ2 die Differenz nach 18 Monaten in AC zwischen Kindern mit niedrigem Einkommen, die TT erhalten, und Kindern mit höherem Einkommen, die UC erhalten, ist; und Ho: θ3 = 0 vs. HA: θ3 ≠ 0 wobei θ3 die Differenz nach 18 Monaten in AC zwischen Kindern mit niedrigem Einkommen, die UC erhalten, und Kindern mit höherem Einkommen, die UC erhalten, ist.

Kinder mit höherem Einkommen werden auf Hörniveau- und Einschreibungsseiten abgeglichen. Für diese letztgenannten Vergleiche bestehen die Kontrollvariablen auch aus Basismerkmalen, von denen bekannt ist, dass sie mit AC assoziiert sind, einschließlich klinischer Merkmale und demografischer Unterschiede. Mögliche Unterschiede werden mithilfe von Paartests bewertet. Um zu beurteilen, ob sich die Ergebnisverläufe je nach Studiengruppe unterscheiden, werden die Forscher lineare Mixed-Effects-Regressionsanalysen (für kontinuierliche Ergebnisse) und logistische Regressionsanalysen (für dichotome sekundäre Ergebnisse) verwenden. Die Forscher werden Trajektorien flexibel modellieren, indem sie testen, ob die Einbeziehung quadratischer oder kubischer Terme für die Zeit (bis zu 3 Besuche: Basislinie, 9 Monate und 18 Monate) oder zufälliger Steigungen für Einzelpersonen die Modellanpassung verbessern und diese einbeziehen, wenn dies durch ein signifikantes (P <0,05) Likelihood-Ratio-Test. Der Gesamtunterschied wird mithilfe eines F-Tests und eines T-Tests nach der Schätzung in SAS Version 9.4 bewertet. Die Ermittler werden auch die Änderungsrate der Ergebnisse im Laufe der Zeit untersuchen. Alle sekundären Ergebnisse werden mithilfe dieses gemischten Modellierungsansatzes bewertet, einschließlich der Ergebnisse zur Lebensqualität. Die Forscher bewerten auch die Modellanpassung (z. B. Residuen) und beurteilen, ob die Transformation der Ergebnisse (z. B. logarithmische Transformationen) die beste Anpassung liefert. Um die Übereinstimmung zu berücksichtigen, werden die Ermittler auch einen Zufallseffekt einbeziehen.

Die Ermittler werden auch beurteilen, ob die Grundwerte einer Verwechslung unterliegen, indem sie Veränderungen innerhalb der Person isolieren. Der Vorteil von Mixed-Effects-Modellen besteht darin, dass solche Modelle unvoreingenommene Schätzungen liefern, selbst wenn bei einigen Personen Beobachtungen fehlen, sich an unterschiedliche Verluste bei der Nachverfolgung anpassen, unregelmäßige Zeitmessungen berücksichtigen und die Häufung von Personen berücksichtigen, wie in dieser Studie erforderlich. Ein zweiseitiger p-Wert von weniger als 0,017 wird als statistisch signifikant angesehen (Bonferroni korrigiert für drei Hypothesen (0,05/3). Schätzungen und zugehörige 95 %-Konfidenzintervalle, einschließlich korrigierter Intervalle für Mehrfachtests, werden gemeldet.

210 Kinder werden rekrutiert: 70 Kinder mit höherem Einkommen; und 140 Geringverdiener, wobei 70 TT und 70 UC erhalten, wie oben beschrieben. Die geschätzte statistische Aussagekraft zum Vergleich der Kinder mit höherem Einkommen mit Kindern mit niedrigem Einkommen, die TT und UC erhalten, wird über ein Design mit wiederholten Messungen mit drei Besuchen bewertet. Es wird ein ANOVA-F-Test mit diesen drei Gruppen angenommen. Die Forscher gingen von einer Korrelation von 0,9, einer Varianz zwischen Subjekten von 0,22, einer Fehlervarianz von 2 und einem von Bonferroni korrigierten Alpha-Level von 0,017 aus, was zu einer statistischen Aussagekraft von 92 % führte. Die Forscher gehen davon aus, dass der paarweise T-Test-Vergleich nach 18 Monaten zwischen Low-UC und High-UC eine statistische Aussagekraft von mindestens 90 % erreichen würde, um einen Unterschied von 27,5 zu erkennen (Tabelle 1). Für den paarweisen t-Test von Low-TT und High-UC schätzen die Forscher anhand von Tabelle 1 einen erkennbaren Unterschied von 10,1, was zu einer statistischen Aussagekraft von 81 % führt. Alle oben genannten Berechnungen gehen von einem Drop-out von 20 % und einer Kollinearitätsanpassung von 0,1 aus (und für paarweise Vergleiche von einem klasseninternen Korrelationskoeffizienten von 0,4). Diese Stichprobengrößenberechnungen wurden mit Stata 15.1 durchgeführt.

Spezifisches Ziel 2: Retrospektive Sekundäranalysen

Demografische und andere Basisdaten werden aufgelistet und deskriptiv nach Nutzungsgruppe, TT oder UC zusammengefasst. Kategoriale und kontinuierliche Daten werden wie in Ziel 1 beschrieben zusammengefasst. Ein lineares Modell (ähnlich Ziel 1) wird verwendet, um den Zusammenhang zwischen AC, primärem Ergebnis und jeder der sechs Disparitäten nach 18 Monaten zu bewerten. Heterogene Behandlungseffekte (HTEs) werden anhand des Standard-HTE-Ansatzes bewertet, einer Interaktion zwischen der Nutzungsgruppe und jeder Disparität. Es wird untersucht, ob Disparitäten einzeln oder in Kombination wirken (≥2 Disparitäten, z. B. diejenigen, die Spanisch sprechen und eine öffentliche Versicherung erhalten). Potenzielle Störfaktoren (oben beschrieben) und andere demografische Unterschiede, die die Modellergebnisse beeinflussen können, werden durch die Durchführung von Sensitivitätsanalysen bewertet. Die Forscher werden auch untersuchen, ob die Interaktion zeitlich variiert, indem sie eine Interaktion der Zeit durch Behandlung durch Disparität unter Verwendung des in Ziel 1 beschriebenen gemischten Modellansatzes anpassen. Die Forscher führten Simulationen durch, um die potenzielle statistische Aussagekraft zur Erkennung von HTE zu untersuchen. Jede Simulation wurde 1000 Mal wiederholt, um genaue Schätzungen zu erhalten, und die Forscher berücksichtigten insgesamt sechs Disparitäten, was mit dem Analyseplan übereinstimmt. Die Forscher variierten die Anzahl der Disparitäten, bei denen ein unterschiedlicher HTE bekannt war (zwischen 2 und 5), und die Anzahl der Disparitäten, bei denen dies nicht der Fall war (d. h. kein unterschiedlicher HTE), sowie die Effektgröße (0,4 bis 1,0). Es wurde eine Gesamtstichprobengröße von 210 Kindern angenommen. Die Forscher gehen davon aus, dass etwa 78 Kinder TT und 132 Kinder UC nutzen. Die Forscher gingen außerdem von einer Bonferroni-Korrektur aus (0,008 = 0,05/6 Disparitäten), um zum Schutz vor einer familienbezogenen Fehlerrate (FWER) von 0,05 beizutragen. Die Forscher berücksichtigten die Haupteffekte im linearen Regressionsmodell (d. h. Nutzung TT vs. UC-Gruppe), Disparität (dichotomisiert) und den Interaktionseffekt zwischen der Disparitäts- und Nutzungsgruppe. Die Ergebnisse dieser Simulation zeigten, dass es eine statistische Aussagekraft von über 80 % gab, um bekannte HTE für 2 Disparitäten zu erkennen, unabhängig von der Effektgröße, ES = 0,4 bzw. ES = 1,0, während die FWER für die verbleibenden 4 Disparitäten ohne 5 % kontrolliert wurde HTE vorhanden. Um 5 bekannte Disparitäten zu erkennen, gab es eine statistische Aussagekraft von 68 % bzw. 83 %, wenn ES = 0,4 bzw. ES = 1,0. Die Forscher verwendeten SAS v.9.4, um die statistische Aussagekraft zu schätzen. Die Abbrecherquote von 20 % basiert auf der historischen 18-Monats-Follow-up-Rate (80 %) in der D/HH-Klinik der UCSF für einkommensschwache Kinder mit D/HH. Reise- und Zeitaufwand werden für die drei erforderlichen Studienbewertungen erheblich sein, werden aber vergütet; Die aus diesen Bewertungen gewonnenen Informationen werden auch einen wertvollen Beitrag zur klinischen Versorgung leisten und an die Teams für klinische Versorgung und Frühförderung weitergegeben. Die Beurteilungen werden auch an der klinischen Standardversorgung des Kindes ausgerichtet, die alle 6–9 Monate persönliche audiologische Besuche erfordert. Als vergleichende Wirksamkeitsstudie akzeptieren die Forscher eine Kontamination zwischen Gruppen und ein unverblindetes Design: Familien können unterschiedliche Entscheidungen darüber treffen, welche genauen Dienste sie in Anspruch nehmen möchten, je nachdem, ob sie der Teletherapiegruppe zugeordnet wurden oder nicht. Familien können von ihren Frühförderungszentren und Selbsthilfegruppen in der Gemeinde beeinflusst werden; Eine Kontamination über diese Foren kann sich auf die Auswahl von Diensten außerhalb dieser Studie auswirken und die Effektgröße im Vergleich zu unseren retrospektiven Daten verringern. Die Dienstleistungen werden für alle Gruppen sorgfältig gemessen. Die Forscher werden untersuchen, ob der Therapieeinsatz mit den Ergebnissen verknüpft ist, möglicherweise als Vermittler. Um zu zeigen, dass die Therapienutzung nach 18 Monaten ein Mediator der Intervention ist, werden die Forscher beurteilen, ob sie einen Haupt- oder Interaktionseffekt auf das primäre Ergebnis hat. Die Forscher werden die direkten und indirekten Auswirkungen unseres Regressionsmodells abschätzen, wenn eine Interaktion zwischen Exposition und Mediator vorliegt. Um mögliche Auswirkungen von Crossover und Kontamination zu berücksichtigen, werden die Forscher die Durchführung einer marginalen Strukturmodellierung als Sensitivitätsanalyse in Betracht ziehen.