Koordinations-Toolkit und Coaching-Projekt (CTAC)

Hintergrund: Hochrisikoveteranen werden als Personen definiert, bei denen im Vergleich zu ihren nicht risikoreichen Kollegen ein erhöhtes Risiko für schlechte klinische Ergebnisse und eine häufigere Inanspruchnahme ungeplanter Gesundheitsdienste besteht. Diese Veteranen haben typischerweise mehrere chronische Gesundheitsprobleme und sind anfällig für Versorgungslücken aufgrund eingeschränkter physischer, psychischer und/oder sozialer Funktionen. Trotz der Bemühungen, die Pflege durch die Patient Aligned Care Teams (PACT) der VA in die Primärversorgung zu integrieren, bestehen weiterhin Defizite in der Pflegekoordination. In VA werden die meisten Hochrisikoveteranen in der Primärversorgung und nicht in einem Spezialdienst behandelt. Von PACT wurde erwartet, dass es die Pflegekoordination verbessert, indem die Rolle des Pflegemanagers für die PACT-Teamschwester geschaffen wird. Es gab jedoch erhebliche Herausforderungen bei der Umsetzung der Rolle des Pflegemanagers wie beabsichtigt. Viele der Herausforderungen bei der Pflegekoordination betreffen die „medizinische Nachbarschaft“ außerhalb von PACT.

Um die Qualität der Pflegekoordination in der ambulanten Pflege zu verbessern und auch bessere Methoden zur Verbreitung von Innovationen zu entwickeln, wurde das Coordination Toolkit and Coaching-Projekt von der Quality Enhancement Research Initiative (QUERI) der VA finanziert. Dieses Projekt entwickelt und erprobt ein Online-Toolkit und einen distanzbasierten Coaching-Prozess und vergleicht dann die Wirksamkeit des Toolkits allein mit der Kombination aus Toolkit und Ferncoaching zur Verbesserung der Pflegeerfahrung von VA-Patienten. Sowohl Toolkit- als auch kombinierte Toolkit-/Coaching-Strategien wurden einzeln in VA-Qualitätsverbesserungsinitiativen eingesetzt und jede Strategie wurde einzeln mit anderen Alternativen verglichen. Nach Kenntnis der Forscher wurden diese Strategien jedoch nicht offiziell direkt verglichen.

Zusätzliche Ergebnisinformationen: Das primäre Ergebnis des Projekts ist ein Maß für die Patientenerfahrung, die Health System Hassles Scale. Auf dieser 16-Punkte-Skala werden Patienten beispielsweise gefragt, ob ihre Medikamente rechtzeitig nachgefüllt werden, ob sie Informationen darüber erhalten haben, warum sie an einen Facharzt überwiesen wurden, ob es zu einer schlechten Kommunikation zwischen verschiedenen Ärzten oder Kliniken gekommen ist oder ob dies der Fall war Meinungsverschiedenheiten zwischen Ärzten über die Diagnose des Patienten oder die beste Behandlung für den Patienten.

Berechnungen der Stichprobengröße: Die Berechnung der Stichprobengröße für diese Studie basiert auf der einfachen Annahme einer Differenz-in-Differenzen-Analyse (über die beiden Zeitpunkte hinweg) für den Vergleich der beiden Implementierungsstrategien. Das primäre Ergebnis ist die Health System Hassles Scale. Die Forscher gehen von 12 Kliniken in der Studie aus (6 pro Studiengruppe), die als Cluster betrachtet werden, um die Stichprobengröße zu bewerten. Da die Anzahl der Patienten pro Cluster variieren kann, gehen die Forscher von einem Variationskoeffizienten der Clustergrößen von etwa 0,9 aus. Mit einer Effektgröße von 0,3 Standardabweichungen (was in Cohens Terminologie als kleine bis mittlere Effektgröße angesehen wird) für die Differenz-in-Differenz-Analyse und einer Intra-Cluster-Korrelation von 0,023 (basierend auf einer vorläufigen Auswertung früherer Daten) Dann werden mit einer Trennschärfe von 80 % und einem zweiseitigen Signifikanzniveau von 5 % 149 Patienten pro Klinik für insgesamt 1788 Patienten benötigt (gleichmäßig auf die beiden Gruppen aufgeteilt).

Statistischer Analyseplan: Der primäre Endpunkt der Health System Hassles Scale wird zwischen den beiden Implementierungsgruppen (Toolkit und kombiniertes Toolkit/Coaching) anhand einer angepassten Differenz-in-Differenzen-Analyse (zwischen den beiden Zeitpunkten: Baseline und 12 Monate) verglichen für die Clusterung nach Kliniken. Diese Analyse wird zunächst mit einem allgemeinen linearen Modell durchgeführt, bei dem die Differenz zwischen den Zeitpunkten als abhängige Variable und die Studiengruppe als unabhängige Variable verwendet werden, wobei die Klinik die Clustering-Variable ist (und somit eine entsprechend gewählte Varianz-Kovarianz-Matrix verwendet wird). Ein weiteres Anpassungsmodell kann geeignete Kovariaten einschließlich Faktoren auf Patientenebene wie Geschlecht, Alter und Inanspruchnahme von Nicht-VA-Versorgung einbeziehen.