Unsere Kollegen – Empowerment und Navigationsunterstützung (OP-ENS)

Der Zweck dieser Studie besteht darin, die vorläufige Wirksamkeit und soziale Gültigkeit des OP-ENS (Our Peers – Empowerment and Navigational Support) zu bewerten. Im Rahmen einer 12-monatigen Peer-Health-Navigator-Intervention wurde das Design einer klinischen Studie mit einer Stichprobe von in der Wohngemeinschaft lebenden erwachsenen Medicaid-Empfängern mit körperlichen Behinderungen entwickelt.

Die Teilnehmer werden über Community- und klinische Netzwerke rekrutiert und auf ihre Eignung überprüft. Die Teilnehmer werden nach dem Zufallsprinzip entweder der Interventionsgruppe oder der üblichen Pflegegruppe zugeordnet. Den Teilnehmern der Interventionsgruppe wird ein ausgebildeter Peer-Gesundheitsnavigator (der auch eine Person mit einer körperlichen Behinderung ist) zugeordnet. Mithilfe eines Strukturprozesses der Barrierenerkennung, Zielsetzung und Aktionsplanung werden Peer-Health-Navigatoren mit den Teilnehmern zusammenarbeiten, um auf ihre Gesundheitsbedürfnisse und -anliegen einzugehen, einschließlich Dinge wie Kommunikation zwischen Patient und Anbieter, Transport und Zugang zu langlebiger medizinischer Ausrüstung. Es ist wichtig zu beachten, dass Peer-Gesundheitsnavigatoren keine Gesundheitsdienstleister sind und keine medizinischen oder gesundheitlichen Ratschläge erteilen. Teilnehmer der Interventionsstudie werden gebeten, sich während des Studienzeitraums mindestens einmal im Monat mit ihrem Peer-Gesundheitsnavigator zu treffen. Um die Teilnahme an dieser Intervention zu fördern, werden progressive Mikroanreize in das Studienprotokoll integriert. Um das Gleichgewicht zu fördern, wird ein ähnlicher Mikroanreizplan für die übliche Pflegegruppe erstellt.

Datenerfassung – Alle Teilnehmer, unabhängig von der Gruppenzuordnung, werden zu drei Zeitpunkten (Grundlinie, 6 Monate, 13 Monate) befragt. Dabei werden anhand eines Selbstberichts Messungen des Zugangs, der Qualität und der Ergebnisse zur Gesundheitsversorgung sowie Messungen der sozialen Unterstützung und des Patienten durchgeführt Aktivierung. Datensammler sind für die Gruppenzuordnung blind und nicht an der Durchführung der OP-ENS-Intervention beteiligt.

Datenanalyse – Die Forscher werden ein Mixed-Effects-Modell verwenden, wobei jedes Studienergebnis als zeitlich variierende abhängige Variable und Behandlungsgruppe (PHN vs. übliche Pflege) als wichtigster fester Effekt verwendet wird. Baseline-Merkmale wie Rasse/Ethnizität, Geschlecht und sozioökonomischer Status werden als zeitinvariante Kovariaten eingegeben, wenn Baseline-Gruppenunterschiede beobachtet werden (trotz Randomisierung). Das Abfangen des Subjekts wird als Zufallseffekt modelliert. Die Nullhypothese wird abgelehnt, wenn ein signifikanter Gruppenzeit-Interaktionseffekt beobachtet wird. Die Forscher gehen davon aus, dass PHN eine günstigere Steigung der Studienergebnisse aufweisen wird als die entsprechende Kontrollgruppe. Für jede Hypothese wird eine Post-hoc-Analyse durchgeführt, um den Unterschied in jeder Ergebnisvariablen zwischen den beiden Gruppen zu unterschiedlichen Zeitpunkten zu bewerten. Die gemischten Modelle werden mit PROC MIXED von SAS 9.3 (Cary, NC) ausgeführt. Die Schätzmethode ist die Maximum Likelihood (ML). Eine Vielzahl von Kovarianzstrukturen (regressive Struktur erster Ordnung, zusammengesetzte Symmetrie, Toeplitz, Varianzkomponenten, unstrukturiert) werden sorgfältig untersucht und auf die beste Modellanpassung, Akaikes Information (AIC) und Bayesian Information Criteria (BIC) verglichen. Diese Statistiken sind Funktionen der Log-Likelihood und können modellübergreifend verglichen werden. Da fehlende Daten in einer Längsschnittstudie unvermeidbar sind, werden die Werte nach Möglichkeit entweder unter Verwendung von Mittelwertersatz (Median) oder formalen Imputationsverfahren wie dem EM-Algorithmus imputiert, wenn fehlende Daten MCAR (völlig zufällig fehlend) oder MAR (zufällig fehlend) sind. Wenn es sich bei den fehlenden Daten um NMAR-Daten (nicht zufällig fehlende Daten) handelt, wird der „Mustermischungs“-Ansatz verwendet, um einen „gewichteten Durchschnitt“ der Parameter zu berechnen, die mit den fehlenden Daten verknüpft sind, um abzuschätzen, wie die Daten gewesen wären.