Von Angesicht zu Angesicht oder digital bereitgestellte Arthrose-Erstbehandlung?

Gemäß internationalen Richtlinien sollten Bewegung und Aufklärung die Maßnahmen der ersten Wahl für Menschen mit Knie- und Hüftarthrose (OA) darstellen und haben sich als wirksam bei der Verringerung der OA-Symptome erwiesen, unabhängig vom Schweregrad der Erkrankung. Um diese Richtlinien umzusetzen, wurde das Better Management of Patients with OsteoArthritis (BOA) entwickelt, ein persönliches Konzept, das Schulungen und eine Option für Bewegung umfasst, und wird seit 2008 in Kliniken der Grundversorgung in Schweden angeboten. Herkömmliche Face-to-Face-Interventionen weisen jedoch Hindernisse auf, wie z. B. begrenzten Zugang und mangelnde Flexibilität, die die Einhaltung der Interventionen durch die Patienten einschränken können. Um solche Barrieren zu überwinden, wurde 2014 ein digitales Selbstmanagementprogramm (Joint Academy) gestartet, das auf dem BOA-Konzept basiert. Obwohl berichtet wurde, dass beide Entbindungsmethoden die OA-Symptome bei Patienten mit Hüft- und/oder Knie-OA reduzieren, ist wenig darüber bekannt, ob die Ergebnisse digitaler Interventionen mit traditionellen Rehabilitationsprogrammen von Angesicht zu Angesicht vergleichbar sind. In dieser retrospektiven registerbasierten Studie werden wir die Ergebnisse der zwei verschiedenen Modalitäten der Erstlinienbehandlung (face-to-face vs. digital) nach 3-monatiger Programmteilnahme anhand von Daten aus den BOA- und Joint Academy-Registern vergleichen. Das Hauptergebnis wird die selbstberichtete Veränderung der Schmerzen zwischen dem Ausgangswert und der dreimonatigen Nachbeobachtung sein, und die sekundären Ergebnisse werden die Änderung der selbstberichteten Gehschwierigkeiten, die Bereitschaft zu Gelenkoperationen und die gesundheitsbezogene Lebensqualität zwischen dem Ausgangswert und dem dreimonatigen Follow-up sein .

Statistische Analyse In diese Studie schließen wir alle Teilnehmer des digitalen Programms ein, die die unten aufgeführten Auswahlkriterien erfüllen (n > 2000). Diese Teilnehmer werden mithilfe des Propensity-Scoring-Ansatzes 1:1 den Teilnehmern im BOA-Register zugeordnet. Als klinisch bedeutsamer Mindestunterschied wird typischerweise eine Einheit auf einer NRS-Skala von 0–10 angesehen. Um ein 95-%-Konfidenzintervall für den Unterschied zwischen den Gruppen mit einer Breite von höchstens 0,5 Einheiten (d. h. sehr genau) in einer Stichprobe mit einer typischen Standardabweichung von 1,5 benötigen wir mit einer Wahrscheinlichkeit von 99 % insgesamt ~630 Patienten.

Wir werden Beobachtungsdaten verwenden, um eine Äquivalenzstudie zu emulieren, in der die Wirkung einer digital durchgeführten Erstlinienintervention und einer persönlich durchgeführten Erstlinienintervention für Menschen mit Arthrose der Hüfte oder des Knies auf Gelenkschmerzen verglichen wird. Um die Äquivalenz zwischen den Interventionen herzustellen, sollte sich die Schmerzänderung nach der Intervention um weniger als 1 Punkt auf einer NRS-Schmerzskala von 0-10 unterscheiden. Dieser Grenzwert wurde basierend auf früheren Arbeiten ausgewählt, bei denen eine 1-Punkt-Änderung als MCID bei Menschen mit OA identifiziert wurde. Das Hauptergebnis wird mithilfe eines Propensity-Score-Matching-Ansatzes analysiert. Wir werden den Propensity-Score mithilfe eines logistischen Regressionsmodells schätzen, bei dem wir den Behandlungsstatus auf die beobachteten Ausgangsmerkmale der Teilnehmer regressieren. Die in den Neigungs-Score aufzunehmenden Merkmale werden unter Verwendung der disjunktiven Ursachenkriterien ausgewählt, einschließlich Faktoren, die in der Analyse als Ursachen für die Behandlungszuweisung (Exposition) und/oder die Schmerzänderung (Ergebnis) identifiziert wurden. Wir werden den Nächsten-Nachbarn-Matching verwenden, um Kontrollen (BOA-Teilnehmer) auszuwählen, deren Neigungswert dem des behandelten Subjekts am nächsten kommt. Darüber hinaus werden wir eine optimale Matching-Strategie verwenden, um die Gesamtdifferenz innerhalb eines Paares des Neigungs-Scores zu minimieren. Unterschiede innerhalb eines Paares im Hauptergebnis werden unter Verwendung eines gepaarten t-Tests analysiert. Abschließend werden wir die Analyse für den Ausgangsschmerz anpassen, um die Genauigkeit der Schätzungen zu erhöhen und die Regression auf den mittleren Effekt zu minimieren