Gute-Nacht-Schlafprogramm zur Verbesserung des Schlafes von Kindern und Familien (GNSP)

Kinder aus wirtschaftlich benachteiligten Familien haben im Vergleich zu Kindern aus wohlhabenderen Familien einen kürzeren und schlechteren aktigraphisch ermittelten Schlaf sowie größere subjektive Schlafprobleme. Diese Schlafunterschiede hängen mit allgemeinen Gesundheitsunterschieden zwischen sozioökonomischen Schichten sowie mit Unterschieden in der psychosozialen und akademischen Entwicklung von Kindern zusammen. Eine Schlafintervention für Kinder in sozioökonomisch benachteiligten Familien könnte sozioökonomische Unterschiede im Schlaf verringern, mit möglichen nachgelagerten Auswirkungen auf breitere sozioökonomisch bedingte Unterschiede in der körperlichen und geistigen Gesundheit sowie in der akademischen Leistungsfähigkeit. Untersuchungen zu den Schutzfunktionen des Schlafs legen nahe, dass der Nutzen des Schlafs für Kinder in wirtschaftlich benachteiligten Familien möglicherweise noch größer ist. Daher ist die Verbesserung des Schlafes eine potenziell wirksame Strategie zur Verringerung gesundheitlicher Ungleichheiten.

Die Ermittler werden eine nicht zufällige, zielgerichtete Pilotstichprobe von 30 Eltern-Kind-Dyaden (insgesamt 60 Teilnehmer) rekrutieren durch das Alabama Extension at Auburn University Supplemental Nutrition Assistance Program – Education (SNAP-Ed) für Kinder aus einkommensschwachen Familien in Alabama Grundschulen. Die Studieninformationen werden den Kindern der teilnehmenden Schulen nach Hause geschickt. Das primäre Einschlusskriterium besteht darin, dass die Kinder Anspruch auf ein kostenloses oder ermäßigtes Schulessen haben. Die Teilnehmer werden nach dem Zufallsprinzip Wartelisten-Kontroll- oder Interventionsgruppen zugeordnet. Die Intervention passt etablierte evidenzbasierte Motivationspraktiken an, um die Schlafumgebung und Schlafhygienepraktiken von Kindern und Familien zu verändern. In Woche 0 geben die Teilnehmer eine umfassende Bewertung der Schlafumgebung und der Schlafhygienepraktiken ab und erhalten als Basisdaten eine Fitbit-Uhr, die sie für die Dauer der Studie tragen können. In Woche 2 erhalten die Teilnehmer Informationen über die Vorteile von gutem Schlaf, Feedback zu ihrer Schlafumgebung und ihren Schlafhygienepraktiken auf der Grundlage der Bewertungsdaten, die sie zu Hause umsetzen können, sowie Elemente zur Änderung der Schlafumgebung auf der Grundlage der von den Teilnehmern identifizierten Bedarfsbereiche (z. B. Ventilator, Soundmaschine, Bettwäsche). In Woche 4 werden die Familien in der Interventionsgruppe Bewertungsdaten nach der Intervention und Feedback zur Intervention bereitstellen, und Familien in der Wartelisten-Kontrollgruppe können sich dafür entscheiden, die Intervention zu erhalten, wenn sie dies wünschen. Die wichtigsten Variablen von Interesse sind subjektive Berichte über den Schlaf, Schlafumgebungen, Schlafhygienepraktiken und objektive Schlafdaten mittels Schlafaktivigraphie, die mit Fitbit-Uhren gesammelt wurden, die in den drei Bewertungszeiträumen über vier Wochen getragen wurden.

Das Forschungsdesign ist ein Experiment zwischen Probanden mit Bewertungen vor und nach der Intervention, auch als randomisierte klinische Studie bezeichnet. Hierbei handelt es sich um ein methodisch strenges Design mit hoher interner Validität, das kausale Rückschlüsse auf alle beobachteten Auswirkungen der Intervention ermöglicht. Eine zufällige Zuordnung zu Bedingungen trägt dazu bei, sicherzustellen, dass die Interventions- oder Wartelisten-Kontrollgruppen vor der Intervention gleichwertig sind und dass spätere Änderungen nicht auf anfängliche Gruppenunterschiede zurückzuführen sind.

Durch die Datenanalyse wird die Gruppenäquivalenz in Bezug auf Schlafvariablen vor der Intervention, Gruppenunterschiede im Schlaf nach der Intervention und Unterschiede zwischen den Gruppen bei der Veränderung des Schlafs vor und nach der Intervention bewertet. In Übereinstimmung mit den Best Practices in der Datenverwaltung und -analyse werden Variablen im Rahmen vorläufiger Analyseverfahren, die in unserem Labor seit langem etabliert sind, auf fehlende Muster, Normalität und Ausreißerpunkte untersucht.

Primäre Analysen werden den innovativen Schwerpunkt auf Kindern, Eltern und Familien als Untersuchungseinheiten berücksichtigen. Insbesondere sind die Schlafvariablen von Kindern und Eltern wahrscheinlich nicht unabhängig, da sie zur selben Familie gehören und viele der gleichen Merkmale der Schlafumgebung aufweisen. Die Nichtunabhängigkeit der Daten aufgrund der Verschachtelung innerhalb von Familien verstößt gegen eine Grundannahme des allgemeinen linearen Modells, das vielen statistischen Analysen zugrunde liegt. Die Nichtberücksichtigung der Familienverschachtelung würde wahrscheinlich zu verzerrten und weniger genauen Ergebnissen führen. Ebenso ist es wahrscheinlich, dass wiederholte Messungen von Schlafvariablen bei den Teilnehmern nicht unabhängig sind. Mit anderen Worten: Wiederholte Messungen sind innerhalb von Teilnehmern verschachtelt und Teilnehmer sind innerhalb von Familien verschachtelt. Bei der Mehrebenenmodellierung (auch hierarchische lineare Modellierung genannt) werden nicht unabhängige Daten angemessen berücksichtigt, indem die Variabilität der interessierenden Variablen in eine Ebene innerhalb des Einzelnen, eine Ebene zwischen Einzelpersonen und eine Ebene zwischen Familien unterteilt wird, um zu den statistisch gültigsten Schätzungen zu gelangen der Veränderung der Schlafvariablen aufgrund des Eingriffs.

A-priori-Power-Analysen wurden mithilfe der Monte-Carlo-Funktion im Mplus-Statistiksoftwarepaket durchgeführt, um den Bereich der Effektgrößen zu bestimmen, die angesichts der vorgeschlagenen Stichprobengröße, des Alpha-Levels (auf 0,05 eingestellt) und der minimal akzeptablen Power (auf eingestellt) erkannt werden konnten .80). Das Forschungsdesign generiert mehrstufige Daten mit 180 wiederholten Messungen von Variablen (drei Messereignisse pro Individuum), die in 60 Individuen verschachtelt sind, die wiederum in 30 Familien verschachtelt sind. Die primäre unabhängige Variable, die Bedingung (d. h. Wartelistenkontrolle oder experimentell), existiert sowohl auf individueller als auch auf familiärer Analyseebene.

Auf individueller Ebene (n = 60) ist die Studie darauf ausgelegt, eine kleine oder größere Effektgröße von etwa F ≥ 0,3 zu erkennen; D ≥ 0,6; R2 ≥ .08. Im Klartext: Wenn die Intervention 8 % oder mehr der zwischenindividuellen Unterschiede in einer Messvariablen erklärt, werden die Analysen darauf ausgelegt, diesen Effekt zu erkennen. Auf Familienebene (n = 30) ist die Studie darauf ausgelegt, eine mittlere oder größere Effektgröße von etwa F ≥ 0,4 zu ermitteln; D ≥ 0,8; R2 ≥ .14. Wenn die Intervention 14 % oder mehr der Unterschiede zwischen Familien in einer gemessenen Variablen erklärt, werden die Analysen darauf ausgelegt, diesen Effekt zu erkennen. Der Schwerpunkt dieses Pilotprojekts liegt auf der praktischen Aussagekraft von Effektgrößen, die auf die Notwendigkeit einer Replikation in größerem Maßstab hinweisen.