Evaluar el efecto de la intervención de agua limpia, saneamiento e higiene de Planet Water Foundation

Se necesita un enfoque multidimensional para cumplir con los Objetivos de Desarrollo del Milenio (ODM) para abordar el conocimiento, las actitudes y las prácticas de higiene del agua y el saneamiento. El ODM de reducir la mortalidad infantil para 2015 requerirá un mayor enfoque en los países y regiones donde las tasas de mortalidad infantil son las más altas, y un compromiso renovado para llegar a los niños más vulnerables (ONU, 2013). India y Nigeria representan más de un tercio de todas las muertes de niños menores de cinco años (ONU, 2013). Usando una combinación de una revisión de la literatura basada en la investigación, la opinión de expertos y los informes de políticas, se desarrolló un modelo multifactorial para determinar las variables necesarias que deben abordarse para poder diseñar un enfoque integrado de los problemas relacionados con WASH.

Se identificaron variables que impactan los resultados de WASH. Estas variables se han clasificado en varias categorías, entre ellas:

1. Sociodemografía
2. Ambiental y Acceso
3. Conocimientos, Actitudes y Prácticas
4. Perfil de Salud Familiar
5. Características de la escuela

El estudio propuesto consiste en realizar un ensayo clínico de control aleatorio para cumplir con los objetivos generales del estudio mediante la evaluación del Programa de la Fundación Planet Water a través del marco multidimensional desarrollado. El ensayo clínico propuesto incluirá 12 escuelas (6 residenciales y 6 no residenciales). Seis escuelas (n=3 residenciales; n=3 no residenciales) se incluirán en el Grupo 1 (sin intervención de Planet Water) y en el Grupo 2 (con intervención de Planet Water) de dos ubicaciones, incluidos los distritos de Pune y Thane en el estado de Maharashtra. Las ubicaciones se combinaron en función de fuentes de agua similares en la escuela, instalaciones sanitarias, pruebas de calidad del agua, técnicas de purificación del agua, entorno geográfico y tamaño de la población geográfica.

El Programa de la Fundación Planet Water (PWP) proporciona un programa escolar con el objetivo de mejorar los resultados de salud en los niños utilizando tres componentes: (a) acceso a agua potable, (b) acceso a instalaciones para lavarse las manos y (c) acceso al agua. -Educación en higiene y salud. Como parte del PWP, el acceso a agua segura se proporciona mediante el uso de un AquaTower, que incorpora un sistema de Ultra Filtración (UF). El programa educativo sobre agua, salud e higiene de PWP es un programa de cuatro semanas que incluye cuatro módulos: (1) la importancia del agua limpia, (2) cómo lavarse las manos, (3) cuándo lavarse las manos y (4) protección contra los gérmenes a través de un programa práctico basado en actividades que incorpora juegos, teatro, canciones y danza.

Se utilizó un enfoque de métodos mixtos con preguntas abiertas y de opción múltiple en forma de cuestionarios. Los cuestionarios se tradujeron del inglés al idioma local (marathi) y se retrotradujeron al inglés para su análisis por parte de la Fundación de Investigación para el Desarrollo BAIF en India. Los estudiantes, los cuidadores/padres del hogar y los maestros recibieron cuestionarios separados. Se realizaron tres entrevistas diferentes: (1) un cuestionario de hogar realizado en el hogar de cada estudiante incluido en el estudio, (2) un cuestionario de maestro administrado en las escuelas, y (3) un cuestionario de estudiante administrado con cada estudiante individualmente por el entrevistador. en una habitación separada lejos de otros estudiantes. El Grupo 1 y el Grupo 2 recibieron los mismos cuestionarios. Todos los cuestionarios se administraron en cooperación con BAIF Development Research Foundation, una fundación local en India. La fundación recibió capacitación en recopilación e ingreso de datos antes del estudio. Los datos se recopilarán en formularios en papel y todos los datos se ingresarán en Microsoft Excel®. El depósito de datos en línea se almacenará de forma encriptada y estará protegido con contraseña. La información se almacenará detrás de un firewall seguro proporcionado por la fundación de investigación local en India. Todos los datos recopilados en los formularios en papel se almacenarán en un gabinete cerrado con llave, y solo aquellas personas que estén directamente involucradas en la investigación tendrán acceso a la información. El consentimiento se obtendrá asegurándose de que (1) solo el personal aprobado esté presente durante el proceso de consentimiento, (2) el menor número posible de personas sepa de la participación del sujeto en la investigación y (3) las actividades de investigación se realicen en forma privada. lugar como sea posible.

La muestra del estudio incluirá seis escuelas del Grupo 1 (sin intervención de PWP) y seis escuelas del Grupo 2 (con intervención de PWP), con 60 estudiantes por escuela para un total de 360 ​​estudiantes en las escuelas del Grupo 1 y 360 estudiantes en las escuelas del Grupo 2. El tamaño de la muestra entre las 12 escuelas se calculó asumiendo un coeficiente de correlación intra-conglomerado de p=0,01, este diseño proporcionará un poder del 80% (Donner y Klar, 1996) para detectar un tamaño del efecto medio (Cohen 1992) de 0,50. El tamaño de la muestra se incrementará en un 15%, a 414 para intervención y control, para tener en cuenta la deserción.

Se calcularán estadísticas descriptivas para todas las variables a fin de garantizar la calidad de los datos y evaluar los supuestos de las pruebas estadísticas. Las distribuciones variables se describirán con histogramas, diagramas de caja, tendencias centrales, medidas de variación y distribuciones de frecuencia. Probaremos la suposición de normalidad para las medidas de resultado, dentro de los grupos PWP y de control. Además, probaremos la suposición de que los grupos PWP y de control tienen varianzas iguales. Los modelos mixtos lineales generalizados (GLMM) con varianzas desiguales (McCulloch et al., 2008) se pueden aplicar cuando no se cumplen las condiciones ideales de normalidad y varianzas iguales. La prueba de igualdad de varianzas está disponible con la instrucción COVTEST, que se basa en la relación de probabilidades residuales o pseudoprobabilidades. Se examinarán los residuos en cada nivel del modelo para evaluar el ajuste del modelo. Los modelos mixtos lineales generalizados que usan SAS PROC GLIMMIX también brindan la flexibilidad para modelar diferentes tipos de variables de resultado (datos binarios, de conteo y continuos). Todos los análisis se realizarán utilizando el software SAS/STAT® para Windows versión 9.2 o superior.

Antes de probar las hipótesis del estudio, examinaremos los datos en busca de posibles covariables. Las posibles variables de confusión se controlarán ingresando estas variables como covariables en los modelos de regresión. Estas variables explicativas mejorarán la detección de los efectos del tratamiento al ingresar estas variables como covariables en los GLMM. Estas variables se ingresarán como una covariable si la prueba de chi-cuadrado univariante de dos caras que compara los grupos PWP y de control es significativa en el nivel alfa de 0.20. En el análisis preliminar, examinaremos las covariables potenciales usando un solo nivel; sin embargo, también examinaremos las covariables potenciales usando modelos lineales jerárquicos. Usaremos un alfa liberal de 0.20 para la decisión de ajustar por una covariable para que no se pasen por alto los efectos de confusión importantes.

Estructura de datos jerárquicos y correlacionados: se utilizará un enfoque de modelos lineales jerárquicos (HLM) (Raudenbush y Bryk, 2002) para dar cuenta de la correlación inducida por mediciones repetidas a lo largo del tiempo para estudiantes anidados dentro de las escuelas. La escuela se modelará como un efecto aleatorio. Estos HLM se implementarán en SAS utilizando modelos mixtos lineales generalizados, que se pueden aplicar para analizar datos binarios, de conteo y de medición repetida continua, recopilados en intervalos de tiempo desiguales siguiendo una estructura jerárquica (McCulloch y Searle, 2001; Liang y Zeger 1986). Estos modelos abordan la naturaleza correlacionada de múltiples mediciones que provienen de cada sujeto a lo largo del tiempo. Anticipamos que los modelos lineales generalizados serán apropiados para los datos, pero también exploraremos el uso del método de ecuaciones de estimación generalizadas (GEE) (McCulloch y Searle, 2008). El método GEE no requiere suposiciones de normalidad y varianzas iguales, pero utiliza menos información que los modelos mixtos lineales, ya que en GEE solo se emplean los dos primeros momentos de la distribución.