Nos pairs - Autonomisation et soutien à la navigation (OP-ENS)

Le but de cette étude est d'évaluer l'efficacité préliminaire et la validité sociale de l'OP-ENS (Our Peers - Empowerment and Navigational Support). une intervention de navigateur de santé par les pairs de 12 mois chante une conception d'essai clinique dans un échantillon d'adultes bénéficiaires de Medicaid vivant dans la communauté et souffrant d'un handicap physique.

Les participants seront recrutés par le biais de réseaux communautaires et cliniques et sélectionnés pour leur admissibilité. Les participants seront assignés au hasard aux groupes d'intervention ou de soins habituels. Les participants au groupe d'intervention seront jumelés à un pair navigateur formé (qui est également une personne ayant un handicap physique). À l'aide d'un processus structuré d'identification des obstacles, d'établissement d'objectifs et de planification d'action, les pairs navigateurs de la santé travailleront avec les participants pour aider à répondre à leurs besoins et préoccupations en matière de soins de santé, y compris des éléments tels que la communication patient-fournisseur, le transport, l'accès à un équipement médical durable. Il est important de noter que les pairs navigateurs de la santé ne sont pas des fournisseurs de soins de santé et ne fournissent pas de conseils médicaux ou de santé. Les participants à l'essai d'intervention sont invités à rencontrer leur pair navigateur de la santé au moins une fois par mois pendant la période d'étude. Pour encourager la participation à cette intervention, des micro-incitations progressives sont intégrées au protocole d'étude. Pour favoriser l'équilibre, un programme de micro-incitation similaire est créé pour le groupe de soins habituels.

Collecte de données - Tous les participants, quelle que soit l'affectation du groupe, seront interrogés à 3 moments (ligne de base, 6 mois, 13 mois) en utilisant des mesures d'auto-évaluation de l'accès aux soins de santé, de la qualité et des résultats ainsi que des mesures de soutien social et patient Activation. Les collecteurs de données seront aveuglés à l'affectation de groupe et ne seront pas impliqués dans la prestation de l'intervention OP-ENS.

Analyse des données - Les enquêteurs utiliseront un modèle à effets mixtes en utilisant chaque résultat de l'étude comme variable dépendante variant dans le temps et le groupe de traitement (PHN vs soins habituels) comme principal effet fixe. Les caractéristiques de base, y compris la race/l'origine ethnique, le sexe et le statut socio-économique, seront saisies en tant que covariables invariantes dans le temps si des différences de groupe de base sont observées (malgré la randomisation). L'interception du sujet sera modélisée comme un effet aléatoire. L'hypothèse nulle sera rejetée si un effet significatif d'interaction groupe*temps est observé. Les enquêteurs émettent l'hypothèse que PHN aura une pente de trajectoire plus favorable des résultats de l'étude que le groupe témoin apparié. Pour chaque hypothèse, une analyse post-hoc sera effectuée pour évaluer la différence dans chaque variable de résultat entre les deux groupes à différents moments. Les modèles mixtes fonctionneront à l'aide de PROC MIXED de SAS 9.3 (Cary, NC). La méthode d'estimation sera le maximum de vraisemblance (ML). Une variété de structures de covariance (régressive du premier ordre, symétrie composée, toeplitz, composantes de variance, non structurées) sera soigneusement examinée et comparée pour le meilleur ajustement du modèle, l'information d'Akaike (AIC) et les critères d'information bayésiens (BIC). Ces statistiques sont des fonctions de la vraisemblance logarithmique et peuvent être comparées entre les modèles. Comme les données manquantes sont inévitables dans une étude longitudinale, les valeurs seront imputées dans la mesure du possible en utilisant soit un substitut moyen (médian) soit des procédures d'imputation formelles telles que l'algorithme EM si les données manquantes sont MCAR (manquant complètement au hasard) ou MAR (manquant au hasard). Si les données manquantes sont NMAR (non manquantes au hasard), l'approche "mélange de modèles" sera utilisée pour calculer une "moyenne pondérée" des paramètres associés aux données manquantes pour estimer ce que les données auraient été.