Nos pairs - Empowerment and Navigational Support - Community Living: Remote Peer Navigator Intervention pour les adultes ayant un handicap nouvellement acquis en transition vers la vie communautaire (OP-ENS -CL) (OP-ENS-CL)

Le but de cette étude est d'évaluer l'efficacité et la validité sociale des opérations opérationnelles - CL (nos pairs - l'autonomisation et le soutien de la navigation - la vie communautaire), une intervention de navigateur de pairs à 12 mois à l'aide d'une conception d'essais cliniques dans un échantillon d'adultes ayant des handicaps physiques nouvellement acquis avec des déficiences physiques en transition vers la vie communautaire.

Les participants seront recrutés via des réseaux communautaires et cliniques et projetés pour l'admissibilité. Les participants seront assignés au hasard aux groupes d'intervention ou de soins habituels. Les participants au groupe d'intervention seront jumelés avec un navigateur de santé par les pairs formé (qui est également une personne handicapée physique). L'utilisation d'un processus de structure d'identification des obstacles, de définition d'objectifs et de planification des actions, les navigateurs de santé homologues, travailleront avec les participants pour aider à répondre à leurs besoins et préoccupations de soins de santé, y compris des éléments tels que la communication, le transport, l'accès à l'accès à des équipements médicaux durables. Il est important de noter que les navigateurs de santé par les pairs ne sont pas des prestataires 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 navigateur par les pairs au moins une fois par mois pendant la période d'étude. Pour encourager la participation à cette intervention, les micro-incurateurs progressifs sont intégrés dans le protocole d'étude. Pour promouvoir Equilisme, un calendrier micro-incentiel similaire est créé pour le groupe de soins habituel.

Collecte de données - Tous les participants, quelle que soit la mission de groupe, seront interrogés à 3 points de temps (ligne de base, 6 mois, 13 mois) en utilisant une mesures d'auto-évaluation de l'accès aux soins de santé, de la qualité et des résultats ainsi que des mesures du soutien social et de l'activation des patients. Les collecteurs de données seront aveugles à l'attribution de groupe et non impliqués dans la livraison de l'intervention OP-ENS - CL.

Analyse des données - Les chercheurs utiliseront un modèle à effets mixtes en utilisant chaque résultat de l'étude comme variable dépendante du temps et groupe de traitement (PHN vs soins habituels) comme principal effet fixe. Les caractéristiques de référence, y compris la race / ethnique, le sexe et le statut socioéconomique, 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 d'interaction de groupe significatif * est observé. Les enquêteurs émettent l'hypothèse que PN 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 mixte à partir de SAS 9.3 (Cary, NC). La méthode d'estimation sera le maximum de vraisemblance (ML). Une variété de structures de covariance (régressement du premier ordre, symétrie composée, toeplitz, composantes de variance, non structurées) seront soigneusement examinées et comparées pour le meilleur ajustement du modèle, les informations d'Akaike (AIC) et les critères d'information bayésienne (BIC). Ces statistiques sont des fonctions de la vraisemblance du log 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 des procédures de substitut moyen (médian) ou d'imputation formelle telles que l'algorithme EM si les données manquantes sont MCAR (manquantes complètement au hasard) ou MAR (manquant au hasard). Si les données manquantes sont NMAR (non manquantes au hasard), l'approche "mélange de motifs" sera utilisée pour calculer une "moyenne pondérée" des paramètres associés aux données manquantes pour estimer les données.