Egészségfejlesztő munkarendek: A gyors visszatérés megszüntetésének hatása (HeWoS)

Célok Ez egy kétágú klaszteres, randomizált, kontrollált vizsgálat, amely felméri a hat hónapig tartó gyors visszatérés nélküli műszakos munkarend következményeit, összehasonlítva a gyors visszatérést tartalmazó ütemtervvel. Először is megvizsgáljuk, hogy a hat hónapos beavatkozási periódus során a betegség miatti távollétekben milyen eltérések mutatkoznak. Másodszor megvizsgáljuk, hogy vannak-e eltérő változások többek között az alvásban és a működésben, a testi és lelki egészségben, a munkahelyi balesetekben és a forgási szándékban. Harmadszor, megvizsgáljuk, hogy a műszakos munka toleranciájával összefüggő egyéni jellemzők, beleértve a nemet, az életkort, a személyiséget és a szubjektíven bejelentett alvásigényt, mérséklik-e a gyors megtérülés negatív hatásait az elsődleges és másodlagos kimenetelekre. Végül a tanulmány azt vizsgálja, hogy az olyan egyéni tényezők, mint a munkaidővel való elégedettség, a munkával való elégedettség, a munkával való elköteleződés és a munka és a család közötti interferencia mérséklik-e a gyors megtérülés negatív hatásait az elsődleges és másodlagos eredményekre.

Kutatási terv Egy klaszter randomizált, kontrollált vizsgálatot végeznek, amely összehasonlítja a gyors megtérülést (beavatkozást) megszüntető munkarendet a normál mennyiségű gyors megtérülést (kontroll) fenntartó munkarenddel. A klaszterek olyan kórházi egységeket képviselnek, amelyeket véletlenszerűen választanak ki a beavatkozás fogadására (vagy nem fogadására). A „gyors visszatérések normál mennyisége” azt jelenti, hogy az elmúlt években az adott kórházi egységben bevett gyakorlat (azaz amikor nem történt kifejezett változtatás a munkarendben), ami azt jelenti, hogy a gyors visszatérések teljes száma évi 329 és 2356 között változik. A kórházi egységeket 2020 szeptemberében véletlenszerűen a két állapot valamelyikébe sorolták be, amelyek közül 2020 őszét a 2021-es műszakbeosztás megtervezésével töltötték (azaz az intervenciós csoportnál a gyors visszatéréseket, a kontrollcsoportnál pedig a gyors visszatérést érintetlenül hagyták). a beavatkozási időszak a legtöbb egység esetében 2021. február/március között kezdődik. Ebben a vizsgálatban a beavatkozási időszak hat naptári hónap. Ebben a kísérletben a legtöbb egység 2021 februárjában/márciusában kezdi meg a beavatkozási időszakot, de néhány egység gyakorlati okokból a rotációs év második felében, azaz 2021 augusztusában/szeptemberében vagy később kezdi meg a beavatkozási időszakot.

Az elsődleges eredmény a kórházi nyilvántartásból leolvasott betegség miatti távollét (beleértve a rövid és hosszú távú betegszabadságot is). Az alapmérés a beavatkozást megelőző év betegségi hiánya lesz, amelyet minden egyes résztvevő esetében időtartam és évszak tekintetében a beavatkozási időszakhoz igazítanak. A betegség miatti hiányzási adatok a kórház által vezetett helyi nyilvántartásból kerülnek lekérésre (Vedaa, Pallesen et al. 2017). Ez a nyilvántartás információkat tartalmaz az egyes alkalmazottak távollétének időpontjáról, ami azt jelenti, hogy mind a rövid, mind a hosszú távú betegség miatti távolléttel kapcsolatos információkat tartalmaz. Ezen túlmenően ezek az adatok tartalmazzák azt az információt is, hogy a távollét saját igazolása, vagy orvos igazolta-e, hogy a távolmaradás oka egy beteg gyermek, akiért a munkavállaló gondozói felelőssége van, és hogy a távolmaradás oka-e a COVID- 19 kapcsolódó probléma (pl. karantén). A nyilvántartási adatok felhasználásához egyéni hozzájárulás nem szükséges. Mindazonáltal a vizsgálat beleegyezésen alapuló részét is lefolytatják, amelyben a másodlagos kimenetelű méréseket kérdőíven gyűjtik össze az alaphelyzetben és a hat hónapos követés során. A véletlen besorolású egységek minden alkalmazottját (n ≈ 4000) felkérik egy digitális kérdőív kitöltésére, amely elérhető a kórház belső honlapján. Az alapállapot-értékelés a beavatkozási időszak előtt, a nyomonkövetési értékelés pedig a beavatkozási időszak vége felé történik. Egy részmintát (n ≈ 50) meg kell kérni, hogy objektíven rögzítse az alvását fejlett radartechnológiával (Somnofy™) és szubjektíven alvásnaplókkal ≥1 hétig az alapvonalon, illetve a nyomon követési értékeléseknél.

A résztvevők és az eljárás Toborzás Ezt a vizsgálatot a Haukeland Egyetemi Kórház humán erőforrás osztályával szoros együttműködésben hajtják végre. A kórházban 24 órás személyzettel rendelkező összes kórházi ellátó egység véletlenszerű besorolásra kerül, amelybe a műszakban dolgozó egészségügyi dolgozók is beletartoznak, az orvosok kivételével. Az orvosok nem fognak szerepelni, mivel gyakran eltérő műszakbeosztással és kompenzációs rendszerrel rendelkeznek, mint a többi foglalkozási csoportban. A továbbiakban „minden alkalmazott” az orvosok kivételével a randomizált kórházi egységeken műszakos munkát végző egészségügyi dolgozókat jelenti. A randomizált kórházi egységek minden alkalmazottját (n ≈ 4000) felkérik, hogy töltsön ki egy kérdőívet a beavatkozási időszak előtt és végén. A vizsgálat ezen részéhez a toborzás a kórház belső honlapján keresztül történik. A kórház kutatói és humánerőforrás-szakemberei részt vesznek a személyzeti értekezleten az összes érintett egységben, hogy tájékoztassák a kutatási projektről és ösztönözzék a részvételt. Egy n ≈ 50 fős, véletlenszerűen kiválasztott alkalmazottból álló alminta (egyenletesen elosztva a beavatkozástól és a vezérlőegységektől) kerül toborzásra a próba alvásfigyelő részébe.

Randomizálás és maszkolás Ebben a kísérletben a randomizálás a klaszterek szintjén történt, amelyben a kórházi egységek alkották a klasztereket. A kórházi egységek eltérőek lehetnek attól függően, hogy mennyi személyzetre van szükségük a nap 24 órájában, ezért a munkarend és például a gyors hazaérkezések és éjszakai műszakok előfordulása egységenként eltérő lehet. Ezért a hasonló egységeket az alapján csoportosították, hogy bizonyos tulajdonságokkal vagy jellemzőkkel rendelkeznek. Ezután rétegzett randomizálást végeztünk a két vizsgálati körülményre 1:1 arányban. Az egyik alcsoport állhat például sürgősségi, egy másik intenzív terápiás, egy mentálhigiénés, egy anyasági ellátással stb. Összesen 10 rétegünk volt, és az egyes rétegek mérete 2 és 19 kórházi egység között változott. Az egyes rétegekhez tartozó randomizációs listát a www.randomization.com online randomizációs weboldal hozta létre, és az egyes rétegekhez tartozó listát elmentették.

Nem lehetséges, hogy a résztvevők elvakítsák azt a csoportot, amelyhez hozzá vannak rendelve. A statisztikai elemzéseket azonban egy olyan kutató végzi el, aki álcázza magát a csoportos allokációnak.

A minta mérete Ebben a kísérletben a Haukeland Egyetemi Kórház összes rendelkezésre álló kórházi egysége, ahol az egészségügyi dolgozók váltakozó műszakban dolgoznak, alkalmasságát értékelik. Ez 76 egységből és 4260 egészségügyi dolgozóból áll. Korábbi publikált adatok5 alapján úgy számoltuk, hogy összesen 2028 résztvevő elegendő ahhoz, hogy a betegszabadság napjaiban 0,9 és 1,25 legyen, 0,1-es ICC és 52 egység átlagos nagysága mellett (a számítás: StataCorp. 2015).33 Így a tervezett toborzási stratégiával (azaz >70 egység és >4000 egészségügyi dolgozó meghívása) várhatóan túllépjük ezt a számot, és jóval az elsődleges kimeneti változóhoz szükséges résztvevők számán belül maradunk.

Adatelemzési terv Minden elemzést a kezelni szándékozott populáció alapján végeznek el, hacsak másként nem szerepel. A gyors megtérülést csökkentő műszakbeosztás elsődleges és másodlagos eredményekre gyakorolt ​​hatásainak vizsgálatához a megfigyelt arányokat vagy pontszámokat látens növekedési modellek (vagy más egyenértékű modellek, például általánosított lineáris vegyes modellek) segítségével elemzik. A beavatkozási időszak előtt és alatt megfigyelt arányokat vagy pontszámokat véletlenszerű metszésponttal és rögzített meredekséggel modellezik. A beavatkozás hatását a csoportváltozó (beavatkozás vs. kontroll) segítségével becsüljük meg a meredekség előrejelzőjeként. A csoportok közötti hatásméretek (Cohen-féle d) kiszámítása úgy történik, hogy az alapvonaltól a követési értékelésig mért pontszámok becsült változásának átlagos különbségét elosztjuk a kiindulási állapot összesített SD-vel. Becslőként a robusztus maximális valószínűséget fogják használni, amely elfogulatlan becsléseket ad, feltételezve, hogy véletlenszerűen hiányoznak az adatok (Enders 2010), amely részben teljesülhet az alapértékek modellbe való felvételével. Ebben a vizsgálatban az elsődleges eredménymérő a kórházi nyilvántartásból lehívott betegség miatti hiányzási adatok, amelyekben nem számítunk hiányzó adatokra. Mindazonáltal indokolt elvárni néhány hiányzó adatot a másodlagos eredménymérőkről, mivel az adatokat kérdőíven vagy az alvásradaron keresztül gyűjtik.

Mivel a nyomon követési kérdőívhez és az alvásradar-értékeléshez bizonyos adatok nem véletlenszerűen fognak hiányozni, az eredmények robusztusságát a hiányzó véletlenszerű feltételezés mellett érzékenységi elemzésekkel fogják tesztelni, amelyekben a nyomon követéskor hiányzó pontszámokat minden egyes egyedre vonatkozó alapértékekkel helyettesítik. Ezeket az érzékenységi elemzéseket csak a kiválasztott változókon hajtjuk végre, attól függően, hogy az adott cikk fókuszában van.

A kezelési szándék elemzéseket kiegészíthetik a kiválasztott protokollonkénti elemzések, amelyekben a bérszámfejtési adatok alapján meghatározzuk azt a csoportot, amelyik a beavatkozási időszakban teljesen megszüntette, vagy kielégítően csökkent a gyors visszaküldések száma.

A betegszabadság elsődleges kimenetelét főként az adott időszakban eltöltött betegségi hiányzási napok és időszakok (varázslatok) összesített számában elemezzük az intervenciós időszakhoz képest (Vedaa, Pallesen et al. 2017). A betegség miatti távollét modelljei az ilyen típusú adatoknál a nulla inflációt veszik figyelembe. A betegség miatti távollét egyéb operacionalizálása is megfontolható a szakirodalom ajánlásaival összhangban (Hensing, Alexanderson et al. 1998). A betegség miatti hiányzási adatok további vizsgálatához más modellek alkalmazását is megfontoljuk, ahol az időt eltérően kezeljük. Például olyan modelleket fogunk megvizsgálni, amelyekben az első betegszabadság-epizód idejét vizsgáljuk a két intervenciós csoport esetében, a gyors visszatérések számának időfüggő kovariánsával (vagyis egy olyan változóval, amely minden alkalommal 1-gyel nő gyors megtérülése van). Egy másik lehetőség az, hogy a résztvevők "0"-ról kezdenek minden alkalommal, amikor az illetőnek gyors visszatérése van, és az utolsó gyors visszatéréstől az első következő betegszabadságig terjedő időt mérjük, miközben az ismételt megfigyelésekhez igazodunk pl. robusztus varianciabecslés (a nem gyors megtérülési csoportot ezután csak a beavatkozás kezdetétől követjük, mivel valójában nincs gyors megtérülésük). Egy másik lehetőség a betegszabadságtól a munkába való visszatérésig eltelt idő modelljének felállítása.

Mivel a gyors visszatérés nélküli munkarend bevezetése más, nemkívánatos jellemzők növekedésével (pl. több egymást követő esti műszak) más beosztást is maga után vonhat, megfontoljuk az ilyen jellemzőkhöz igazodó elemzések elvégzését.

A közvetítői és moderátori elemzéseket feltáró céllal végezzük, az ilyen elemzések alapelve alapján a randomizált, kontrollált vizsgálatokban, ahogy azt mások is leírták (pl. Kraemer, Wilson et al. 2002). Például a demográfiai adatokkal, az alvással kapcsolatos személyiségjegyekkel (rCTI és MEQ), a mentális egészséggel kapcsolatos adatok egy része felhasználható olyan tényezők vizsgálatára, amelyek mérsékelhetik a beavatkozás hatását.

Hivatkozások

Enders, C. K. (2010). Hiányzó adatok elemzése. New York, NY, USA, Guilford Press.

Hensing, G. és mtsai. (1998). "Hogyan mérjük a betegség miatti hiányzást? Szakirodalmi áttekintés és javaslat öt alapvető intézkedésre." Scandinavian Journal of Public Health 26: 133-144.

Kraemer, H. C. és mtsai. (2002). "A kezelési hatások közvetítői és moderátorai randomizált klinikai vizsgálatokban." Archives of General Psychiatry 59: 877-883.

Vedaa, Ø. et al. (2017). "A műszakközök közötti rövid pihenő növeli a betegszabadság kockázatát: prospektív nyilvántartási tanulmány." Munkahelyi és Környezetgyógyászat 74: 496-501.