Valutare l'effetto dell'intervento per l'acqua pulita, i servizi igienico-sanitari della Planet Water Foundation

È necessario un approccio multidimensionale per raggiungere gli Obiettivi di Sviluppo del Millennio (MDG) per affrontare le conoscenze, gli atteggiamenti e le pratiche in materia di igiene dell'acqua e dei servizi igienico-sanitari. L'OSM di ridurre la mortalità infantile entro il 2015 richiederà una maggiore attenzione ai paesi e alle regioni in cui i tassi di mortalità infantile sono i più elevati e un rinnovato impegno per raggiungere i bambini più vulnerabili (ONU, 2013). India e Nigeria rappresentano oltre un terzo di tutti i decessi nei bambini di età inferiore ai cinque anni (ONU, 2013). Utilizzando una combinazione di una revisione della letteratura basata sulla ricerca, l'opinione di esperti e le relazioni sulle politiche è stato sviluppato un modello multifattoriale per determinare le variabili necessarie che devono essere affrontate in modo da poter progettare un approccio integrato ai problemi relativi al WASH.

Sono state identificate le variabili che hanno un impatto sui risultati del WASH. Queste variabili sono state classificate in diverse categorie tra cui:

1. Socio-demografica
2. Ambiente e accesso
3. Conoscenze, atteggiamenti e pratiche
4. Profilo di salute della famiglia
5. Caratteristiche della scuola

Lo studio proposto consiste nel condurre uno studio clinico di controllo randomizzato per raggiungere gli obiettivi generali dello studio valutando il programma della Planet Water Foundation attraverso il quadro multidimensionale sviluppato. La sperimentazione clinica proposta includerà 12 scuole (6 residenziali e 6 non residenziali). Sei scuole (n=3 residenziali; n=3 non residenziali) ciascuna saranno incluse nel Gruppo 1 (Nessun intervento Planet Water) e nel Gruppo 2 (Con intervento Planet Water) da due località tra cui i distretti di Pune e Thane nello Stato di Maharashtra. Le posizioni sono state abbinate in base a fonti d'acqua simili a scuola, servizi igienici, test di qualità dell'acqua, tecniche di purificazione dell'acqua, contesto geografico e dimensione geografica della popolazione.

Il programma della Planet Water Foundation (PWP) fornisce un programma scolastico con l'obiettivo di migliorare i risultati di salute nei bambini utilizzando tre componenti: (a) accesso all'acqua potabile, (b) accesso alle strutture per il lavaggio delle mani e (c) accesso all'acqua -educazione sanitaria e igienica. Come parte del PWP, l'accesso all'acqua potabile viene fornito attraverso l'uso di un AquaTower, che incorpora un sistema di ultra filtrazione (UF). Il programma educativo Acqua-Salute e Igiene di PWP è un programma di quattro settimane che comprende quattro moduli: (1) importanza dell'acqua pulita, (2) come lavarsi le mani, (3) quando lavarsi le mani e (4) protezione dai germi attraverso un programma pratico basato su attività che incorpora giochi, drammi, canzoni e balli.

È stato utilizzato un approccio basato su metodi misti con domande a risposta aperta ea scelta multipla sotto forma di questionari. I questionari sono stati tradotti dall'inglese nella lingua locale (marathi) e ritradotti in inglese per l'analisi da parte della BAIF Development Research Foundation in India. Studenti, assistenti domestici/genitori e insegnanti hanno ricevuto questionari separati. Sono state condotte tre diverse interviste: (1) un questionario familiare condotto a casa di ogni studente incluso nello studio, (2) un questionario per gli insegnanti somministrato presso le scuole e (3) un questionario per gli studenti somministrato individualmente a ogni studente dall'intervistatore in una stanza separata, lontano dagli altri studenti. Il gruppo 1 e il gruppo 2 hanno ricevuto gli stessi questionari. Tutti i questionari sono stati somministrati in collaborazione con BAIF Development Research Foundation, una fondazione locale in India. La fondazione ha ricevuto una formazione sulla raccolta e l'inserimento dei dati prima dello studio. I dati verranno raccolti su moduli cartacei e tutti i dati verranno inseriti in Microsoft Excel®. Il repository di dati online verrà archiviato in modo crittografato e sarà protetto da password. Le informazioni verranno archiviate dietro un firewall sicuro fornito dalla fondazione di ricerca locale in India. Tutti i dati raccolti sui moduli cartacei saranno conservati in un armadio chiuso a chiave e l'accesso alle informazioni sarà consentito solo a coloro che sono direttamente coinvolti nella ricerca. Il consenso sarà ottenuto assicurando che (1) solo il personale autorizzato sia presente durante il processo di consenso, (2) il minor numero possibile di individui sia a conoscenza della partecipazione del soggetto alla ricerca e (3) le attività di ricerca siano svolte in privato di un luogo possibile.

Il campione di studio includerà sei scuole del Gruppo 1 (nessun intervento PCP) e sei scuole del Gruppo 2 (con intervento PCP), con 60 studenti per scuola per un totale di 360 studenti nelle scuole del Gruppo 1 e 360 ​​studenti nelle scuole del Gruppo 2. La dimensione del campione tra le 12 scuole è stata calcolata assumendo un coefficiente di correlazione intra-cluster di p=0,01, questo disegno fornirà l'80% di potenza (Donner e Klar, 1996) per rilevare una dimensione media dell'effetto (Cohen 1992) di 0,50. La dimensione del campione sarà aumentata del 15%, a 414 per l'intervento e il controllo, per tenere conto dell'attrito.

Verranno calcolate statistiche descrittive per tutte le variabili per garantire la qualità dei dati e per valutare le ipotesi dei test statistici. Le distribuzioni variabili saranno descritte con istogrammi, box plot, tendenze centrali, misure di variazione e distribuzioni di frequenza. Verificheremo l'assunzione di normalità per le misure di esito, all'interno della PWP e dei gruppi di controllo. Inoltre, verificheremo l'ipotesi che la PWP ei gruppi di controllo abbiano varianze uguali. I modelli misti lineari generalizzati (GLMM) con varianze disuguali (McCulloch et al., 2008) possono essere applicati quando le condizioni ideali di normalità e varianze uguali non sono soddisfatte. Il test per l'uguaglianza delle varianze è disponibile con l'istruzione COVTEST, che si basa sul rapporto di verosimiglianze residue o pseudo-verosimiglianze. I residui ad ogni livello del modello saranno esaminati per valutare l'adattamento del modello. I modelli misti lineari generalizzati che utilizzano SAS PROC GLIMMIX forniscono anche la flessibilità per modellare diversi tipi di variabili di risultato (dati binari, di conteggio e continui). Tutte le analisi saranno condotte utilizzando il software SAS/STAT® per Windows versione 9.2 o successiva.

Prima di testare le ipotesi dello studio, esamineremo i dati per possibili covariate. Le potenziali variabili confondenti saranno controllate inserendo queste variabili come covariate nei modelli di regressione. Queste variabili esplicative miglioreranno la rilevazione degli effetti del trattamento inserendo queste variabili come covariate nei GLMM. Queste variabili verranno inserite come covariate se il test chi-quadrato a due code univariato che confronta il PWP e i gruppi di controllo è significativo al livello alfa di 0,20. Nell'analisi preliminare, esamineremo le potenziali covariate utilizzando il livello singolo, tuttavia esamineremo anche le potenziali covariate utilizzando modelli lineari gerarchici. Useremo un alfa liberale di 0,20 per decidere se aggiustare per una covariata in modo da non trascurare importanti effetti di confusione.

Struttura dei dati gerarchica e correlata: verrà utilizzato un approccio di modelli lineari gerarchici (HLM) (Raudenbush e Bryk, 2002) per tenere conto della correlazione indotta da misurazioni ripetute nel tempo per gli studenti annidati all'interno delle scuole. La scuola sarà modellata come un effetto casuale. Questi HLM saranno implementati in SAS utilizzando modelli misti lineari generalizzati, che possono essere applicati per analizzare dati di misurazioni ripetute binarie, di conteggio e continue, raccolti a intervalli di tempo disuguali seguendo una struttura gerarchica (McCulloch e Searle, 2001; Liang e Zeger 1986). Questi modelli affrontano la natura correlata di più misurazioni che provengono da ciascun soggetto nel tempo. Prevediamo che i modelli lineari generalizzati saranno appropriati per i dati, ma esploreremo anche utilizzando il metodo delle equazioni di stima generalizzate (GEE) (McCulloch e Searle, 2008). Il metodo GEE non richiede ipotesi di normalità e varianze uguali, ma utilizza meno informazioni rispetto ai modelli misti lineari poiché solo i primi due momenti della distribuzione sono impiegati in GEE.