大量飲酒のヒスパニック系男性に対する文化に適応した簡単な介入 (Project Valor)

非適応型の簡単な動機付け介入：NA-BMI の中心的な構成要素は、MI の個人中心のアプローチと一致しており、以下が含まれます。1) スクリーニングおよびベースライン評価の結果に基づいて個別化されたフィードバックを提供する。 2) 患者の観点からアルコール使用の決定的なバランス（メリットとデメリット）を探る。 3) 飲酒を変えることの重要性、自信、準備のレベルに関する患者の自己申告の評価と議論を通じて、変化への動機を構築する。 4) 患者の変化の選択肢を探り、必要に応じて変化計画を作成することにより、変化への取り組みを強化する。 5) アルコール問題の正式な治療やその他の地域リソースへの紹介を提供する。 NA-BMI は、現在の文献に記載されている標準的な BMI で発生する可能性のある通常の調整を超える文化的リスクや保護因子を特に対象とするものではありません。 NA-BMI では、米国一般人口の飲酒規範とアルコール問題の頻度に基づいて個別のフィードバックが行われます。

文化に適応した簡単な動機付け介入: CA-BMI は、MI と BMI の実践の中核原則にも準拠しています。 CA-BMIでは、NA-BMIの中核構成要素は、ラテン系アメリカ人の間での大量飲酒、アルコール問題、助けを求めること、治療の利用に関連する特有のリスク（文化的ストレス）および保護（家族主義）要因に文化的に反応するように適応されています。 CA-BMIは、ラテン系アメリカ人の飲酒の重要な予測因子である要因をターゲットにすることで、NA-BMIで発生する可能性のある調整をはるかに超えていることに注意することが重要です。 具体的には、CA-BMI には主に次の 2 つの適応があります。

1. CA-BMIには、飲酒への誘惑を減らし、飲酒を避ける自信を高めるために、飲酒に対する文化的ストレスの影響に関する評価と個別のフィードバックが組み込まれます。 具体的には、参加者は経験する可能性のある文化的ストレスの種類と強さ（例：移民、文化的適合性、言語の壁、雇用差別に関連する問題）についてのフィードバックを受け取り、臨床医は文化的ストレスと誘惑や自信との関係を導き出します。飲酒を避けてください。
2. CA-BMIはまた、飲酒の影響、飲酒行動を変えるための計画、助けを求める行動への関与を考慮する際に、変化の理由として、また行動変化の主体として家族とコミュニティを統合します。 Leeらによって開発された次の方法。 (2011) およびアニェスら。 （2008）、助成金のコンサルタント、研究者は、社会的背景と家族の関係が飲酒にどのように関連しているかについての議論を組み込む予定です。

これらの修正により、動機付け面接や短時間のアルコール介入におけるその適用との一貫性を維持しながら、その内容と焦点（例えば、深い構造的変化）が非適応介入とは実質的に異なる、文化的に適応した介入がもたらされる。 2 つの中心的な適応に従って、研究者らは、CA-BMI に特有の行動変化の潜在的な媒介因子またはメカニズムは、1) 飲酒への誘惑と飲酒を避ける自信、2) 特定の家族および友人だけでなく一般的な家族や友人からのサポートの増加であると予想しています。飲酒行動を変え、治療を受けるためのサポート。 最後に、研究者らは、正式な入院患者および外来患者の薬物乱用治療の利用と、アルコホーリクス・アノニマスなどの自助グループへの参加を評価した研究者らの以前の研究よりも包括的な治療利用の定義も評価する予定である(フィールドら) al.、2010）。 現在の研究では、研究者らは、ラテン系アメリカ人の間で一般的な非公式の助けを求めること（家族、宗教指導者、地域社会で尊敬される長老に助けを求めることなど）だけでなく、正式な治療ネットワークへの関与も評価する予定である。

統計分析 予備分析: 外れ値、データ分布、および測定値の内部一貫性に関する標準的な検査が実施されます。 混合モデルの場合、研究者はモデルのすべてのレベルで誤差の均一性と残差の正規性を評価し、変量効果の多変量正規性をテストし、線形性を調べ、外れ値を特定します。 構造方程式モデル (SEM) の場合、研究者は SEM モデルの分析と報告に関して Boomsma (2000) によって概説されたベスト プラクティス ガイドラインに従います。 研究者はまた、すべての人口統計上のグループを比較し、ランダム化によって同等のグループが生成されたかどうかを評価するための事前テストを行います。等価でない変数の場合、これらの変数は共変量としてモデルに含まれます。

特定の目的のためのデータ分析 1: アルコール問題と治療利用におけるグループの違いを調査する分析では、ランダム係数モデルが使用されます (Raudenbush & Bryk, 2002; Singer & Willett, 2003)。 研究者は、Singer and Willett (2003) が推奨する次の一連の分析ステップを使用して長期モデルを構築します。 1) 経験的な成長プロットを調査します。 2) 無条件平均モデルを当てはめる。 3) 無条件の線形成長モデルを当てはめます。 ４）無条件の非線形モデル（例えば、区分的モデル）を当てはめる。 5) 赤池情報量基準 (AIC) を使用して前の 2 つのステップのモデルを比較することにより、経度変化の最適なモデルを決定します。 (f) AIC を使用して最も適切な誤差共分散構造を選択します。 6) レベル 2 の予測変数 (介入条件など) を追加します。 二項結果（治療利用など）のモデルでは、ロジスティックリンク関数による二項分布を仮定した一般化線形混合効果モデルが使用されます。

特定の目的のためのデータ分析 2: 推定上の調節因子と結果の間の関係が治療によって異なる可能性を調べるために、治療と先験的な調節因子変数 (例: 文化的ストレス) との間の相互作用項を構築することによって、潜在的な調節因子が検査されます (Aiken & West、Aiken & West、 1991年）。

節度を示す重大な相互作用が発生した場合、研究者はマルチレベル モデルに適した関係方法を調査します (Bauer & Curran、2005)。

媒介分析は、SEM に実装された成長曲線フレームワークを使用して実行されます。 モデルは、最初にメディエーターと結果の成長モデルをフィッティングし、次にメディエーション成長モデルをフィッティングすることによって構築されます。 研究者は、目的 1 の長期的変化の最良のモデルを確立するために、上記と同じ順序に従います。潜在的な成長モデルは、少なくとも 2 つの潜在的な要因で構成されます。 1 つの因子は初期状態を表し、1 つまたは複数の因子は変数の成長率を表します。非線形変化 (二次項など) の場合には複数の因子が必要になります。 調停は、成長モデルの文脈で調停を評価するための MacKinnon (2008) の推奨に従って検討されます。 メディエーターの成長因子は、メディエーターの初期状態、結果、介入グループに回帰します。 介入グループに対する有意な効果により、介入グループとメディエーターとの関係が確立され、メディエーターのベースライン レベルと結果が制御されます。 次に、成長因子はメディエーターの初期状態、結果、メディエーターの傾き、介入グループで回帰分析されます。 メディエーター成長因子の顕著な効果は、メディエーターの変化と結果の変化との関係を確立し、メディエーターと結果のベースライン レベルを制御します。

目的 3: 患者および介入者の満足度への回答と連携協力の評価に関するデータ分析が集計形式でまとめられます。 個々の項目に対する回答の頻度は、患者と介入者に報告されます。 同様に、患者と医療提供者のスケールスコアは、平均と標準偏差を使用して報告されます。 患者と介入者の反応の比較は、頻度データの場合はカイ二乗を使用し、スケール スコアの場合は t 検定を使用して行われます。 組織の準備状況は、テスト前とテスト後の設計を使用して評価されます。 テスト前とテスト後の比較の分析には、共分散分析または ANCOVA が使用されます。 この非ランダム化計画では、ANCOVA の主な目的は、事前テストでのグループ間の差異が発生する可能性が高いため、事後テストの平均を調整することです。 事前テスト-事後テスト計画の ANCOVA で事前テスト スコアを共変量として使用する目的は、(a) 誤差の分散を低減し、(b) 体系的な偏りを排除することです。