ママと赤ちゃんのためのスマート放電

目的

新生児の転帰は、母親の健康状態と高度に相関しており、この例は、母親の死後の乳児の生存率の低さによって繰り返し示されています。 母親と乳児のペアに基づくリスクの予測は、現在の研究における大きなギャップであり、母親と乳児の両方の生存に不可欠です。 したがって、母親と赤ちゃんの両方が退院後に死亡または重篤な罹患のリスクが高いことを特定し、最も脆弱な人々に的を絞ったフォローアップのために希少なリソースを割り当てることで、母子の健康転帰を改善することができます。 これにより、研究者は健康転帰を改善するだけでなく、リソースを効率的に使用して健康システムに利益をもたらすことができます。

正当化

2011 年以来、研究者はウガンダのパートナーと協力して、敗血症の疑いで入院した後に退院した 5 歳未満の子供向けの革新的なプログラムを開発、検証、および実施してきました。 Smart Discharges と呼ばれるこの研究および実施プログラムでは、医療従事者は個別化されたリスク予測スコアを使用して、敗血症が疑われる治療を受けて退院した後、死亡または合併症のリスクが高い子供を特定します。 その後、このスコアを使用して、カウンセリングおよびコミュニティ紹介プログラムの強度を導くことができます。 すべての参加者がカウンセリングを受けますが、特定のリスクしきい値を超える人のみが地域の医療施設への紹介を受けます。 研究者らは、このアプローチにより、敗血症が疑われる場合の院内治療後の退院後の子供の死亡率を 30% も減少させる可能性があることを示しました。 現在、研究者は、革新的な精密公衆衛生アプローチを拡張して、母親と新生児の双子の退院後のケアを改善するために取り組んでいます。

調査結果は、母親と新生児の両方に対するエビデンスに基づいた一連のケアの開発に役立ちます。 このパッケージは、低リスクの母子ペアがより負担の少ない（しかし実用的で実行可能な）産後ケアを受けられるようにし、高リスクのペアがより広範な一連の介入（教育、栄養、医療交流、地域支援など）を受けることを保証します。 Smart Discharges for Mom & Baby パッケージには、臨床的および感情的な幸福の両方の側面を対象としたサポートが含まれます。 この作業の追加の拡張には、提案された介入からより多くの女性と赤ちゃんが利益を得ることができるようにするために、自宅出産または死産に苦しむ女性のリスクモデルの検証が含まれます。

仮説

施設分娩後の退院時に収集された母体と乳児の特性は、母体または新生児の死亡リスク、または出生後 6 週間以内の再入院の必要性を予測できます。

目的

主な目的は、統合された母体と新生児のリスクに基づく退院後ケア プログラムの開発について知らせることです。 具体的には、この研究の目的は、(1) 出産後 6 週間の退院後の死亡または再入院のリスクが高いダイアドを特定するための臨床リスク予測モデルを開発し、内部で検証すること、および (2) ギャップと機会を特定することです。院内、退院、および退院後のケア中に、双子の産後ケア（PNC）を改善するためのエビデンスとリスクに基づく介入のバンドルの将来の開発を通知します。

デザイン

これは、2 つの異なる病院設定からのデータを使用して、ウガンダの現在の出生後の退院プロセスを調査およびマッピングするために、量的および質的手法の両方を使用する混合方法研究です。

• フェーズ I) チームは、退院前と出産後の母親と新生児のペアを直接観察し、退院後 6 週間で追跡調査の電話インタビューを通じて情報を得た観察コホート研究を実施します。
• フェーズ II) チームは、直接観察とフォローアップの電話インタビューを使用して、観察コホートに登録されたダイアドのサブセットでジャーニー マッピングを実施します。
• フェーズ III) チームは、選択した施設スタッフとのフォーカス グループ ディスカッション方法論を使用して、プロセス マッピング演習を実施します。
• フェーズ IV) チームは、観察コホートに登録された母親のサブセットとその家族とのフォーカス グループ ディスカッションを実施します。

統計分析

定量分析: 研究者は、転帰が悪い場合とない場合の母親と新生児のすべての危険因子を要約し、一変量の関連性を推定します。 新生児については、データは性別ごとに報告されます。 予測モデルの導出は、受信者動作曲線下の領域 (AUROC) の最適化と、さまざまなモデリングおよび変数選択アプローチ (ロジスティック回帰、エラスティック ネット、サポート ベクター マシンなど) にわたる特異性に基づいて行われます。 モデルのパフォーマンスは、内部検証 (クロス検証、ブートストラップなど) のための適切なリサンプリング手法に基づいています。 高感度 (>80%) の倹約的な予測モデル (例: 5 ～ 10 の予測変数) の開発に重点が置かれます。 AUROC、感度、および特異性は、陽性および陰性の予測値とともに、各モデルについて報告されます。 サイト固有の指標を比較して、設定全体で一貫性を確保します。個々のサイトのパフォーマンスが予想よりも低い場合は、再調整が考慮される場合があります。 最後に、研究者は、個々のモデルがダイアドに適用されるときに、感度と特異性の組み合わせを評価します。 予測モデリング以外では、サンプルサイズにより、研究者は特定の危険因子について少なくとも 1.30 のオッズ比を検出力 80%、有意性 5%、相対精度 25% で検出できます。 ジャーニーマッピング観察調査および患者インタビューからの定量的データの統計分析は、R Statistical ソフトウェアを使用して実行され、各変数の頻度および分布の記述統計が取得されます。

定性分析: 調査員は、収集されたデータを記述的に分析し、要約統計を報告します。 退院プロセスの図を作成し、退院前および退院後のプロセスにおける改善の重要な領域を特定します。 FGD データはフレームワーク手法を使用して分析されます。これにより、参加者から帰納的に、また既存の文献から演繹的にテーマを開発できます。 繰り返しのプロセスを通じて、NVivo を使用して、トランスクリプトがコード化され、記述的および解釈的なテーマについて分析されます。 説明的なテーマには、ケアと退院後の健康を求める行動への障壁が含まれますが、解釈的なテーマは、妊産婦と新生児の死と医療システムの役割に対する介護者の視点に焦点を当てています。 調査員は、報告された医学的症状、健康を求める行動、およびケアへの障壁を説明する頻度を生成し、共通のテーマを要約します。 メンバーチェックは、結果の妥当性を改善するために使用され、フォーカスグループに参加した医療従事者によってレビューされる主な調査結果の要約文書を作成します. 患者と家族からのフィードバックは、主な調査結果を口頭で説明する研究看護師と電話で入手します。