一時停止: 病気の日の服薬管理モバイル アプリの調査 (PAUSE)

私たちの以前の研究では、アルバータ州の医療提供者を対象に、「有害事象を防ぐために糖尿病およびCKD患者にシックデイ投薬指導を提供する臨床医の決定に影響を与える要因」について調査した。 私たちの結果では、プライマリ医療提供者の 75% が病欠日の投薬指導について認識していましたが、ガイドラインやリソースの場所を知っていたのは 56% のみでした。 圧倒的多数の回答者 (97%) が、シックデイ投薬指導を提供するための代替イノベーションを評価する研究に患者を登録することを支持しました。

既存の介入を要約した最近のスコープレビューで、私たちの研究チームは、発行されたSDMG文書の大部分が医療提供者を対象としており、患者を対象とした文書はほとんどないことを発見しました。 これらは主に、配布資料、財布サイズのカード、ウェブページ、または電話サポートの形式でした。 現在の SDMG 介入の開発、実施、評価に関する一次研究は限られています。 ほとんどは追跡することが困難であり、病欠日や対象となる薬剤を間違いなく特定することはほとんどなかったと報告されています。 この調査とレビューは、患者に SDMG を提供するための新しいソリューションを開発し、評価する必要性を強調しています。 私たちの以前の研究では、カナダの高齢者が電子通信手段の使用を受け入れており、何人かの患者が病欠日の自己管理に電子医療 (eHealth) ツールの使用に興味を示していることも判明しました。

介入を受ける参加者は、急性疾患時に患者が使用することを目的とした SDMG の自己管理ツールである PAUSE アプリにアクセスできます。 ユーザーの Loblaw/Shoppers Drug Mart の薬局記録は、President's Choice (PC) Health アプリ内の PAUSE アプリに電子的にリンクされており、現在処方されている薬に基づいた最新の推奨事項を確認できます。 このアプリは、対象となるシックデイ疾患を識別する兆候や症状に関する一連の質問をユーザーに尋ね、緊急、医療提供者、または緊急ケアの紹介を必要とする「危険信号」を選別し、患者がどの薬を服用すべきかを特定するのを支援します。患者の現在の投薬リストに合わせて、一時的に保留または調整します。 これは、病気の日のイベント中に薬を管理するための対話型サポートを患者に提供することを目的としています。 介入の一環として、患者は SDMG 患者向け配布資料も受け取ります。 この介入は、SDMGの提供を容易にするように設計された対話型の個別化された電子アプリケーションを通じて、SDMGを正当化する適格な兆候と症状、およびどの薬剤が適格であるかを特定するという以前に特定された課題に対処します。 通常のケアグループは、SDMG の概要とどの薬剤が SDMG の対象となるかを説明する SDMG 患者向け配布資料を受け取ります。

予備データに基づいて、研究者らは、シミュレーションされた病欠日をエラーなく完了した参加者の割合に絶対的な差が 30% (PAUSE アプリを使用した場合は 50%、PAUSE アプリを使用しない場合は 20%) であると想定しています。 両側アルファ 0.05、検出力 80%、および薬局クラスター間のクラス間相関係数 0.1 を使用すると、サンプル サイズ 280 人の参加者が必要になります。 追跡調査の10％の損失を考慮して、研究者らは試験に合計320人の参加者を募集することを目標としている。 調査員らは16の薬局を募集し、それぞれ20人の参加者を募集する予定だ。

データ分析 社会人口統計、併存疾患、有効な処方などの参加者のベースライン データは、記述統計を使用して分析されます。 実現可能性と忠実度の結果は、数値とパーセンテージによる記述統計を使用して報告されます。 グループ間の結果の比較（例：一時停止アプリと通常のケア）は、未調整および調整済みの一般化推定式を使用して報告され、グループ間の平均差とリスク差が決定されます。 追跡調査期間後に、グループ間の差異を評価するために記述統計が必要に応じて使用されます。 主要な変数と研究結果の間の関連性は、適切な単変量モデル分析、多変量モデル分析、および混合モデル分析を使用して分析されます。 Google Analytics データの探索的分析は、ユーザーの行動に関する洞察をレポートするために実行されます。 5年間の長期追跡期間にわたって定期的に収集された健康データの分析は、健康転帰に対する介入の効果（ある場合）を判断するために使用されます。

シミュレートされた病欠評価は、Doerfler らが使用したシナリオに基づいて、事前定義されたスコアカードに従って採点および分析されます。急性疾患時のSDMGの正しい使用法を測定する。 対数二項回帰モデルを使用して、シミュレーションされた病欠日がエラーなく完了した結果、および診断の 3 つの個別のコンポーネントがそれぞれ正確に完了したかどうかのリスク比 (RR) と 95% 信頼区間を直接推定します。病欠日のシミュレーション。 薬局によるクラスタリングを説明するためにランダム効果が使用されます。 未調整モデルと調整済みモデルは、年齢、性別、人口統計、糖尿病、その他の併存疾患、対象となる薬剤の数、および単変量解析からのその他の重要な交絡変数を含む、個々の参加者の特性に対する固定効果を含めて適合します。 さらに、シミュレートされたシックデイの管理における PAUSE アプリや SDMG 患者配布資料の有用性、および介入の全体的な受容性について参加者から収集されたデータは、介入の忠実度をさらに評価するために使用されます。 すべての統計分析は R で完了します。

選ばれた参加者 (患者と薬剤師) は、目的のあるサンプリング戦略に基づいて模擬的な病日シナリオの評価を行った後、インタビューを受けるよう招待されます。 参加者と薬剤師との間で、1 対 1 の半構造化面接が 30 ～ 60 分間実施されます。 インタビューの質問と分析は、研究全体を通じて繰り返され、新たなテーマや不規則なテーマを後のインタビューで検討できるようになります。 定性的インタビューは音声で録音され、逐語的に書き起こされ、帰納的テーマ分析の複数の段階を使用して検査されます。 収集したフィールドノートとインタビューの書き起こしは、NVIVO 定性分析ソフトウェアを使用して分析されます。 データの分析は、最初の参加者インタビューの終了直後に開始されます。 データは 2 人の研究者によって個別にコード化され、最初のインタビュー後にコードが比較され、その後のインタビューのためのコーディング マニュアルの草案が作成されます。