慢性疾患患者における美徳に基づく介入と認知行動的介入

現在、幸福度を高めるための効果的な介入がいくつかあります。たとえば、不足を軽減することに焦点を当てた認知行動療法 (CBT) や、幸福度を促進する行動を奨励することに焦点を当てた美徳に基づく介入 (VBI) などです。 しかし、これらの介入が機能するメカニズムに関する研究はほとんどありません。 この研究の目的は、慢性疾患患者の幸福度を高めるための 2 つの有効な治療法 (CBT と VBI) の変化の特異的かつ共通のメカニズムを分析することです。 この集団は、一般集団と比較して幸福度が低いため、使用されます。 ランダム化対照試験は、2 つの実験条件 (VBI および CBT) と 4 つの評価ポイント (介入前および介入後、6 か月および 12 か月の追跡調査) で実施されます。 私たちは主に、幸福感、不安、うつ病、各介入に特有のメカニズム（例：CBTにおける機能不全の思考、VBIにおける強みの活用）、および心理的介入に共通のメカニズム（例：治療に対する信頼）を評価します。 まず、参加者は包含/除外基準に従って適格性についてスクリーニングされます。 第 2 に、適格な参加者は CBT または VBI 状態にランダムに割り当てられ、ベースライン測定を完了します。 第三に、参加者は9週間にわたってコア介入を受けます。 最後に、参加者は治療後、6 か月後、12 か月後に対策を完了します。 治療中、彼らは毎日いくつかの質問に答え、生態学的瞬間評価 (EMA) を使用して健康状態と幸福能力を評価します。 仮説は次のとおりです: (1) CBT と VBI 状態の両方の参加者が幸福度を向上させ、その変化は各介入の特定のメカニズムによって媒介される、(2) 幸福度の一部の変化は、両方の介入に存在する変化は、共通の要因によって説明されます。(3) これらの変化はすべて、不安、抑うつ、幸福感のベースラインレベルによって緩和され、(4) CBT と VBI 状態の両方の参加者が症状のレベルを低下させます。不安と憂鬱。 この研究はヘルシンキ宣言に記載された原則に従って実施される。

分析計画:

定量的方法と定性的方法の混合アプローチが適用されました。 定量的方法に関しては、人口統計および他の臨床変数におけるグループ間の差異が、連続変数については T 検定、カテゴリ変数については χ2 検定を使用して検定されます。 仮定がテストされ、壊れている場合は、ノンパラメトリックで堅牢な代替案が適用されます。 連続変数間の関係がスクリーニングされ、グループ間の差異がテストされます。 さらに、良好な心理測定特性を保証するために、自己報告変数の信頼性が評価されます。

経時的な VBI と CBT の影響をテストするために、二元混合共分散分析 (ANCOVA) が実装されます (被験者間変数としてグループ、被験者内変数として時間を)。 主効果と交互作用が推定され、タイプ I 誤差 (Bonferroni および Šidák) の補正を伴う事後検定と 95% 信頼区間での推定周辺平均が行われます。 ANCOVA の仮定がテストされ、それが崩れている場合は修正が行われます。 すべてのコントラストは、効果サイズと 95% 信頼区間でカウントされます。 ドロップアウトおよびその他の欠落データ パターンが評価されます。 より具体的には、欠損データの割合がスクリーニングされ、グループ間で比較されます。 関連する欠損または無視できない欠損が見つかった場合、欠損データの複数の代入が適用されます。 より具体的には、マルチレベル戦略が実行されます。 予測変数は、設計に基づいて、各結果に関連する分散量を共有することによって選択されます。 さらに、代入モデルの堅牢性をテストするために感度分析が実装されます。 サンプル サイズの影響を推定するには、G*Power 3.1 を使用して検出力 90%、信頼度 95% で感度分析を実行し、すべての分析をカウントします。

各プログラムの潜在的な変化メカニズムを分析するために、構造方程式モデル (SEM) が実装されます。 時間間の差異スコア（介入後 - 介入前およびフォローアップ - 介入前）が計算され、結果として実装されます。 私たちのフレームワークに従って、一連のメカニズムの提案が SEM の理論モデルとして開発されます。 ほとんどまたはすべての変数が連続であると仮定すると、ロバストな最尤法が推定値のロバストな標準誤差とともに推定方法として使用されます (これにより、正規性からの偏差から不偏な推定値を得ることができます)。 欠損データは完全情報最尤法で処理されます。 適合性は、文献で推奨されている指標としきい値を使用して評価されます。 私たちのフレームワークには仲介が存在するため、間接的な効果はブートストラップ手法で推定されます。 さらに、複数の理論モデルが提案されているため、複数のテストに対する補正が適用されます。 検出力分析により、検出力 90%、信頼度 95%、自由度 210 (変数 20)、最小サンプル サイズ n = 100 で母集団 RMSEA = 0.5 と代替 RMSEA = 0.08 を区別できることが明らかになりました。 ただし、サンプルサイズが利用可能な場合は増加します。

EMA スコアを分析するために、マルチレベルの縦断モデルが実装されます。 より具体的には、評価の特定の時間が全体の時間 (事前、事後、フォローアップ) にネストされ、個人にネストされ、次にグループ (VBI または CBT) にネストされます。 利用可能なモデルがスクリーニングされ (例: クロスラグ成長モデリング、GIMME モデル、動的 SEM)、採用されます。

記述分析、二変量検定、および ANCOVA は JASP で推定され、SEM および EMA 分析は R 環境で推定されます。 具体的なパッケージは、lavaan、lme4、EMAtools です。

定性的手法に関しては、帰納的な観点から半構造化インタビューを実施し、参加者の回答の根底にあるカテゴリーを探索します。 テーマ分析は、これらのカテゴリーを見つけて説明するためのフレームワークとして使用されます。 チームの 2 人のメンバーが、次のフェーズでテーマ分析を作成します。(1) 自由回答形式の回答を読み、再読し、一般的なアイデアを説明します。 (2) 研究課題に関するすべての関連する口頭情報を抽出し、簡単な説明またはコードを割り当て、それらを表に割り当てることによって最初のコードを生成します。 (3)テーマを探ってコードを整理します。 (4) 内容の均一性と具体性を目指し、提案されたテーマを検討し、言葉の意味の単位がテーマ内で適切に表現されていることを確認する。 (5) テーマの定義と説明。