Face-to-face of digitaal geleverde eerstelijns artrosebehandeling?

Volgens internationale richtlijnen zouden lichaamsbeweging en onderwijs de eerstelijnsinterventie moeten vormen voor mensen met knie- en heupartrose (OA) en het is aangetoond dat ze effectief zijn bij het verminderen van artrose-symptomen, ongeacht de ernst van de ziekte. Om deze richtlijnen te implementeren, is de Better Management of Patients with OsteoArtritis (BOA), een face-to-face concept met onderwijs en een mogelijkheid om te oefenen, ontwikkeld en wordt dit sinds 2008 aangeboden in eerstelijnsklinieken in Zweden. Traditionele face-to-face-interventies vormen echter barrières, zoals beperkte toegang en gebrek aan flexibiliteit, waardoor de therapietrouw van de patiënt kan worden beperkt. Om dergelijke barrières te overwinnen, is in 2014 een digitaal zelfmanagementprogramma (Joint Academy) gestart, gebaseerd op het BOA-concept. Hoewel is gemeld dat beide toedieningsmethoden artrose-symptomen bij patiënten met heup- en/of knie-artrose verminderen, is er weinig bekend of de resultaten van digitale interventies vergelijkbaar zijn met traditionele face-to-face revalidatieprogramma's. In deze retrospectieve, op registers gebaseerde studie zullen we de uitkomsten van de twee verschillende modaliteiten van eerstelijnsbehandeling (face-to-face versus digitaal) na 3 maanden deelname aan het programma vergelijken met behulp van gegevens uit de BOA- en Joint Academy-registers. Het belangrijkste resultaat is een zelfgerapporteerde verandering in pijn tussen baseline en drie maanden follow-up en secundaire uitkomsten zijn verandering in zelfgerapporteerde loopproblemen, bereidheid tot gewrichtschirurgie en gezondheidsgerelateerde kwaliteit van leven tussen baseline en drie maanden follow-up .

Statistische analyse In dit onderzoek nemen we alle deelnemers aan het digitale programma op die voldoen aan de onderstaande geschiktheidscriteria (n >2000). Deze deelnemers worden 1:1 gekoppeld aan deelnemers in het BOA-register met behulp van de propensity scoring-benadering. Het minimale klinisch belangrijke verschil wordt doorgaans beschouwd als één eenheid op een NRS-schaal van 0-10. Om een ​​betrouwbaarheidsinterval van 95% te verkrijgen voor het verschil tussen groepen met een breedte van maximaal 0,5 eenheden (d.w.z. zeer nauwkeurig) in een steekproef met een typische standaarddeviatie van 1,5, met een waarschijnlijkheid van 99%, hebben we in totaal ~630 patiënten nodig.

We zullen observatiegegevens gebruiken om een ​​equivalentieonderzoek na te bootsen waarin het effect op gewrichtspijn wordt vergeleken van een digitaal geleverde eerstelijnsinterventie en van een persoonlijk geleverde eerstelijnsinterventie voor mensen met artrose van de heup of knie. Om gelijkwaardigheid tussen de interventies vast te stellen, moet de pijnverandering na de interventie minder dan 1 punt verschillen op een 0-10 NRS-pijnschaal. Deze grens werd geselecteerd op basis van eerder werk dat 1-punts verandering identificeerde als de MCID bij mensen met artrose. De belangrijkste uitkomst zal worden geanalyseerd met behulp van een propensity score matching-benadering. We zullen de propensityscore schatten met behulp van een logistisch regressiemodel, waarin we de behandelingsstatus zullen regresseren op de geobserveerde basiskenmerken van de deelnemers. De kenmerken die in de propensityscore moeten worden opgenomen, worden geselecteerd met behulp van de disjunctieve oorzaakcriteria, inclusief factoren die in de analyse zijn geïdentificeerd als oorzaken van behandelingstoewijzing (blootstelling) en/of de pijnverandering (uitkomst). We gebruiken dichtstbijzijnde buur-matching om controles (BOA-deelnemers) te selecteren waarvan de propensityscore het dichtst bij die van de behandelde proefpersoon ligt. Verder zullen we een optimale matchingstrategie gebruiken om het totale binnen-parenverschil van de propensityscore te minimaliseren. Verschillen binnen paren in hoofduitkomst worden geanalyseerd met behulp van een gepaarde t-toets. Ten slotte zullen we de analyse voor baselinepijn aanpassen om de precisie van de schattingen te vergroten en de regressie naar het gemiddelde effect te minimaliseren