Pilot spersonalizowanego okołodobowego mHealth w celu poprawy snu u pracowników nocnych (SAIL)

Eksperymentalny: Aplikacja Shift

Uczestnicy tego warunku otrzymają kod dostępu do pobrania aplikacji mobilnej i przeprowadzenia orientacji na zmianę oraz procedury badania z członkiem zespołu badawczego. Następnie wejdą na cztery tygodnie badań ukierunkowane na użycie zmiany, w której zostaną przeszkoleni w codziennej procedurze zmiany otwarcia na początku dnia i planowania dnia zgodnie z zaleceniami aplikacji. Zastosowanie aplikacji (4 razy w tygodniu) będzie zachęcane do cotygodniowych bonusów dodanych do badania odszkodowania. Po czterech tygodniach stosowania ukierunkowanego na badanie uczestnicy będą kontynuować stosowanie samokierujące. Po czterech miesiącach uczestnicy zakończą sesję przypominającą z dwoma dodatkowymi tygodniami zastosowania ukierunkowanego na badania, a następnie samowystarczalnym użyciem do końca badania. Struktura z sesją przypominającą ma dowody na utrzymanie przyrostów leczenia, a także jest zgodna z planem komercjalizacji.

Inny: Spersonalizowany okrągły mHealth

Shift to aplikacja mobilna zaprojektowana w celu poprawy snu u pracowników nocnych. Aplikacja mobilna SHIFT służy do gromadzenia danych z zegarka Apple Watch w celu oceny czasu indywidualnego pracownika zmiany ciała i wydania spersonalizowanych rekomendacji harmonogramów ekspozycji światła, które zostały zaprojektowane w celu dostosowania zegar ciała do harmonogramu pracy nocnej.

Inne nazwy:

• ZMIANA

Brak interwencji: Kontrola listy oczekujących

Uczestnicy tego stanu wypełnią kwestionariusze tylko przez początkowe osiem miesięcy. Ci, którzy pozostają pracownicy Shift, będą mieli możliwość otrzymania aplikacji Shift i opcji zakończenia ankiet kontrolnych w taki sam sposób jak warunek aplikacji Shift.

Ustal wpływ zmiany na wyniki skoncentrowane na zainteresowanych stronach.

AIM 1A. Zmierz wpływ przesunięcia na wydajność pracy i satysfakcję w porównaniu z kontrolą listy oczekujących za pomocą wskaźnika satysfakcji zadania. Efekt zostanie przetestowany przy użyciu modelu regresji liniowej z efektami mieszanymi z uczestnikami jako losowy efekt i czas, stan i termin interakcji w czasie × warunki jako stałych efektów.

AIM 1B: Zmierz wpływ przesunięcia na globalne zdrowie w porównaniu do kontroli listy oczekujących za pomocą globalnego kwestionariusza zdrowia NIH PROSIS. Efekt zostanie testowany przy użyciu tej samej metody co AIM 1A.

AIM 1C. Zmierz wpływ przesunięcia na obrót w porównaniu do kontroli listy oczekujących, mierzonych w 8-miesięcznym okresie obserwacji. Obrót będzie działał jako osoba, która albo zakończyła pozycję, w której znajdowali się na początku lub nie jest już zaangażowana w pracę zmianową jako operacjonalizowaną w badaniu. Efekt zostanie określony za pomocą uogólnionej regresji efektów mieszanych z obrotem jako wynikiem dychotomicznym.

Porównaj użycie doświadczenia i dokładności snu Androida z oryginalną wersją iOS.

AIM 2A. Zmierz wrażenia użytkownika w wersjach SHIFT z Androidem i iOS za pomocą kwestionariusza doświadczenia użytkownika (UEQ). Zastosowane zostaną następujące zakresy obojętności klinicznej: ± 3 punkty w kwestionariuszu doświadczenia użytkownika na podstawie wielkości pojemnika 6 dla każdego z progów (złe, neutralne i dobre wrażenia użytkownika).

AIM 2B. Zmierz dokładność przewidywanej niewspółosiowości okołodobowej (CM), snu i depresji w wersjach Androida i iOS. CM będzie indeksowany z wyjściami modelu biomatematycznego układu okołodobowego. Sen będzie mierzony za pomocą wskaźnika nasilenia bezsenności i pamiętników snu. Depresja będzie mierzona za pomocą szybkiego zapasu objawów depresyjnych. Zastosowane zostaną następujące zakresy obojętności klinicznej: 1) przewidywane CM = ± 3 godziny w oparciu o około 2x średni średni błąd naszych prognoz modelu, 2) ciężkość bezsenności = ± 6 punktów i 3) Depresja = 28,5% QIDS -SR16 Wynik.

Oceń facylitatorów i bariery w zaangażowaniu i wdrażaniu.

Do analizy tematycznej zostanie wykorzystana seria częściowo ustrukturyzowanych wywiadów oraz kompleksowa mapa drogowa do przyszłych aktualizacji aplikacji opartych na opinii użytkowników. W częściowo ustrukturyzowane wywiady wykorzystują podejście do prowadzenia wywiadu po ramach CFIR wybranych do tego badania. Do analizy tematycznej zostanie przeprowadzonych sześciu faz: (1) Zapoznanie danych, (2) generowanie początkowych kodów, (3) wyszukiwanie tematów, (4) przeglądania tematów, (5) definiowania i nazywania tematów oraz (6) tworzenie raportu . Będziemy połączyć techniki dedukcyjne i indukcyjne w celu zwiększenia dokładności analiz tematycznych.