Um piloto de uma mHealth Circadian personalizada para melhorar o sono nos trabalhadores do turno noturno (SAIL)

Experimental: SHIFT APP

Os participantes desta condição receberão um código de acesso para baixar o aplicativo móvel e conduzir uma orientação para mudar e os procedimentos de estudo com um membro da equipe de estudo. Eles então entrarão em quatro semanas de estudo direcionado ao uso do turno, onde são treinados em um procedimento diário de mudança de abertura no início do dia e planejando o dia de acordo com as recomendações do aplicativo. O uso de aplicativos (4 vezes por semana) será incentivado com bônus semanais adicionados para estudar compensação. Após as quatro semanas de uso direcionado ao estudo, os participantes continuarão com o uso auto-direcionado. Aos quatro meses, os participantes concluirão uma sessão de reforço com duas semanas adicionais de uso direcionado ao estudo, seguido de uso autodirigido até o final do estudo. A estrutura da sessão de reforço tem evidências para manter ganhos de tratamento e também está alinhada com o plano de comercialização.

Outro: MHEalth Circadian personalizado

Shift é um aplicativo móvel projetado para melhorar o sono nos trabalhadores do turno noturno. O aplicativo móvel Shift é usado para coletar dados de um Apple Watch para avaliar o tempo de clock de um trabalhador de mudança individual e fazer recomendações personalizadas de cronogramas de exposição à luz projetados para alinhar o cronograma do corpo com o cronograma de trabalho no turno da noite.

Outros nomes:

• MUDANÇA

Sem intervenção: Controle da lista de espera

Os participantes dessa condição concluirão apenas questionários para os oito meses iniciais. Aqueles que permanecem em turnos terão a opção de receber o aplicativo Shift e a opção de concluir as pesquisas de acompanhamento da mesma maneira que a condição do aplicativo Shift.

Estabeleça o efeito da mudança nos resultados centrados nas partes interessadas.

AIM 1A. Meça o efeito da mudança na produtividade e satisfação do trabalho em comparação com o controle da lista de espera usando o índice de satisfação do trabalho. O efeito será testado usando um modelo de regressão linear de efeitos mistos com os participantes como efeito e tempo aleatórios, condição e o termo de interação do tempo × condição como efeitos fixos.

Objetivo 1B: Meça o efeito da mudança na saúde global em comparação com o controle da lista de espera usando o Questionário de Saúde Global do NIH Promis. O efeito será testado usando o mesmo método que o AIM 1A.

Objetivo 1C. Meça o efeito da mudança na rotatividade em comparação com o controle da lista de espera, medido no acompanhamento de 8 meses. A rotatividade será operacionalizada como um indivíduo que terminou a posição em que estava na linha de base ou não está mais envolvido no trabalho em turno, conforme operacionalizado no estudo. O efeito será determinado usando uma regressão generalizada de efeitos mistos com rotatividade como um resultado dicotômico.

Compare a experiência de uso e a precisão do Android do sono com a versão original do iOS.

AIM 2A. Meça a experiência do usuário das versões Android e iOS de turno usando o Questionário de Experiência do Usuário (UEQ). As seguintes faixas de indiferença clínica serão usadas: ± 3 pontos no questionário de experiência do usuário com base no tamanho do compartimento de 6 para cada um dos limiares (experiência ruim, neutra e boa).

AIM 2B. Meça precisão do desalinhamento circadiano previsto (CM), sono e depressão nas versões Android e iOS. O CM será indexado com as saídas do modelo biomatemático do sistema circadiano. O sono será medido usando o índice de gravidade da insônia e os diários do sono. A depressão será medida usando o rápido inventário da sintomatologia depressiva. Os seguintes faixas de indiferença clínica serão usadas: 1) CM previsto = ± 3 horas com base em aproximadamente 2x o erro médio absoluto de nossas previsões de modelo, 2) severidade da insônia = ± 6 pontos e 3) Depressão = 28,5% dos QIDs -SR16 Pontuação.

Avalie os facilitadores e barreiras ao engajamento e implementação.

Uma série de entrevistas semiestruturadas será usada para análise temática e um roteiro abrangente para futuras atualizações de aplicativos com base no feedback do usuário. As entrevistas semiestruturadas utilizarão a abordagem de guia de entrevista após a estrutura do CFIR selecionada para este estudo. Seis fases serão seguidas para análise temática: (1) familiarização de dados, (2) geração de códigos iniciais, (3) busca de temas, (4) revisando temas, (5) temas definindo e nomeando e (6) produzindo o relatório . Combinaremos técnicas dedutivas e indutivas para aumentar a precisão das análises temáticas.