Раскрытие врачами конфликтующих интересов в реальном мире

В этом исследовании используется дизайн смешанных методов. Рандомизированное вмешательство (РКИ) будет представлять собой письмо, разосланное по почте примерно 1310 пациентам, с раскрытием финансовых отношений их врачей с промышленностью до того, как пациенты встретятся со своими врачами. Есть 4 экспериментальных условия, систематически меняющие формулировку раскрытий COI, и одно контрольное условие. Эти пациенты будут кратко опрошены после того, как они посетят своих врачей, с использованием стандартных показателей доверия и других вопросов. Цель состоит в том, чтобы достичь доли ответивших 65% (окончательно n = 850).

Размер выборки был определен на основе изменения на 0,3 единицы шкалы доверия Майера, адаптированной для обозначения «врача», а не «управления» между подгруппами с использованием процедуры POWER в программном обеспечении SAS версии 9.3. В своем первоначальном представлении шкала доверия Майера указывает стандартное отклонение для оценки доверия из 4 пунктов как 0,66–0,68. Размер выборки из 850 пациентов (по 170 в каждой из 5 групп) обеспечит мощность 82% для обнаружения разницы в 0,3 единицы по шкале доверия Майера после поправки Бонферрони для 10 возможных сравнений, при условии стандартного отклонения 0,7 и того, что уровень значимости 0,005 (0,05/10 сравнений) будет использоваться в этих анализах. Кроме того, такой размер выборки позволил бы подобрать достаточные параметры многопараметрических регрессионных моделей в соответствии с предлагаемым соотношением 10 пациентов для каждого предиктора в модели.

Кроме того, в дополнение к результатам опроса пациентов, проведенного РКИ, будут опрошены примерно 25 врачей Кливлендской клиники, чьи отношения в отрасли превышают 20 000 долларов США, чтобы узнать их точку зрения на раскрытие информации об ИСП. Эти интервью будут проводиться до и после РКИ и будут собирать качественные и количественные данные. Качественные данные будут анализироваться с использованием контент-анализа, итеративного процесса погружения и кодирования данных, при котором описательные данные классифицируются по дискретным кодам на основе тематического содержания, а затем используются для расчета описательной статистики.