Наши коллеги - Расширение прав и возможностей и навигационная поддержка (OP-ENS)

Целью данного исследования является оценка предварительной эффективности и социальной валидности OP-ENS (Наши коллеги - Расширение прав и возможностей и навигационная поддержка). 12-месячное вмешательство навигатора по вопросам здоровья сверстников составляет план клинического испытания на выборке взрослых получателей Medicaid с физическими недостатками, проживающих в сообществе.

Участники будут набраны через сообщества и клинические сети и проверены на соответствие требованиям. Участники будут случайным образом распределены либо в группу вмешательства, либо в группу обычного ухода. Участники группы вмешательства будут сопоставлены с обученным навигатором по здоровью сверстников (который также является человеком с ограниченными физическими возможностями). Используя структурированный процесс выявления барьеров, постановки целей и планирования действий, навигаторы по вопросам здоровья сверстников будут работать с участниками, чтобы помочь решить их медицинские потребности и проблемы, включая такие вещи, как общение между пациентом и врачом, транспорт, доступ к медицинскому оборудованию длительного пользования. Важно отметить, что навигаторы здоровья сверстников не являются поставщиками медицинских услуг и не дают медицинских или медицинских рекомендаций. Участников интервенционного испытания просят встречаться со своим навигатором по здоровью сверстников не реже одного раза в месяц в течение периода исследования. Для поощрения участия в этом вмешательстве в протокол исследования включены прогрессивные микростимулы. Чтобы способствовать уравновешенности, аналогичный график микростимулирования создается для обычной группы ухода.

Сбор данных. Все участники, независимо от распределения по группам, будут опрошены в 3 временных точках (исходный уровень, 6 месяцев, 13 месяцев) с использованием показателей самоотчета о доступе к здравоохранению, его качестве и результатах, а также показателей социальной поддержки и пациента. активация. Сборщики данных не будут знать о групповом назначении и не будут участвовать в осуществлении вмешательства OP-ENS.

Анализ данных. Исследователи будут использовать модель смешанных эффектов, используя каждый результат исследования в качестве изменяющейся во времени зависимой переменной и группу лечения (ПГН по сравнению с обычным лечением) в качестве основного фиксированного эффекта. Исходные характеристики, включая расу/этническую принадлежность, пол и социально-экономический статус, будут введены как неизменные во времени ковариаты, если наблюдаются исходные групповые различия (несмотря на рандомизацию). Перехват объекта будет смоделирован как случайный эффект. Нулевая гипотеза будет отвергнута, если будет наблюдаться значительный эффект взаимодействия группа*время. Исследователи предполагают, что PHN будет иметь более благоприятную траекторию результатов исследования, чем согласованная контрольная группа. Для каждой гипотезы будет проведен апостериорный анализ для оценки различий в каждой переменной результата между двумя группами в разные моменты времени. Смешанные модели будут работать с использованием PROC MIXED из SAS 9.3 (Cary, Северная Каролина). Метод оценки будет методом максимального правдоподобия (ML). Различные ковариационные структуры (регрессия первого порядка, составная симметрия, тёплица, компоненты дисперсии, неструктурированные) будут тщательно изучены и сравнены для наилучшего соответствия модели, информации Акаике (AIC) и байесовских информационных критериев (BIC). Эти статистические данные являются функциями логарифмической вероятности и могут сравниваться между моделями. Поскольку отсутствующие данные неизбежны в лонгитюдном исследовании, значения будут, по возможности, импутированы с использованием либо среднего (медианного) замещения, либо формальных процедур импутации, таких как алгоритм EM, если отсутствующие данные представляют собой MCAR (полностью случайное отсутствие) или MAR (случайное отсутствие). Если отсутствующие данные являются NMAR (отсутствуют не случайным образом), будет использоваться подход «смесь шаблонов» для вычисления «средневзвешенного» параметров, связанных с отсутствующими данными, для оценки того, какими были бы данные.