Использование когнитивно-поведенческих изменений и мобильных технологий для улучшения сна и усталости RN (RN-SLEEP)

Большинство медицинских сестер в США работают в больницах и центрах оказания неотложной помощи, где их сон может быть нарушен из-за сменной работы (т. е. работы вне часов с 7:00 до 18:00) и продолжительного рабочего времени. RN также сталкиваются с огромным стрессом на работе при уходе за тяжелобольными пациентами, что может нарушить сон. Здоровье сна определяется множеством компонентов, включая время сна, регулярность, эффективность, продолжительность, качество и дневную сонливость. Когда медсестры плохо спят, они подвергаются повышенному риску последствий, которые имеют негативные последствия для здоровья и безопасности самих медсестер (например, утомляемость, развитие хронических заболеваний, травмы на рабочем месте) и их пациентов. Несмотря на эти риски, медсестры сообщают о плохом качестве сна и более короткой продолжительности сна, чем рекомендованные 7–9 часов в сутки. Были проведены некоторые исследования, которые показывают, что когда RN проходят обучение стратегиям сна (например, дневной сон перед сменой), связанным с работой посменной работы, они видят улучшение своего сна. Хотя RN и полезны, они могут получить дополнительную пользу от более целостного подхода к обучению для устранения более широких препятствий на пути ко сну, таких как стресс на работе. Комплексный подход ко сну может предоставить RN научно обоснованные навыки, позволяющие справляться с адаптацией к смене и психологическими барьерами сна, одновременно мотивируя RN с помощью поощряющих стратегий изменения поведения (например, постановки целей). В результате RN могут заметить улучшение сна и снижение утомляемости.

В этом проекте предлагается разработать программу обучения сну, предназначенную для удовлетворения потребностей медсестер, работающих посменно. Таким образом, программа обучения RN-SLEEP будет включать стратегии сменной работы, основы науки и физиологии сна, компоненты изменения поведения и стратегии, обнаруженные в эффективном лечении поведенческой медицины сна, известном как когнитивно-поведенческая терапия бессонницы (КПТ-I). . Кандидат, доктор Хиттл, обладает опытом в области охраны труда и техники безопасности, включая работу в режиме сна и посменную работу в сфере здравоохранения. Доктор Хиттл собрала команду экспертов-наставников, которые будут проводить ее обучение методам когнитивно-поведенческого сна для интеграции в вмешательства в отношении сна работников, исследования вмешательств с акцентом на мобильное здравоохранение и науку о внедрении с использованием подхода «Всеобщее здоровье работников». Краткосрочная цель доктора Хиттла — стать независимым ученым в области гигиены и безопасности труда, обладающим навыками использования методологий и приемов, необходимых для интервенционных исследований и успешного внедрения на рабочем месте. Это предложение K01 дает доктору Хиттлу возможность приобрести эти навыки и провести серию исследований, посвященных обучению работников сну. Ресурсы, время и материалы, необходимые для этого проекта, можно получить в Университете Цинциннати (Калифорния), Колледже медсестер, а также в ресурсах доктора Вонга (главного наставника) из Национального института безопасности и гигиены труда. Другие ресурсы на базе UC включают UCIT, который будет поддерживать разработку мобильных приложений доктора Хиттла, а также Центр клинического и трансляционного обучения и науки, который предлагает услуги лауреатам K01 в целях содействия молодым исследователям.

Этот проект преследует две цели:

1. Доработать мобильное приложение RN-SLEEP, чтобы определить компоненты тренировки, которые наиболее интересны для RN, желающих улучшить свой сон.
2. Для пилотного тестирования RN-SLEEP с помощью предварительного и последующего тестирования, дизайна исследования с повторными измерениями для измерения вовлеченности участников RN в RN-SLEEP, привлекательности (например, эстетики, простоты использования) и полезности содержания обучения для улучшения сна RN в течение период обучения по сравнению с образовательным тренингом по здоровому образу жизни. Этот пилотный тест также поможет исследователям лучше понять функциональность учебной деятельности.

Для цели 1 уточнение содержания RN-SLEEP:

Этот качественный компонент проекта наберет 18-24 участника для сбора данных в фокус-группах. Участники будут набраны с использованием удобного метода выборки и распределены как набранные (нерандомизированные) в одну из трех фокус-групп. В каждой фокус-группе будет от шести до восьми участников. Будет проведена первая серия фокус-групп, чтобы определить лучший контент для включения в RN-SLEEP. Содержание RN-SLEEP будет дорабатываться. Затем состоится вторая группа фокус-групп, на которой участники поделятся обновленной версией RN-SLEEP для окончательного отзыва. Размер выборки фокус-группы был определен на основе литературы. Данные фокус-группы будут проанализированы с использованием модифицированного метода сравнительного анализа констант.

Для цели 2 будет проведено пилотное тестирование вмешательства RN-SLEEP. Метод распределения участников в группы вмешательства по сравнению с контрольной группой: Как только будет установлено, что участники имеют право на участие в исследовании и будет подписано информированное согласие, исследователи рандомизируют участников в группу вмешательства RN-SLEEP или образовательную контрольную группу. Исследователи будут использовать REDCap, платформу управления данными, чтобы случайным образом распределять участников, разделяя группы по полу, о котором они сообщают сами.

Метод реализации вмешательства: Будут собраны исходные показатели. Затем участникам будет предложено ежедневно взаимодействовать с RN-SLEEP или образовательной контрольной группой в зависимости от назначенной им группы в течение четырех недель. Данные о результатах вмешательства будут собираться через 4 и 8 недель после завершения периода вмешательства.

Метод определения размера выборки: Наша цель набрать 76 участников (по 38 на каждую группу). Исследователи определили размер нашей выборки на основе расчетов мощности наших основных показателей результата (продолжительность сна и качество сна), а также на основе литературы и предыдущих работ PI. Исследователи увеличили целевую общую выборку для расчета мощности, составляющую 58 участников, на 30%, чтобы учесть всех участников, потерянных из-за истощения.

Метод анализа данных:

Первичные показатели результатов (продолжительность сна, качество сна): описательная статистика (т. е. средние значения, 95% доверительные интервалы) будет использоваться для описания характеристик и переменных результатов для всей выборки исследования и каждой исследовательской группы (вмешательство и контроль образования). Различия между группами по продолжительности и качеству сна будут оцениваться с использованием независимого для двух групп t-теста или U Манна-Уитни (при необходимости непараметрического тестирования). Если наблюдаются статистические различия между продолжительностью и качеством сна, соответствующий статистический анализ будет завершен с включением в модель положительно коррелирующих ковариат.

Вторичные показатели результатов: утомляемость, другие показатели здоровья сна (время, регулярность, эффективность, дневная сонливость), эффективность сна и убеждения. Описательная статистика по усталости, представлениям о сне, самоэффективности и остальным показателям здоровья сна будет изучена для предварительной оценки. тенденции данных после обучения для интервенционной и контрольной групп.

Вторичные показатели результатов: показатели приемлемости, удобства использования и вовлеченности мобильных приложений. Исследователи рассчитают и представят описательную статистику по показателям приемлемости, удобства использования и вовлеченности приложения через 4 и 8 недель после обучения.

Другие критерии результатов: критерии осуществимости исследования. Исследователи будут отслеживать статистику набора и удержания участников на протяжении всего исследования. Исследователи сообщат о прошедших отбор, прошедших отбор и зачисленных участниках, а также о показателях удержания участников через 4 и 8 недель после сбора данных после обучения.