我们的同行 - 授权和导航支持 (OP-ENS)

本研究的目的是评估 OP-ENS（我们的同行 - 授权和导航支持）的初步有效性和社会有效性。 为期 12 个月的同伴健康导航干预在社区居住的身体残疾的成年医疗补助受益人样本中进行临床试验设计。

参与者将通过社区和临床网络招募并进行资格筛选。 参与者将被随机分配到干预组或常规护理组。 干预组的参与者将与训练有素的同伴健康导航员（也是身体残疾的人）相匹配。 使用障碍识别、目标设定和行动计划的结构过程，同伴健康导航员将与参与者合作，帮助解决他们的医疗保健需求和担忧，包括患者与提供者的沟通、交通、获得耐用医疗设备等。 重要的是要注意同伴健康导航员不是医疗保健提供者，也不提供医疗或健康建议。 干预试验的参与者被要求在研究期间至少每月与他们的同伴健康导航员会面一次。 为了鼓励参与这种干预，渐进式微激励被整合到研究方案中。 为了促进平衡，为常规护理组创建了类似的微观激励计划。

数据收集——所有参与者，无论分组如何，都将在 3 个时间点（基线、6 个月、13 个月）接受采访，使用自我报告的医疗保健获取、质量和结果措施以及社会支持和患者措施激活。 数据收集者将对组分配视而不见，并且不参与 OP-ENS 干预的实施。

数据分析——研究人员将采用混合效应模型，将每个研究结果作为随时间变化的因变量，并将治疗组（PHN 与常规护理）作为主要固定效应。 如果观察到基线组差异（尽管进行了随机化），则包括种族/族裔、性别和社会经济地位在内的基线特征将作为时不变协变量输入。 主题拦截将被建模为随机效应。 如果观察到显着的组*时间交互作用，则零假设将被拒绝。 研究人员假设 PHN 将比匹配的对照组具有更有利的研究结果轨迹斜率。 对于每个假设，将进行事后分析以评估两组在不同时间点的每个结果变量的差异。 混合模型将使用来自 SAS 9.3 (Cary, NC) 的 PROC MIXED 运行。 估计方法将是最大似然法 (ML)。 将仔细检查和比较各种协方差结构（一阶回归、复合对称、toeplitz、方差分量、非结构化）以获得最佳模型拟合、赤池信息 (AIC) 和贝叶斯信息准则 (BIC)。 这些统计数据是对数似然函数，可以跨模型进行比较。 由于在纵向研究中缺失数据是不可避免的，如果缺失数据是 MCAR（完全随机缺失）或 MAR（随机缺失），将尽可能使用均值（中值）替代或正式插补程序（例如 EM 算法）来估算值。 如果缺失数据是 NMAR（不是随机缺失），“模式混合”方法将用于计算与缺失数据相关的参数的“加权平均值”，以估计数据的本来面目。