聋哑儿童的远程治疗

将从多家儿科医院的耳鼻喉科/听力学诊所招募210名确诊为永久性听力损失的0-27个月的儿童。 所有这些都为广泛多样化的 D/HH 人群提供利益差异的护理。 进入耳鼻喉科/听力学诊所的儿童将接受资格筛查。 一旦确认资格，将提供入学机会。 一旦入组，所有小组都将在基线时以及此后每 9 个月在每个地点接受全面的言语、语言和生活质量评估。 评估将包括语言、言语、词汇、听力相关的生活质量、父母自我效能和早期干预效益的衡量。 研究人员还将额外测量治疗利用率以及基线人口统计和临床特征。

儿童将被分配到以下三个研究组之一： 1) Low-UC（低收入儿童，随机接受常规护理）； 2) 低 TT（低收入儿童，随机接受常规护理加上补充远程治疗），以及； 3) High-UC（高收入儿童，接受常规护理）。 低 TT 组将在家中接受为期 18 个月的远程治疗。

本研究的总体目标是了解改善 D/HH 儿童获得远程治疗的机会是否可以减少语言结果的差异。 在整个研究过程中，将与家长和利益相关者顾问进行持续接触，以确保以患者为中心和传播潜力。

具体目标 1：初步分析 I

人口统计和其他基线数据（包括家庭特征数据）将由治疗组列出并进行描述性总结。 分类数据将以频率和百分比的形式呈现。 对于连续数据，将显示平均值、标准差、中位数、四分位数间距、最小值和最大值。 完整分析集 (FAS) 包括通过随机分配试验治疗的所有儿童。 根据意向治疗原则，将根据通过随机化程序将儿童分配到的治疗组和分层来完成分析。

该试验的主要目的是比较接受 TT 和 UC 的低收入儿童在 18 个月时的听觉理解 (AC)。 将测试以下统计假设以实现主要目标：Ho：θ1 = 0 与 HA：θ1 ≠ 0，其中 θ1 是 18 个月时 Low-TT 和 Low-UC 之间的差异。 检验这一假设并比较两个治疗组的主要分析将包括根据主要终点 AC 的线性回归模型生成的 t 检验，并根据分层因素进行调整。 将计算治疗之间的差异及其 95% CI。 总共 140 名低收入儿童需要按 1:1（每组 70 名）随机分配到 TT 或 UC，以达到 90% 的统计功效来检测 0.75 的效应大小（根据表 1 估算，使用公共保险作为替代假设主要终点的共同标准差为 21.3，差异为 16：87 与 71（假设差异较小）：18 个月时的 PLS-5 AC。 该样本量针对 20% 的退出率和 0.1 的方差膨胀因子 (50/(1-.1)) 进行了调整，以考虑模型中调整的因素（平方多重相关系数为 0.1）。 该计算基于假设方差相等（假设表 1 中两个标准差 21.3 中较大者）和两侧 alpha 水平 0.017（Bonferroni 调整：0.05/3 共同主要假设）的双样本 t 检验。 ）。

具体目标 1：初步分析 II 和 III

虽然本研究的主要问题是解决远程治疗是否可以改善弱势家庭的语言结果和获得专业服务的机会，但研究人员还旨在研究远程治疗是否可以缩小低收入家庭和高收入家庭之间的语言结果差距。 对高收入家庭进行非随机队列研究（但保留它们作为额外比较）是合理的，因为高收入家庭如果需要，无论孩子是否参与研究，都可能获得补充服务。 研究人员将在对低收入儿童进行随机对照试验的同时，招募高收入患者。 因此，检验统计假设非常重要：Ho：θ2 = 0 与 HA：θ2 ≠ 0，其中 θ2 是接受 TT 的低收入儿童和接受 UC 的高收入儿童在 18 个月时 AC 的差异； Ho：θ3 = 0 与 HA：θ3 ≠ 0，其中 θ3 是接受 UC 的低收入儿童和接受 UC 的高收入儿童在 AC 18 个月时的差异。

高收入儿童将在听力水平和招生网站上进行匹配。 对于后面的比较，控制变量还将包括已知与 AC 相关的基线特征，其中包括临床属性和人口统计学差异，并且将使用配对测试评估潜在差异。 为了评估不同研究组的结果轨迹是否不同，研究人员将使用混合效应线性（对于连续结果）和逻辑（对于二分次要结果）回归分析。 研究人员将通过测试是否包含时间的二次项或三次项（最多 3 次访问：基线、9 个月和 18 个月）或个人的随机斜率来灵活地建模轨迹，以改善模型拟合，并在显着性（P <0.05) 似然比检验。 将使用 SAS v 9.4 中的 F 检验和估计后 t 检验来评估总体差异。 研究人员还将探索分数随时间的变化率。 所有次要结果都将使用这种混合建模方法进行评估，包括生活质量结果。 研究人员还将评估模型拟合（例如残差）并评估转换结果（例如对数变换）是否提供最佳拟合。 为了考虑匹配，研究人员还将考虑随机效应。

研究人员还将通过隔离人体内的变化来评估基线值是否会受到混淆。 混合效应模型的好处在于，即使某些个体缺少观察结果，此类模型也能产生无偏估计，调整随访的差异损失，适应不规则的时间测量，并按照本研究的要求考虑个体的聚类。 小于 0.017 的两侧 p 值将被视为具有统计显着性（Bonferroni 校正了三个假设 (0.05/3)。 将报告估计值和相关的 95% 置信区间，包括多次测试的校正区间。

将招募210名儿童：70名高收入儿童； 140 名低收入者，其中 70 名接受 TT，70 名接受 UC，如上所述。 将通过 3 次访问的重复测量设计来评估比较接受 TT 和 UC 的高收入儿童与低收入儿童的估计统计功效。 它假设对这三组进行方差分析 F 检验。 研究人员假设相关性为 0.9，受试者间方差为 0.22，误差方差为 2，Bonferroni 校正 alpha 水平为 0.017，得出的统计功效为 92%。 研究人员预计，18 个月时 Low-UC 和 High-UC 之间的配对 t 检验比较将达到至少 90% 的统计功效，检测到 27.5 的差异（表 1）。 对于 Low-TT 和 High-UC 的成对 t 检验，研究人员根据表 1 估计可检测差异为 10.1，统计功效为 81%。 上述所有计算均假设脱落率为 20%，共线性调整为 0.1（对于成对比较，组内相关系数为 0.4）。 这些样本量计算是使用 Stata 15.1 进行的。

具体目标 2：回顾性二次分析

人口统计和其他基线数据将按使用组、TT 或 UC 进行描述性列出和总结。 分类数据和连续数据将按照目标 1 中的描述进行总结。 将使用线性模型（类似于目标 1）来评估 AC、主要结果和 18 个月时六个差异中的每一个之间的关联。 异质治疗效果 (HTE) 将使用标准 HTE 方法进行评估，即利用组与每个差异之间的相互作用。 将评估差异是否单独作用或组合作用（≥2 个差异，例如讲西班牙语并接受公共保险的人）。 将通过执行敏感性分析来评估可能影响模型结果的潜在混杂因素（如上所述）和其他人口统计差异。 研究人员还将使用目标 1 中描述的混合模型方法，通过拟合时间与治疗、视差的交互作用来探索交互作用是否随时间变化。 研究人员进行了模拟来探索检测 HTE 的潜在统计功效。 每个模拟重复 1000 次以提供精确的估计，研究人员总共包含了 6 个差异，这与分析计划一致。 研究人员改变了已知差异 HTE 的差异数量（2 至 5 个差异）和不已知差异 HTE（即无差异 HTE）的差异数量，以及效应大小（0.4 至 1.0）。 假设样本总数为 210 名儿童。 研究人员预计大约 78 名儿童使用 TT，132 名儿童使用 UC。 研究人员还假设了 Bonferroni 校正（0.008=0.05/6 差异），以帮助防止家庭错误率 (FWER) 为 0.05。 研究人员纳入了线性回归模型中的主效应（即利用 TT 组与 UC 组）、差异（二分法）以及差异和利用组之间的交互作用。 该模拟的结果表明，无论效应大小如何，分别检测 2 个差异的已知 HTE，ES = 0.4 或 ES = 1.0，都有超过 80% 的统计功效来检测已知的 HTE，同时将剩余 4 个差异的 FWER 控制在 5%，而没有影响。 HTE 出席。 为了检测 5 个已知差异，当 ES = 0.4 和 ES=1.0 时，统计功效分别为 68% 和 83%。 研究人员使用 SAS v.9.4 来估计统计功效。 20% 的辍学率是基于 UCSF D/HH 诊所针对低收入 D/HH 儿童的 18 个月历史随访率 (80%)。 差旅和时间对于 3 项所需的学习评估来说非常重要，但会得到补偿；从这些评估中获得的信息也将为临床护理做出宝贵贡献，并将与临床护理和早期干预团队共享。 评估还将与孩子的标准临床护理保持一致，该护理要求每 6-9 个月进行一次现场听力学检查。 作为一项比较有效性研究，研究人员接受各组之间的污染和非盲设计：家庭可能会根据是否被分配到远程治疗组而对具体寻求哪些服务做出不同的决定。 家庭可能会受到早期干预中心和社区支持团体的影响；通过这些论坛的污染可能会影响本研究之外的服务选择，并减少相对于我们的回顾性数据的影响大小。 将为所有群体仔细衡量服务。 研究人员将探讨治疗的利用是否与结果相关，可能作为中介因素。 为了证明治疗利用是 18 个月时干预的中介因素，研究人员将评估它是否对主要结局有主要影响或相互作用影响。 当存在暴露-介导相互作用时，研究人员将估计我们的回归模型的直接和间接影响。 为了考虑交叉和污染的可能影响，研究人员将考虑进行边际结构建模作为敏感性分析。