Artificial Intelligent Clinical Decision Support System Simulation Center Study for Technology Accept
Artificial Intelligent Clinical Decision Support System Simuleringscenter Undersøgelse: Tillid og nytte af maskinlæring Risikostratificeringsværktøj til akut gastrointestinal blødning ved hjælp af teknologiacceptmodellen
Studieoversigt
Detaljeret beskrivelse
Det indledende eksperiment vil implementere en tidligere valideret maskinlæringsalgoritme trænet på eksisterende kliniske datasæt inden for simuleringsscenarier, hvor en patient med akut gastrointestinal blødning (ved lav, moderat og høj risiko for dårligt resultat) evalueres.
Forud for simuleringen vil et grundlæggende uddannelsesmodul om kunstig intelligens, maskinlæring og klinisk beslutningsstøtte blive leveret til alle deltagere. Efterforskerne vil etablere psykologisk sikkerhed ved at detaljere, hvad der er tilgængeligt i rummet, muligheden for at ringe til en konsulent og tilgængeligheden af laboratorie- og radiografiske undersøgelser. Hvert klinisk scenarie vil køre i ca. 10 minutter baseret på reelle patienttilfælde, hvor vitale tegn ændrer sig over tid, og laboratorieværdier gøres tilgængelige på specifikke punkter i vurderingen. Undersøgelsen følger et 3 (scenarierisiko: lav, middel, vs. høj) gange 2 (AI-framing: værktøj vs. teammedlem) gange 2 (gennemsigtighed: lav vs. høj) faktorielt design. Hver deltager modtager alle tre scenarier i stigende risikorækkefølge (indenfor-subjekt-faktor), men er randomiseret til én AI-framing og én transparensbehandlingstilstand (mellem-fagsfaktorer).
Til AI-teammedlems-framing-behandlingen vil deltagerne under pre-simuleringsbriefingen blive stillet til rådighed en ramme af kunstig intelligens / maskinlæringsalgoritmer som et teammedlem, og ikke blot et værktøj, med introduktionen af begrebet en teori om sind for algoritmer til at forstå, hvordan deres ræsonnement kan komplementere menneskelig ræsonnement. Desuden vil computerarbejdsstationen, hvorpå algoritmen køres, blive placeret ved patientens seng. Derudover vil AI-CDSS blive præsenteret i en ChatGPT/GPT-4 chatbot-stil interface, som udbydere naturligt kan interagere med ved sengekanten. I værktøjsrammetilstanden vil de blive givet en typisk forklaring på AI-CDSS som et værktøj. I dette tilfælde vil computeren med algoritmen blive placeret i et hjørne væk fra patienten. Som sådan vil den blive præsenteret som en taburet af regnemaskine.
Til gennemsigtighedsbehandlingen vil det algoritmiske output have enten "lav" gennemsigtighed (med kun risikovurderingen og anbefalingen) eller "høj" gennemsigtighed (med en forklaring af modellens input og muligheden for at forespørge input enten gennem brugerrettede klik i en web-app i værktøjsrammetilstanden eller direkte med den ChatGPT-afledte grænseflade, der kan behandle brugerrettede forespørgsler i en brugervenlig chatbot i naturligt sprog i teammedlemsrammerne, hvilket resulterer i præsentation af input, der påvirker modeloutputtet for at give en mental model af algoritmen).
Undersøgelsestype
Tilmelding (Faktiske)
Fase
- Ikke anvendelig
Kontakter og lokationer
Studiesteder
-
-
Connecticut
-
New Haven, Connecticut, Forenede Stater, 06510
- Yale New Haven Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Beskrivelse
Inklusionskriterier:
- Intern medicin residency praktikanter på studieinstitution
- Akutmedicin residency praktikanter på studieinstitution
Ekskluderingskriterier:
- N/A
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Sundhedstjenesteforskning
- Tildeling: N/A
- Interventionel model: Parallel tildeling
- Maskning: Ingen (Åben etiket)
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
Eksperimentel: Stor sprogmodelbaseret interaktion
LLM-drevet chatbot med maskinindlærings-dashboardet for at give risikovurderingen og give rationale baseret på fortolkningsmålinger leveret af dashboardet, hvor undersøgelsesdeltagere direkte kan interagere med at bruge naturligt sprog.
Deltagerne vil få det Generative Pre-trained Transformer (GPT) chatbot-drevet maskinlæringsmodel-dashboard.
|
Brug af en Large Language Model (LLM) chatbot-grænseflade til at interagere med Machine Learning Algorithm og dashboard til fortolkning.
|
|
Ingen indgriben: Machine Learning Dashboard
Maskinlæringsalgoritmeoutput med et interaktivt dashboard, der kan bruges til at forklare eller fortolke de inputfaktorer, der bidrager mest til den genererede risikoscore.
Deltagerne har kun adgang til maskinlæringsdashboardet.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Median Change in Attitudes Towards Machine Learning Algorithms in Clinical Care Using UTAUT
Tidsramme: Approximately 60 minutes
|
The study will use a common set of dependent variables to assess baseline and post-intervention attitudes towards machine learning algorithms in clinical care using an adapted Unified Theory of Acceptance and Use of Technology (UTAUT) survey assessing perceived usefulness of the system, perceived ease of use, attitudes towards using it, behavioral intentions, and trust, measured with a 5-point Likert scale.
Percent change in UTAUT survey response between Large Language Model-based Interaction and Machine Learning Dashboard at recruitment prior to administration of scenarios and immediately after completion of scenarios.
The difference in time between the two will be approximately 60 minutes.
Higher change indicates greater acceptance/intention to use the GutGPT+Dashboard.
|
Approximately 60 minutes
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Clinician Decision Making of Triage of GI Bleeding
Tidsramme: Approximately 60 minutes
|
Mean percentage of decision accuracy per participant.
Accuracy is defined as the percentage of times participants accurately choose the correct clinical decision for each simulation scenario of acute upper GI bleeding for each treatment condition.
Immediately after completion of scenarios (60 minutes from initiation of study for each participant).
No further follow up afterwards.
|
Approximately 60 minutes
|
Samarbejdspartnere og efterforskere
Sponsor
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: Dennis Shung, MD, Yale School of Medicine Section of Digestive Diseases
Publikationer og nyttige links
Generelle publikationer
- Laine L, Jensen DM. Management of patients with ulcer bleeding. Am J Gastroenterol. 2012 Mar;107(3):345-60; quiz 361. doi: 10.1038/ajg.2011.480. Epub 2012 Feb 7.
- Laine L. Risk Assessment Tools for Gastrointestinal Bleeding. Clin Gastroenterol Hepatol. 2016 Nov;14(11):1571-1573. doi: 10.1016/j.cgh.2016.08.003. Epub 2016 Aug 10. No abstract available.
- Leonardi, P. M. 2009. Why do people reject new technologies and stymie organizational changes of which they are in favor? Exploring misalignments between social interactions and materiality. Human Communication Research, 35(3): 407-441.
- Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27(3), 425-478
- Chung S, Giuffre M, Rajashekar N, Pu Y, Shin YE, Kresevic S, Chan C, Nakamura-Sakai S, You K, Saarinen T, Hsiao A, Wong AH, Evans L, McCall T, Kizilcec RF, Sekhon J, Laine L, Shung DL. Usability and adoption in a randomized trial of GutGPT a GenAI tool for gastrointestinal bleeding. NPJ Digit Med. 2025 Aug 18;8(1):527. doi: 10.1038/s41746-025-01896-5.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Faktiske)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2000034521
- 1K23DK125718-01A1 (U.S. NIH-bevilling/kontrakt)
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .