Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Artificial Intelligent Clinical Decision Support System Simulation Center Study for Technology Accept

8. november 2023 opdateret af: Yale University

Artificial Intelligent Clinical Decision Support System Simuleringscenter Undersøgelse: Tillid og nytte af maskinlæring Risikostratificeringsværktøj til akut gastrointestinal blødning ved hjælp af teknologiacceptmodellen

Formålet med dette forskningsstudie er at måle brugervenlighed, holdninger og udbydertillid, når de interagerer med en maskinlæringsalgoritme og et klinisk beslutningsstøttesystem i forbindelse med blødning fra den øvre mave-tarmkanal (øvre GIB). Specifikt søger efterforskerne at vurdere den optimale implementering af sådanne maskinlæringsalgoritmer i simuleringsscenarier for bedst at øge udnyttelsen og forbedre resultaterne. Deltagerne vil blive randomiseret til forskellige implementeringsindstillinger for maskinlæringsalgoritmen og eksponeret for simuleringstilfælde af øvre GIB for at bestemme, hvordan de interagerer med maskinlæringsalgoritmen.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

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

Interventionel

Tilmelding (Anslået)

85

Fase

  • Ikke anvendelig

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Studiesteder

  • Forenede Stater
    • Connecticut
      • New Haven, Connecticut, Forenede Stater, 06510
        • Rekruttering
        • Yale New Haven Hospital
        • Kontakt:

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ja

Beskrivelse

Inklusionskriterier:

  • Intern medicin residency praktikanter på studieinstitution
  • Akutmedicin residency praktikanter på studieinstitution

Ekskluderingskriterier:

  • N/A

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Primært formål: Sundhedstjenesteforskning
  • Tildeling: Randomiseret
  • 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.
Andet: LLM
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
Ændring i holdninger til maskinlæringsalgoritmer i klinisk pleje ved hjælp af UTAUT
Tidsramme: Cirka 60 minutter
Undersøgelsen vil bruge et fælles sæt af afhængige variabler til at vurdere baseline og post-intervention holdninger til maskinlæringsalgoritmer i klinisk pleje ved hjælp af en tilpasset Unified Theory of Acceptance and Use of Technology (UTAUT) undersøgelse, der vurderer opfattet anvendelighed af systemet, opfattet lethed ved brug, holdninger til at bruge det, adfærdsmæssige intentioner og tillid, målt med en 5-punkts Likert-skala. Ændring i UTAUT-undersøgelsessvar ved rekruttering før administration af scenarier og umiddelbart efter afslutning af scenarier. Forskellen i tid mellem de to vil være cirka 60 minutter.
Cirka 60 minutter
Klinikerens beslutningstagning af triage af GI-blødning
Tidsramme: Cirka 60 minutter
Denne undersøgelse vil bestemme antallet af undersøgelsesdeltagere (ud af alle undersøgelsesdeltagere i gruppen), som nøjagtigt vælger den korrekte kliniske beslutning for hvert simulationsscenarie af akut øvre gastrointestinale blødning for hver behandlingstilstand. Umiddelbart efter afslutning af scenarier (60 minutter fra studiestart for hver deltager). Ingen yderligere opfølgning efterfølgende.
Cirka 60 minutter

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Yale University

Samarbejdspartnere

National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK)

Efterforskere

  • Ledende efterforsker: Dennis Shung, MD, Yale School of Medicine Section of Digestive Diseases

Publikationer og nyttige links

Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.

Generelle publikationer

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

23. maj 2023

Primær færdiggørelse (Anslået)

31. august 2024

Studieafslutning (Anslået)

31. august 2024

Datoer for studieregistrering

Først indsendt

13. marts 2023

Først indsendt, der opfyldte QC-kriterier

14. april 2023

Først opslået (Faktiske)

18. april 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Anslået)

9. november 2023

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

8. november 2023

Sidst verificeret

1. november 2023

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)?

INGEN

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

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 .

Kliniske forsøg med Gastrointestinal blødning

Kliniske forsøg med LLM

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in China

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

3
Abonner