- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT06108037
DHL-undersøgelse om generativ AI til MyChart Messaging
Duke Health lytter undersøgelse om generativ kunstig intelligens (AI) til MyChart Messaging
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
- Efterforskerne vil lave korte undersøgelser online for at spørge patienterne, hvordan de har det med at bruge computerprogrammer, der skaber beskeder i deres lægejournaler.
- Undersøgelserne vil vise fiktive situationer, hvor patienter stiller spørgsmål og får svar fra enten rigtige mennesker eller computerprogrammer, med eller uden en afsløring om, hvordan svaret er skrevet.
- Efterforskerne vil bede personerne, der deltager i undersøgelsen, om at dele, hvad de synes om disse situationer ved hjælp af værktøjer som vurderingsskalaer, sammenligningsskalaer eller skriftlige svar.
- Hvis patienterne ønsker det, kan de give deres kontaktoplysninger for at være en del af fremtidige diskussionsgrupper. Deltagerne behøver ikke at give nogen personlige oplysninger for at gennemføre undersøgelsen.
Undersøgelsestype
Tilmelding (Faktiske)
Fase
- Ikke anvendelig
Kontakter og lokationer
Studiesteder
-
-
North Carolina
-
Durham, North Carolina, Forenede Stater, 27710
- Duke University Health System
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Beskrivelse
Inklusionskriterier:
- Medlem af Duke Health Listens-patientadvokatsamfundet
Ekskluderingskriterier:
- Alder <18
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Andet
- Tildeling: Randomiseret
- Interventionel model: Parallel tildeling
- Maskning: Enkelt
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
---|---|
Andet: Arm A
Hver arm vil modtage 3 kliniske scenarier fordelt over tid på tværs af 3 afsendelser. De 6 grupper (Arms A-F) vil blive arrangeret med navnekonventioner som sådan:
Arm A modtager AHN i Send 1, BAIC i Send 2 og CHH i Send 3 |
Vi vil bruge en stor sprogmodel såsom GPT 3.5 til automatisk at generere svar på fiktive beskeder til en læge.
Vi vil oplyse, om meddelelsen blev genereret ved hjælp af denne teknologi eller ej.
Der er 3 kliniske scenarier og 6 par af human/AI-respons og menneskelig afsløring/AI-afsløring/ikke afsløret, som vil teste patientens holdninger til denne teknologi.
|
Andet: Arm B
Hver arm vil modtage 3 kliniske scenarier fordelt over tid på tværs af 3 afsendelser. De 6 grupper (Arms A-F) vil blive arrangeret med navnekonventioner som sådan:
Arm B modtager BHC i Send 1, CAIH i Send 2 og AAIN i Send 3 |
Vi vil bruge en stor sprogmodel såsom GPT 3.5 til automatisk at generere svar på fiktive beskeder til en læge.
Vi vil oplyse, om meddelelsen blev genereret ved hjælp af denne teknologi eller ej.
Der er 3 kliniske scenarier og 6 par af human/AI-respons og menneskelig afsløring/AI-afsløring/ikke afsløret, som vil teste patientens holdninger til denne teknologi.
|
Andet: Arm C
Hver arm vil modtage 3 kliniske scenarier fordelt over tid på tværs af 3 afsendelser. De 6 grupper (Arms A-F) vil blive arrangeret med navnekonventioner som sådan:
Arm C modtager CHC i Send 1, AHH i Send 2 og BAIN i Send 3 |
Vi vil bruge en stor sprogmodel såsom GPT 3.5 til automatisk at generere svar på fiktive beskeder til en læge.
Vi vil oplyse, om meddelelsen blev genereret ved hjælp af denne teknologi eller ej.
Der er 3 kliniske scenarier og 6 par af human/AI-respons og menneskelig afsløring/AI-afsløring/ikke afsløret, som vil teste patientens holdninger til denne teknologi.
|
Andet: Arm D
Hver arm vil modtage 3 kliniske scenarier fordelt over tid på tværs af 3 afsendelser. De 6 grupper (Arms A-F) vil blive arrangeret med navnekonventioner som sådan:
Arm D modtager AAIH i Send 1, BHN i Send 2 og CAIC i Send 3 |
Vi vil bruge en stor sprogmodel såsom GPT 3.5 til automatisk at generere svar på fiktive beskeder til en læge.
Vi vil oplyse, om meddelelsen blev genereret ved hjælp af denne teknologi eller ej.
Der er 3 kliniske scenarier og 6 par af human/AI-respons og menneskelig afsløring/AI-afsløring/ikke afsløret, som vil teste patientens holdninger til denne teknologi.
|
Andet: Arm E
Hver arm vil modtage 3 kliniske scenarier fordelt over tid på tværs af 3 afsendelser. De 6 grupper (Arms A-F) vil blive arrangeret med navnekonventioner som sådan:
Arm E modtager BAIH i Send 1, CHN i Send 2 og AHC i Send 3 |
Vi vil bruge en stor sprogmodel såsom GPT 3.5 til automatisk at generere svar på fiktive beskeder til en læge.
Vi vil oplyse, om meddelelsen blev genereret ved hjælp af denne teknologi eller ej.
Der er 3 kliniske scenarier og 6 par af human/AI-respons og menneskelig afsløring/AI-afsløring/ikke afsløret, som vil teste patientens holdninger til denne teknologi.
|
Andet: Arm F
Hver arm vil modtage 3 kliniske scenarier fordelt over tid på tværs af 3 afsendelser. De 6 grupper (Arms A-F) vil blive arrangeret med navnekonventioner som sådan:
Arm F modtager CAIN i Send 1, AAIC i Send 2 og BHH i Send 3 |
Vi vil bruge en stor sprogmodel såsom GPT 3.5 til automatisk at generere svar på fiktive beskeder til en læge.
Vi vil oplyse, om meddelelsen blev genereret ved hjælp af denne teknologi eller ej.
Der er 3 kliniske scenarier og 6 par af human/AI-respons og menneskelig afsløring/AI-afsløring/ikke afsløret, som vil teste patientens holdninger til denne teknologi.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Patienttilfredshed, målt ved undersøgelse
Tidsramme: Op til 2 uger
|
Likert-skalasvar på tilfredshedsspørgsmål: "Jeg er tilfreds med denne interaktion", på en skala fra 1-5 med svarmulighederne Meget uenig (1), Uenig (2), Hverken enig eller uenig (3), Enig (4) ), og meget enig (5).
|
Op til 2 uger
|
Patientholdninger til nytte, målt ved undersøgelse
Tidsramme: Op til 2 uger
|
Likert-skalasvar på nyttespørgsmål: "Oplysningerne er nyttige", på en skala fra 1-5 med svarmulighederne Meget uenig (1), Uenig (2), Hverken enig eller uenig (3), Enig (4), og meget enig (5).
|
Op til 2 uger
|
Patientempati, målt ved undersøgelse
Tidsramme: Op til 2 uger
|
Likert-skalasvar på empatispørgsmål: "Jeg føler mig holdt af under denne interaktion", på en skala fra 1-5 med svarmulighederne Meget uenig (1), Uenig (2), Hverken enig eller uenig (3), Enig ( 4), og meget enig (5).
|
Op til 2 uger
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Ledende efterforsker: Anand Chowdhury, MD, MMCi, Duke University
Publikationer og nyttige links
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 (Anslået)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- Pro00113587
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
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 .
Kliniske forsøg med Meddelelse
-
Nantes University HospitalIMT Mines Albi - France (https://www.imt-mines-albi.fr/)UkendtEmergency Medical Service Communication Systems, Health Care
-
Autism SpeaksUniversity of California, Los Angeles; Vanderbilt University; Hugo W. Moser...AfsluttetJoint Engagement + Enhanced Milieu Training | Joint Engagement + Enhanced Milieu Training + Augmentative Communication (AAC)Forenede Stater