Evaluering af AI-genererede almindelige sprogoversigter om patientforståelse af oftalmologiske noter blandt engelsktalende patienter

Denne undersøgelse anvender et to-arm randomiseret kontrolleret forsøg for at evaluere, om kunstig intelligens (AI) -genererede almindelige sprogoversigter (PLSS) kan forbedre patientens forståelse af oftalmology-noter. Kvalificerede deltagere rekrutteres under deres rutinemæssige besøg på Jules Stein Eye Institute, og når de først er blevet screenet ved hjælp af standardiserede kliniske kriterier, får de tilfældigt til at enten modtage standard oftalmology note (SON) eller SON suppleret med en AI-genereret PLS. Randomiseringsprocessen bruger en computergenereret sekvens med skjult allokering for at sikre uvildig gruppeopgave.

AI -systemet, der blev anvendt i denne undersøgelse, implementeres lokalt på et sikret UCLA -intranet. Det udnytter en stor sprogmodel (LLM), der er tilpasset og valideret til generering af almindelige sprogforklaringer af kompleks oftalmologisk information. Al behandling forekommer på UCLA-godkendte, krypterede enheder, og ingen data overføres eksternt. Inden PLS leveres til deltagerne, gennemgås hvert resume af en øjenlæge for at verificere nøjagtighed og sikre, at væsentlige kliniske detaljer er korrekt og tydeligt formidlet.

Dataindsamling udføres ved hjælp af undersøgelsesinstrumenter. Undersøgelsen inkluderer en serie på 5-punkts Likert-skalaelementer, åbne spørgsmål og strukturerede responssektioner designet til at vurdere forståelse af diagnose, behandlingsplaner og opfølgningsinstruktioner. Deltagerne gennemfører undersøgelsen umiddelbart efter deres klinikbesøg, og en opfølgende telefoninterview gennemføres cirka syv dage senere af uddannet forskningspersonale for at fange yderligere feedback om klarhed og fastholdelse af de leverede oplysninger. Undersøgelsen anvender ikke lyd- eller videooptagelse; Alle svar er enten direkte registreret af forskningspersonale eller indtastet elektronisk i en sikret database.

Statistiske analyser vil blive udført ved hjælp af standard softwarepakker for at sammenligne resultater mellem interventions- og kontrolgrupperne. Primære analyser inkluderer uafhængige t-tests eller Mann-Whitney U-test for kontinuerlige variabler, chi-square-tests for kategoriske variabler og multivariable regressionsmodeller for at justere for forvirrende variabler såsom alder, uddannelsesniveau og baseline sundhedslitteratur. Prøvestørrelsen blev beregnet til at detektere klinisk meningsfulde forskelle i forståelsesresultater, med effektanalyser, der indikerede et behov for mellem 460 og 2030 deltagere afhængigt af effektstørrelsen.

Datasikkerhed opretholdes gennem strenge foranstaltninger. Elektroniske data gemmes på krypterede, UCLA-sikrede bærbare computere og i et sikkert kasseopbevaringssted. Al datahåndtering følger UCLA -politikker og IRB -retningslinjer for datalagring og ødelæggelse, med identificerbare oplysninger ødelagt ved hjælp af sikre metoder, når de ikke længere er påkrævet.

Kvalitetskontrolprocedurer inkluderer periodiske revisioner af dataindtastning, regelmæssige gennemgangsmøder med studiepersonale og krydskontrol af undersøgelsesresponser mod kliniske poster, hvor det er relevant. En uafhængig overvågningsproces er på plads for at sikre overholdelse af undersøgelsesprotokollen og for at tackle eventuelle afvigelser straks.

Generelt er denne undersøgelse designet til at give robust bevis for gennemførligheden og effektiviteten af ​​AI-genereret PLSS til at øge patientens forståelse af komplekse medicinske oplysninger. Ved at integrere tekniske beskyttelsesforanstaltninger, strenge statistiske metoder og en strømlinet dataindsamlingsproces, sigter forskningen at levere indsigt, der kan føre til forbedrede patientkommunikationsstrategier og mere effektiv levering af sundhedsvæsenet på tværs af flere specialiteter.