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

Generativ AI-baseret simulering til diagnostisk kommunikation i type 2-diabetes (DIALOGUE-DM2) (DIALOGUE-DM2)

26. december 2025 opdateret af: Héctor Iván Saldívar Cerón, Universidad Nacional Autonoma de Mexico

Generativ AI-simulering til diagnostisk kommunikation i type 2-diabetes: Et randomiseret kontrolleret forsøg (DIALOGUE-DM2)

Denne randomiserede kontrollerede undersøgelse evaluerer effektiviteten af et generativt kunstig intelligens (AI)-baseret simuleringsprogram til at forbedre diagnostiske kommunikationsfærdigheder blandt medicinstuderende. Studiet udføres på Faculty of Higher Studies Iztacala, National Autonomous University of Mexico (UNAM).

I alt 120 medicinstuderende randomiseres til enten en interventionsgruppe, der bruger DIALOGUE-DM2 AI-simuleringsplatformen, eller en kontrolgruppe, der følger traditionelle uddannelsesmetoder. Deltagerne gennemfører en fortest, modtager træning i henhold til gruppetildeling og gennemgår derefter en eftertest-evaluering.

Det primære resultat er forbedring i diagnostiske kommunikationsfærdigheder, målt ved standardiserede patientscenarier og validerede rubrikker. Sekundære resultater inkluderer selvvurderet selvtillid, kommunikationsdomæner og interbedømmers overensstemmelse mellem fakultetsvurderere og AI-scoring.

Dette forsøg har til formål at levere højkvalitetsbevis for potentialet af generativ AI til at forbedre kommunikationstræning i medicinsk uddannelse, specifikt i forbindelse med type 2-diabetesdiagnose.

Studieoversigt

Detaljeret beskrivelse

Denne undersøgelse bygger på en tidligere pilotundersøgelse (offentliggjort i 2024), der demonstrerede muligheden for at bruge generativ kunstig intelligens (AI) til at træne medicinstuderende i diagnostisk kommunikation. Den nuværende undersøgelse udvider dette arbejde med et randomiseret, blindet, kontrolleret design og en større prøvestørrelse.

Design:

Undersøgelsen er en randomiseret, blindet, parallelgruppe, kontrolleret undersøgelse gennemført på Faculty of Higher Studies Iztacala (FES Iztacala), UNAM. I alt 120 medicinstuderende er inkluderet og randomiseret (1:1) til enten interventionsgruppen (AI-baseret simulationstræning) eller kontrolgruppen (traditionel træning med standardiserede patienter og feedback fra fakultetet).

Intervention:

  • Interventionsgruppe: Studerende interagerer med DIALOGUE-DM2-platformen, som leverer generativ AI-drevne simulerede patienter. De gennemfører flere scenarier for diagnostisk afsløring og modtager øjeblikkelig feedback på præstationen baseret på standardiserede kommunikationsrubrikker.
  • Kontrolgruppe: Studerende modtager standardtræning, herunder forelæsninger og vejledt praksis med peer-rollespil og feedback vejledt af fakultetet.

Vurderinger:

  • Pre-test: Alle studerende gennemfører et standardiseret patientscenarie med evaluering fra fakultetet og AI før intervention.
  • Træningsfase: Deltagere gennemfører deres tildelte træning (AI vs. standard).
  • Post-test: Studerende gennemfører et standardiseret scenarie for diagnostisk afsløring. Uafhængige fakultetsevaluatorer (blindet for gruppetildeling) og AI-platformen scorer præstationen.

Resultater:

  • Primært resultat: Ændring i præstationsscore for diagnostisk kommunikation fra pre-test til post-test, målt med validerede rubrikker (Kalamazoo-rammeværk, MRS).
  • Sekundære resultater:
  • Studerendes selvrapportering af kommunikationsselvtillid.
  • Domænespecifikke forbedringer (informationslevering, empati, risikoforklaring, fælles beslutningstagning).
  • Overensstemmelse mellem humane evaluatorer og AI-scoring.

Etik og tilsyn:

Undersøgelsen er blevet gennemgået og godkendt af Forskningsetikkomiteen på FES Iztacala, UNAM (Godkendelsesnummer CE/FESI/042025/1915). Risici er minimale, da interventionen er uddannelsesmæssig og ikke-invasiv.

Betydning:

Dette er den første randomiserede kontrollerede undersøgelse i Mexico, der evaluerer en generativ AI-baseret simulation til diagnostisk kommunikation. Resultaterne vil bidrage til integrationen af AI-drevne træningsværktøjer i medicinsk uddannelsespensum og kunne bidrage til skalerbare innovationer i træningen af sundhedsprofessionelle til kronisk sygdomsbehandling, startende med type 2-diabetes.

Undersøgelsestype

Interventionel

Tilmelding (Faktiske)

120

Fase

  • Ikke anvendelig

Kontakter og lokationer

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

Studiesteder

      • Tlalnepantla, Mexico
        • Universidad Nacional Autónoma de México, Faculty of Higher Studies Iztacala (FES Iztacala)

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

  • Voksen

Tager imod sunde frivillige

Ja

Beskrivelse

Inklusionskriterier:

  • Medicinstuderende, der i øjeblikket er tilmeldt på Medicinsk Fakultet (Lægekirurgisk Program), UNAM-FES Iztacala.
  • Alder mellem 18 og 30 år.
  • I stand til at give informeret samtykke.
  • Villig til at deltage i alle studiefaser (pretest, intervention, posttest).

Eksklusionskriterier:

  • Tidligere deltagelse i DIALOGUE-pilotstudiet.
  • Tidligere formel uddannelse i diagnostisk kommunikation ud over standardmedicinsk pensum.
  • Ufuldstændig tilgængelighed for planlagte sessioner.
  • Afslag på eller manglende evne til at give informeret samtykke.

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: Tredobbelt

Våben og indgreb

Deltagergruppe / Arm
Intervention / Behandling
Eksperimentel: AI-baseret simulatortræning (DIALOGUE-DM2)
Medicinstuderende tildelt denne gruppe vil modtage træning ved hjælp af DIALOGUE-DM2-platformen, som leverer generativ AI-drevne simulerede patienter. Deltagerne vil deltage i flere diagnostiske afsløringsscenarier fokuseret på type 2-diabetes og modtage øjeblikkelig feedback genereret af AI-systemet. Feedbacken er tilpasset validerede kommunikationsrammer (Kalamazoo, MRS). Træningen gennemføres over flere sessioner før den efterfølgende evaluering.
Medicinstuderende interagerer med DIALOGUE-DM2-platformen, et generativt AI-baseret simuleringssystem. Platformen leverer virtuelle patientmøder fokuseret på afsløring af type 2-diabetesdiagnose. Studerende gennemfører flere simulerede scenarier og modtager øjeblikkelig AI-genereret feedback i overensstemmelse med standardiserede kommunikationsrubrikker (Kalamazoo, MRS). Træningen har til formål at forbedre diagnostiske kommunikationsfærdigheder før post-test evaluering.
Aktiv komparator: Traditionel Træning
Medicinstuderende, der er tildelt denne gruppe, vil modtage traditionel kommunikationstræning. Dette omfatter forelæsninger, peer-rolleroller og fakultetsvejledte feedbacksessioner, der dækker diagnosticeringsafsløring ved type 2-diabetes. Deltagerne vil gennemføre det samme antal træningssessioner som interventionsgruppen før post-test evalueringen.
Medicinstuderende modtager traditionel træning i diagnostisk kommunikation. Dette omfatter forelæsninger, peer-rollerpil og fakultetssuperviserede feedbacksessioner, der dækker diagnostisk afsløring i type 2-diabetes. Træningens varighed og antal sessioner er matchet til interventionsgruppen.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Ændring i diagnostisk kommunikationspræstationsscore
Tidsramme: Cirka 12 uger (fra pre-test til post-test pr. deltager).
Forbedring i diagnostiske kommunikationsfærdigheder, målt ved hjælp af validerede rubrikker - Kalamazoo Essential Elements Communication Checklist og Medical Communication Rating Scale (MCRS) - anvendt på standardiserede patientscenarier. Uafhængige blindede fakultetsevaluatorer og AI-scoring vil blive anvendt. Scorer spænder fra 0 til 100, hvor højere værdier indikerer bedre diagnostisk kommunikationspræstation.
Cirka 12 uger (fra pre-test til post-test pr. deltager).

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Ændring i studerendes selvrapporterede tillid til diagnostisk kommunikation
Tidsramme: Cirka 12 uger (fra præ-test til post-test pr. deltager).
Ændring i elevers selvrapporterede selvtillid ved afsløring af en diagnose for type 2-diabetes, målt gennem et struktureret spørgeskema ved hjælp af en 5-punkts Likert-skala (1 = meget lav selvtillid, 5 = meget høj selvtillid). Højere score indikerer større selvtillid i diagnostisk kommunikation.
Cirka 12 uger (fra præ-test til post-test pr. deltager).
Ændring i domænespecifikke diagnostiske kommunikationsscore (Kalamazoo Framework og Medical Communication Rating Scale)
Tidsramme: Cirka 12 uger (fra pre-test til post-test per deltager).
Forbedring i specifikke kommunikationsdomæner - informationsformidling, empati, risikoforklaring og fælles beslutningstagning - evalueret ved hjælp af Kalamazoo Essential Elements Communication Checklist og Medical Communication Rating Scale (MCRS). Hvert domæne scores fra 0 til 100, hvor højere score indikerer bedre præstation.
Cirka 12 uger (fra pre-test til post-test per deltager).
Overensstemmelse mellem menneskelige evaluatorer og AI-scoring
Tidsramme: Vurderet ved eftertest, cirka 12 uger efter baseline pr. deltager.
Niveau af overensstemmelse mellem blinde humane evaluatorer og AI-baseret scoring af diagnostisk kommunikationspræstation, vurderet ved hjælp af Cohens kappakoefficient (κ). Scorerange går fra -1,0 til +1,0, hvor værdier tættere på +1,0 indikerer stærkere enighed mellem evaluatorer.
Vurderet ved eftertest, cirka 12 uger efter baseline pr. deltager.
Studenternes tilfredshed med den tildelte træningsmetode
Tidsramme: Vurderet umiddelbart efter afslutningen af eftertesten, ca. 12 uger efter baseline pr. deltager.
Tilfredshed med den tildelte træningsmetode (AI-baseret simulering vs. traditionel træning), målt ved hjælp af en struktureret 5-punkts Likert tilfredshedsundersøgelse (1 = meget utilfreds; 5 = meget tilfreds). Højere score indikerer større tilfredshed med træningsmetoden.
Vurderet umiddelbart efter afslutningen af eftertesten, ca. 12 uger efter baseline pr. deltager.

Samarbejdspartnere og efterforskere

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

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.

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)

22. september 2025

Primær færdiggørelse (Faktiske)

18. december 2025

Studieafslutning (Faktiske)

20. december 2025

Datoer for studieregistrering

Først indsendt

2. oktober 2025

Først indsendt, der opfyldte QC-kriterier

18. november 2025

Først opslået (Anslået)

26. november 2025

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

29. december 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

26. december 2025

Sidst verificeret

1. december 2025

Mere information

Begreber relateret til denne undersøgelse

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

JA

IPD-planbeskrivelse

De-identificerede individuelle deltagerdata (IPD) vil blive delt, herunder rubric-baserede præstationsscore fra pre-test og post-test evalueringer, selvrapporterede tillidsspørgeskemaer, tilfredshedsundersøgelsessvar og AI versus menneskelige evaluatorvurderinger. Demografiske data (alder, køn, akademisk år) vil også blive inkluderet i anonymiseret form. Ingen personligt identificerbar information vil blive delt.

IPD-delingstidsramme

IPD og understøttende dokumenter (studieprotokol, SAP, ICF, analytisk kode) vil blive gjort tilgængelig fra 6 måneder efter publicering af de primære resultater og i en periode på mindst 5 år derefter.

IPD-delingsadgangskriterier

De-identificerede IPD og støttedokumenter vil være tilgængelige for kvalificerede forskere ved rimelig anmodning. Anmodninger skal indeholde en metodologisk fornuftig forslagsproces og vil kræve en dataanvendelsesaftale. Adgang vil blive givet gennem direkte kommunikation med hovedundersøgeren (Dr. Héctor Iván Saldívar Cerón, UNAM-FES Iztacala).

IPD-deling Understøttende informationstype

  • STUDY_PROTOCOL
  • SAP
  • ICF
  • ANALYTIC_CODE

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 Type 2 diabetes mellitus

Abonner