Künstliches intelligentes klinisches Entscheidungsunterstützungssystem Simulationszentrum Studie zur Technologieakzeptanz
Künstliches intelligentes klinisches Entscheidungsunterstützungssystem Studie des Simulationszentrums: Vertrauen und Nützlichkeit des Risikostratifizierungsinstruments für maschinelles Lernen für akute gastrointestinale Blutungen unter Verwendung des Technologieakzeptanzmodells
Studienübersicht
Detaillierte Beschreibung
Das erste Experiment wird einen zuvor validierten maschinellen Lernalgorithmus einsetzen, der auf bestehenden klinischen Datensätzen in Simulationsszenarien trainiert wurde, in denen ein Patient mit akuter gastrointestinaler Blutung (mit niedrigem, mittlerem und hohem Risiko für ein schlechtes Ergebnis) bewertet wird.
Vor der Simulation wird allen Teilnehmern ein Grundausbildungsmodul zu künstlicher Intelligenz, maschinellem Lernen und klinischer Entscheidungsunterstützung angeboten. Die Ermittler stellen die psychologische Sicherheit her, indem sie detailliert beschreiben, was im Raum verfügbar ist, die Möglichkeit, einen Berater anzurufen, und die Verfügbarkeit von Labor- und Röntgenuntersuchungen. Jedes klinische Szenario wird ungefähr 10 Minuten lang ausgeführt, basierend auf echten Patientenfällen, bei denen sich die Vitalfunktionen im Laufe der Zeit ändern und Laborwerte an bestimmten Punkten der Bewertung verfügbar gemacht werden. Die Studie folgt einem 3 (Szenario-Risiko: niedrig, mittel, vs. hoch) mal 2 (KI-Framing: Werkzeug vs. Teammitglied) mal 2 (Transparenz: niedrig vs. hoch) faktorielles Design. Jeder Teilnehmer erhält alle drei Szenarien in aufsteigender Reihenfolge des Risikos (Intersubjektfaktor), wird jedoch randomisiert einem KI-Rahmen und einer Transparenzbehandlungsbedingung (Zwischensubjektfaktoren) zugeordnet.
Für die Framing-Behandlung der KI-Teammitglieder wird den Teilnehmern während des Briefings vor der Simulation ein Framework von Algorithmen für künstliche Intelligenz / maschinelles Lernen als Teammitglied und nicht nur als Werkzeug mit der Einführung des Konzepts einer Theorie des Geistes bereitgestellt für Algorithmen, um zu verstehen, wie ihre Argumentation die menschliche Argumentation ergänzen kann. Darüber hinaus wird der Computerarbeitsplatz, auf dem der Algorithmus ausgeführt wird, neben dem Patientenbett platziert. Darüber hinaus wird das AI-CDSS in einer Oberfläche im Chatbot-Stil von ChatGPT/GPT-4 präsentiert, mit der Anbieter natürlich am Krankenbett interagieren können. In der Tool-Rahmenbedingung erhalten sie eine typische Erklärung von AI-CDSS als Tool. In diesem Fall wird der Computer mit dem Algorithmus in einer vom Patienten entfernten Ecke aufgestellt. Als solches wird es als Taschenrechner-Hocker präsentiert.
Für die Transparenzbehandlung hat die algorithmische Ausgabe entweder „niedrige“ Transparenz (mit nur der Risikobewertung und Empfehlung) oder „hohe“ Transparenz (mit einer Erläuterung der Modelleingaben und der Möglichkeit, Eingaben entweder durch benutzergesteuerte Klicks in a Web-App in der Tool-Rahmenbedingung oder direkt mit der von ChatGPT abgeleiteten Schnittstelle, die benutzergesteuerte Abfragen in einem benutzerfreundlichen Chatbot in natürlicher Sprache im Teammitglieds-Framework verarbeiten kann, was zu einer Präsentation von Eingaben führt, die sich auf die Modellausgabe auswirken, um ein mentales Modell bereitzustellen der Algorithmus).
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
Connecticut
-
New Haven, Connecticut, Vereinigte Staaten, 06510
- Yale New Haven Hospital
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Beschreibung
Einschlusskriterien:
- Auszubildende zur Fachärztin für Innere Medizin an der Studieneinrichtung
- Auszubildende zum Facharzt für Notfallmedizin an der Studieneinrichtung
Ausschlusskriterien:
- N / A
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Versorgungsforschung
- Zuteilung: N / A
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Keine (Offenes Etikett)
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Experimental: Modellbasierte Interaktion mit großen Sprachen
LLM-gestützter Chatbot mit dem Dashboard für maschinelles Lernen zur Bereitstellung der Risikobewertung und Begründung basierend auf den vom Dashboard bereitgestellten Interpretierbarkeitsmetriken, in denen Studienteilnehmer direkt mit natürlicher Sprache interagieren können.
Den Teilnehmern wird das Chatbot-basierte Machine-Learning-Modell-Dashboard „Generative Pre-trained Transformer (GPT)“ zur Verfügung gestellt.
|
Verwendung einer Chatbot-Schnittstelle des Large Language Model (LLM) zur Interaktion mit dem Algorithmus für maschinelles Lernen und dem Interpretierbarkeits-Dashboard.
|
|
Kein Eingriff: Dashboard für maschinelles Lernen
Ausgabe des Algorithmus für maschinelles Lernen mit einem interaktiven Dashboard, das zur Erklärung oder Interpretation der Eingabefaktoren verwendet werden kann, die am meisten zur generierten Risikobewertung beitragen.
Die Teilnehmer haben nur Zugriff auf das Dashboard für maschinelles Lernen.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Median Change in Attitudes Towards Machine Learning Algorithms in Clinical Care Using UTAUT
Zeitfenster: 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
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Clinician Decision Making of Triage of GI Bleeding
Zeitfenster: 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
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Dennis Shung, MD, Yale School of Medicine Section of Digestive Diseases
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- 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.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2000034521
- 1K23DK125718-01A1 (US NIH Stipendium/Vertrag)
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .