Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

ChatGPT vs. Mensch beim Verfassen eines präoperativen Besuchsbogens

11. Juli 2023 aktualisiert von: Boston Intelligent Medical Research Center, Shenzhen United Scheme Technology Co., Ltd.

Verwendung natürlicher Sprachverarbeitungsmodelle zum Schreiben präoperativer Besuchsbögen: eine vorläufige Studie zum Vergleich von ChatGPT und Ärzten

Das Ziel dieser Studie ist es, die Leistung großer Sprachmodelle zu bewerten, d. h. ChatGPT, bei der Erstellung präoperativer Besuchsbögen anhand klinischer Aufzeichnungen. Die wichtigsten Fragen, die beantwortet werden sollen, sind:

  • Können große Sprachmodelle wie Ärzte klinische Aufzeichnungen lesen und präoperative Besuchsbögen erstellen?
  • Können Ärzte präoperative Besuchsbögen von Ärzten und Modellen unterscheiden?

Die Aufzeichnungen der Teilnehmer werden mit ChatGPT-4 erstellt und sowohl von ChatGPT-4 als auch von Ärzten gelesen, um zwei separate präoperative Besuchsbögen zu erstellen und zwei Gruppen zu bilden, die GPT-Gruppe bzw. die Ärztegruppe.

Eine Gruppe von Fachleuten vergleicht die Ergebnisse der beiden oben genannten Gruppen, um zu sehen, ob ChatGPT es sich leisten kann, präoperative Besuchsbögen zu schreiben.

Studienübersicht

Status

Noch keine Rekrutierung

Bedingungen

Intervention / Behandlung

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

120

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Für die Bevölkerung gelten keine Beschränkungen.

Beschreibung

Einschlusskriterien:

  • Alle Datensätze werden mit ChatGPT-4 generiert.

Ausschlusskriterien:

  • Alle Datensätze werden mit ChatGPT-4 generiert.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
Kontrolle
Sonstiges: Kliniker
Die klinischen Aufzeichnungen der Probanden werden von Ärzten gelesen, um präoperative Besuchsbögen zu verfassen.
Experiment
Sonstiges: ChatGPT-4
Die klinischen Aufzeichnungen der Probanden werden von ChatGPT-4 gelesen, um präoperative Besuchsbögen zu verfassen.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Vertrautheit mit menschlicher Schrift
Zeitfenster: Jeder Datensatz wird höchstens 6 Minuten lang überprüft und die Ergebnisse werden 8 Minuten nach Erhalt eines Datensatzes bekannt gegeben.
Basierend auf der subjektiven Bewertung von Fachleuten ist die Vertrautheit ein binäres Ergebnis, das darauf hinweist, dass Wetterexperten davon ausgehen, dass der präoperative Besuchsbogen von Ärzten oder ChatGPT verfasst wurde, wobei 0 „nicht von Menschen geschrieben“ und 1 „von Menschen geschrieben“ bedeutet.
Jeder Datensatz wird höchstens 6 Minuten lang überprüft und die Ergebnisse werden 8 Minuten nach Erhalt eines Datensatzes bekannt gegeben.
Zufriedenheit für den klinischen Einsatz
Zeitfenster: Jeder Datensatz wird höchstens 6 Minuten lang überprüft und die Ergebnisse werden 8 Minuten nach Erhalt eines Datensatzes bekannt gegeben.
Eine Bewertung von 1 bis 10 zeigt an, ob das präoperative Besuchsblatt nach Ansicht der Fachleute für den klinischen Einsatz geeignet ist.
Jeder Datensatz wird höchstens 6 Minuten lang überprüft und die Ergebnisse werden 8 Minuten nach Erhalt eines Datensatzes bekannt gegeben.

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Boston Intelligent Medical Research Center, Shenzhen United Scheme Technology Co., Ltd.

Mitarbeiter

Tsinghua University

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Geschätzt)

1. August 2023

Primärer Abschluss (Geschätzt)

15. August 2023

Studienabschluss (Geschätzt)

1. September 2023

Studienanmeldedaten

Zuerst eingereicht

30. Juni 2023

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

11. Juli 2023

Zuerst gepostet (Tatsächlich)

14. Juli 2023

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

14. Juli 2023

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

11. Juli 2023

Zuletzt verifiziert

1. Juli 2023

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Andere Studien-ID-Nummern

  • US2023002

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

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 .

Klinische Studien zur Präoperative Betreuung

Klinische Studien zur ChatGPT-4

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Germany

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren