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

Verhindern Sie Fehler bei der Arzneimittelabgabe in der Apothekenpraxis mit interpretierbarer Maschinenintelligenz

12. November 2025 aktualisiert von: Corey Lester, University of Michigan
Derzeit führen Apotheker eine unabhängige Doppelkontrolle durch, um Fehler bei der Medikamentenauswahl zu erkennen, bevor sie den Patienten erreichen können. Der Einsatz maschineller Intelligenz (MI) zur Unterstützung dieser kognitiven Entscheidungsarbeit durch Apotheker existiert jedoch in der Praxis nicht. Diese Forschung wird durchgeführt, um die Wirksamkeit des Timings der Beratung durch maschinelle Intelligenz (MI) zu untersuchen und festzustellen, ob sie zu einer geringeren Aufgabenzeit, einer höheren Genauigkeit und einem größeren Vertrauen in die MI führt.

Studienübersicht

Status

Abgeschlossen

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Apotheker führen derzeit eine unabhängige Doppelkontrolle durch, um Fehler bei der Medikamentenauswahl zu erkennen, bevor sie den Patienten erreichen können. Der Einsatz maschineller Intelligenz (MI) zur Unterstützung dieser kognitiven Entscheidungsarbeit durch Apotheker existiert jedoch in der Praxis nicht. Stattdessen verlassen sich Apotheker ausschließlich auf Referenzbilder des Medikaments, die sie mit dem Inhalt der verschreibungspflichtigen Durchstechflasche vergleichen können. Frühere Untersuchungen haben gezeigt, dass Entscheidungsunterstützungssysteme die Effizienz und Genauigkeit der Gesundheitsversorgung effektiv verbessern und gleichzeitig unerwünschte Arzneimittelwirkungen verhindern können. Es ist jedoch wenig darüber bekannt, wie sich MI-Technologien auf die Arbeitsleistung und die kognitiven Anforderungen von Apothekern auswirken.

Um die langfristige symbiotische Beziehung zwischen den Apothekern und dem MI-System zu ermöglichen, muss angemessenes Vertrauen aufgebaut werden. Während Vertrauen als zentraler Faktor für eine effektive Mensch-Maschine-Zusammenarbeit identifiziert wurde, entstehen Probleme, wenn Menschen ungerechtfertigtes Vertrauen in automatisierte Technologien setzen und ihnen nicht genügend Vertrauen entgegenbringen. Übermäßiges Vertrauen in die Automatisierung kann zu Selbstzufriedenheit und Automatisierungsvoreingenommenheit führen. Beispielsweise können sich die Apotheker auf das MI-System in dem Maße verlassen, dass sie jede Empfehlung des Systems blind akzeptieren. Zu wenig Vertrauen kann dazu führen, dass der Apotheker das MI-System nicht mehr nutzt und möglicherweise aufgibt.

Darüber hinaus ist wenig über den Zeitpunkt der MI-Beratung zur Arbeitsleistung von Apothekern bekannt. Wenn beispielsweise der Rat des MI angezeigt wird, während der Apotheker die Medikationsüberprüfung durchführt, kann dies zu anderen Ergebnissen führen, als wenn der Rat des MI angezeigt wird, nachdem der Apotheker seine Entscheidung getroffen hat.

Die Studienforscher haben ein MI-System zur Klassifizierung von Medikamentenbildern entwickelt. Das Ziel dieser Studie besteht darin, die Wirksamkeit des Zeitpunkts der MI-Beratung zu untersuchen, um festzustellen, ob sie zu einer kürzeren Aufgabenzeit, einer höheren Genauigkeit und einem größeren Vertrauen in den MI führt.

Studientyp

Interventionell

Einschreibung (Tatsächlich)

68

Phase

  • Unzutreffend

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

  • Vereinigte Staaten
    • Michigan
      • Ann Arbor, Michigan, Vereinigte Staaten, 48109
        • University of Michigan

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

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Beschreibung

Einschlusskriterien:

  • Zugelassener Apotheker in den Vereinigten Staaten
  • Alter: 18 Jahre und älter beim Screening
  • PC/Laptop mit Microsoft Windows 10 oder Mac (Macbook, iMac) mit MacOS mit auf dem Gerät installiertem Webbrowser Google Chrome, Edge, Opera, Safari oder Firefox
  • Bildschirmauflösung von 1024 x 968 Pixel oder mehr
  • Für das Eye-Tracking ist außerdem eine in einen Laptop integrierte Webcam oder eine USB-Webcam erforderlich.

Ausschlusskriterien:

  • Teilnahme an Welle 1 oder Welle 2
  • Brille
  • Unkorrigierter Katarakt, intraokulare Implantate, Glaukom oder dauerhaft erweiterte Pupille
  • Für die Nutzung des Computers ist ein Bildschirmlesegerät/eine Lupe oder eine andere unterstützende Technologie erforderlich
  • Anomalien der Augenbewegung oder -ausrichtung (träge Augen, Strabismus, Nystagmus)

Studienplan

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

Wie ist die Studie aufgebaut?

Designdetails

  • Hauptzweck: Sonstiges
  • Zuteilung: Zufällig
  • Interventionsmodell: Crossover-Aufgabe
  • Maskierung: Keine (Offenes Etikett)

Waffen und Interventionen

Teilnehmergruppe / Arm
Intervention / Behandlung
Experimental: Keine MI-Hilfe
Während der Überprüfungsaufgaben wird keine MI-Hilfe angezeigt
Verhalten: Keine MI-Hilfe
Die Teilnehmer erledigen die Aufgabe zur Medikamentenüberprüfung ohne MI-Hilfe
Verhalten: Szenario 1
Teilnehmer erhalten MI in Form einer Popup-Nachricht, wenn ihre Entscheidung von der Entscheidung des MI abweicht.
Verhalten: Szenario Nr. 2
Die MI-Hilfe wird gleichzeitig mit den Füll- und Referenzbildern angezeigt.
Experimental: Szenario 1
MI-Hilfe wird in Form einer Popup-Nachricht angezeigt, wenn die Entscheidung des Teilnehmers von der Entscheidung des MI abweicht.
Verhalten: Keine MI-Hilfe
Die Teilnehmer erledigen die Aufgabe zur Medikamentenüberprüfung ohne MI-Hilfe
Verhalten: Szenario 1
Teilnehmer erhalten MI in Form einer Popup-Nachricht, wenn ihre Entscheidung von der Entscheidung des MI abweicht.
Verhalten: Szenario Nr. 2
Die MI-Hilfe wird gleichzeitig mit den Füll- und Referenzbildern angezeigt.
Experimental: Szenario Nr. 2
Die MI-Hilfe wird gleichzeitig mit den Füll- und Referenzbildern angezeigt.
Verhalten: Keine MI-Hilfe
Die Teilnehmer erledigen die Aufgabe zur Medikamentenüberprüfung ohne MI-Hilfe
Verhalten: Szenario 1
Teilnehmer erhalten MI in Form einer Popup-Nachricht, wenn ihre Entscheidung von der Entscheidung des MI abweicht.
Verhalten: Szenario Nr. 2
Die MI-Hilfe wird gleichzeitig mit den Füll- und Referenzbildern angezeigt.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Reaktionszeit
Zeitfenster: Während der Verifizierungsaufgabe
Unterschied in der Aufgabenzeit, gemessen an der Anzahl der Sekunden vom Start der Aufgabe bis zur Annahme oder Ablehnung eines Medikamentenbildes
Während der Verifizierungsaufgabe
Entscheidungsgenauigkeit
Zeitfenster: Während der Verifizierungsaufgabe
Unterschied in der Erkennungsrate, gemessen an der Anzahl von Medikamentenverifizierungsfehlern bei allen Teilnehmern in der Arm/Gruppe.
Während der Verifizierungsaufgabe
Vertrauensänderung
Zeitfenster: Nach jedem Versuch in Szenario 1 und 2

Die Teilnehmer werden in jedem Studienarm (d. h. Szenario 1, Szenario 2 und Keine Hilfe) 100 simulierte Medikationsverifikationsversuche absolvieren. Nach jedem Versuch in Szenario 1 und Szenario 2 werden die Teilnehmer eine visuelle Analogskala (VAS) verwenden, um auf die Frage zu antworten: "Wie sehr vertrauen Sie der KI-Beratung?" Die Endpunkte der 100-Punkte-VAS sind "Überhaupt nicht" bis "Vollständiges Vertrauen". Die Teilnehmer geben ihr Vertrauensniveau in die KI-Beratung nach jedem Versuch auf einer Skala von 1-100 an, wobei höhere Werte ein höheres Vertrauensniveau anzeigen.

Die Vertrauensänderung, gemessen anhand der visuellen Analogskala, wird mit der folgenden Formel berechnet:

Vertrauensänderung (i) = Vertrauen(i) - Vertrauen(i - 1), wobei i=2, 3, ..., 100.

Um einen einzelnen, zusammengefassten Wert für die Variable Vertrauensänderung in einem bestimmten Szenario zu berechnen, werden die einzelnen Vertrauensänderungswerte, die aus den Versuchen gemessen wurden, gemittelt. Diese Mittelwertmethode bietet ein umfassendes Maß dafür, wie sich das Vertrauen über die Dauer des Szenarios verändert hat.
Nach jedem Versuch in Szenario 1 und 2
Vertrauen
Zeitfenster: Post-Intervention in Szenario 1 und 2.
Das Vertrauen wird mit der Vertrauens-in-Automatisierung-Skala von Muir & Moray (1996) bewertet. Die Werte reichen von 0 bis 100, wobei höhere Werte ein größeres Vertrauensniveau anzeigen.
Post-Intervention in Szenario 1 und 2.

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Kognitive Anstrengung
Zeitfenster: Während der gesamten Verifizierungsaufgabe
Die Augenbewegungen der Teilnehmer wurden mit einem browserbasierten Online-Eyetracking-System verfolgt. Das Ergebnis ist der Unterschied im kognitiven Aufwand, gemessen an der Fixationsanzahl in den definierten Bereichen von Interesse: Füllbild, Referenzbild oder MI-Diagramm. Höhere Fixationsraten deuten auf wiederholtes Interesse an einem bestimmten Bereich hin.
Während der gesamten Verifizierungsaufgabe
Kognitive Anstrengung
Zeitfenster: Während der gesamten Verifikationsaufgabe
Die Augenbewegungen der Teilnehmer wurden mit einem browserbasierten Online-Eyetracking-System verfolgt. Das Ergebnis ist der Unterschied im kognitiven Aufwand, gemessen an der Dauer der Fixationen in den definierten Bereichen von Interesse: Füllbild, Referenzbild oder MI-Diagramm. Eine längere Fixationsdauer deutet auf eine höhere kognitive Belastung hin.
Während der gesamten Verifikationsaufgabe
Arbeitsbelastung
Zeitfenster: Nach Abschluss von 100 Mock-Verifikationstests in jedem Arm

Die Teilnehmer absolvieren jeweils 100 simulierte Medikamentenverifikationsversuche in jedem der 3 Arme. Die Arbeitsbelastung jedes Arms wird mit dem NASA Task Load Index (TLX) gemessen. Die 5 bewerteten TLX-Dimensionen sind: mentale Anforderung, Anstrengung, zeitliche Anforderung, Leistung und Frustration. Für jede Dimension geben die Teilnehmer ihre Antwort auf eine einzelne Frage an. Bei 4 der Dimensionen sind die Endpunkte der Likert-Skala 'sehr niedrig' und 'sehr hoch'. Die Leistungsdimension ist umgekehrt bewertet, und die Endpunkte sind 'perfekt' und 'Misserfolg'. Die Teilnehmer vervollständigen dann 10 paarweise Vergleiche der Dimensionen, indem sie angeben, welche Dimension sie für einen wichtigeren Faktor halten (z.B. Anstrengung vs. Frustration).

Jeder Kategoriewert multipliziert mit seiner jeweiligen Anzahl paarweiser Vergleiche wird summiert und durch 10 geteilt, um einen gewichteten Gesamtarbeitsbelastungswert zu erhalten. Das Ergebnis ist ein Gesamtarbeitsbelastungswert zwischen 1 und 20, wobei höhere Werte eine höhere Arbeitsbelastung anzeigen.
Nach Abschluss von 100 Mock-Verifikationstests in jedem Arm
Benutzerfreundlichkeit
Zeitfenster: Nach Abschluss von 100 Simulationsverifikationsstudien in jedem Studienarm
Die Teilnehmer werden in jedem der 3 Arme (Keine MI-Hilfe, Szenario 1 und Szenario 2) 100 simulierte Medikationsverifikationsversuche absolvieren. Nach Abschluss von 100 Versuchen bewerten die Teilnehmer die simulierte Verifikationsschnittstelle mit der System Usability Scale (SUS). Die SUS besteht aus 10 Aussagen, denen die Teilnehmer auf einer 5-Punkte-Likert-Skala von "stimme voll zu" bis "stimme überhaupt nicht zu" zustimmen. Ungerade nummerierte Fragen haben eine positive Antwort und gerade nummerierte Fragen werden umgekehrt bewertet. Die Punkte werden summiert und mit 2,5 multipliziert, um einen endgültigen SUS-Score zu erhalten. SUS-Scores reichen von 0 bis 100, wobei höhere Scores auf eine größere Benutzerfreundlichkeit hinweisen. Ein durchschnittlicher SUS-Score wird mit 68 angenommen. Alles unter 50 ist "Nicht akzeptabel". Scores zwischen 51-70 gelten als "Marginal", solche über 71 als "Akzeptabel" und solche bei 80 oder höher weisen auf hohe Benutzerfreundlichkeit hin.
Nach Abschluss von 100 Simulationsverifikationsstudien in jedem Studienarm

Mitarbeiter und Ermittler

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

Sponsor

University of Michigan

Mitarbeiter

National Library of Medicine (NLM)

Ermittler

  • Hauptermittler: Corey A Lester, PharmD, PhD, University of Michigan

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 (Tatsächlich)

11. April 2024

Primärer Abschluss (Tatsächlich)

4. Dezember 2024

Studienabschluss (Tatsächlich)

4. Dezember 2024

Studienanmeldedaten

Zuerst eingereicht

5. Januar 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

5. Februar 2024

Zuerst gepostet (Tatsächlich)

7. Februar 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

26. November 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

12. November 2025

Zuletzt verifiziert

1. September 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Andere Studien-ID-Nummern

  • HUM00241223
  • 5R01LM013624 (US NIH Stipendium/Vertrag)

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Produkt, das in den USA hergestellt und aus den USA exportiert wird

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 Keine MI-Hilfe

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Iran

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren