Bestimmung der Konsistenz zwischen Pflegekräften und Künstlicher Intelligenz (ChatGPT-5) bei der Durchführung szenariobasierter Entlassungsaufklärung für Patienten nach einer Koronararterien-Bypass-Operation: Eine methodologische Studie (CABG-AI-EDU)
Bestimmung der Übereinstimmung zwischen Pflegekräften und Künstlicher Intelligenz (ChatGPT-5) bei der Vermittlung szenariobasierter Entlassungsaufklärung für Patienten nach koronarer Bypass-Operation: Eine methodologische Studie
Dreißig standardisierte Patientenszenarien, die verschiedene demografische, klinische und psychosoziale Merkmale repräsentieren, werden verwendet.
Für jedes Szenario werden sowohl erfahrene Pflegekräfte als auch ChatGPT-4.0
Entlassungsaufklärungsinhalte basierend auf sechs Hauptbereichen und vierundzwanzig Unterthemen erstellen, die aus der Literatur und klinischen Leitlinien identifiziert wurden.
Die Schulungsmaterialien werden von zwei verblindeten Gutachtern unabhängig in Bezug auf inhaltliche Genauigkeit, Vollständigkeit, wissenschaftliche Konsistenz und Klarheit der Sprache bewertet.
Die Übereinstimmung zwischen den Inhalten der Pflegekräfte und den KI-generierten Inhalten wird mit dem Cohen-Kappa-Koeffizienten und dem exakten Test nach Fisher analysiert.
Die Ergebnisse sollen Belege für die Zuverlässigkeit und Anwendbarkeit von KI-gestützten Entlassungsaufklärungssystemen in der kardiochirurgischen Pflegepraxis liefern.
Studienübersicht
Status
Detaillierte Beschreibung
Diese methodische Studie zielt darauf ab, die Übereinstimmung zwischen erfahrenen Pflegekräften und einem künstlichen Intelligenz (KI)-System (ChatGPT-5) bei der Erstellung von szenariobasierter Entlassungsaufklärung für Patienten zu bestimmen, die sich einer koronaren Bypass-Operation (CABG) unterzogen haben. Der Zweck der Studie ist es, zu bewerten, ob ChatGPT-5 Entlassungsaufklärungsinhalte generieren kann, die in Bezug auf Genauigkeit, Vollständigkeit und klinische Angemessenheit mit den von erfahrenen Herzchirurgie-Pflegekräften erstellten Inhalten vergleichbar sind.
Es werden dreißig standardisierte Patientenszenarien entwickelt, die eine breite Palette von CABG-Fällen mit unterschiedlichen demografischen, sozioökonomischen, psychosozialen und klinischen Merkmalen repräsentieren. Jedes Szenario simuliert realistische postoperative Zustände, einschließlich möglicher Komplikationen (z. B. Delir, Wundinfektion, Blutung, Arrhythmie), Begleiterkrankungen (z. B. Diabetes, Hypertonie, COPD) und psychosozialer Variablen wie Angstniveau, Familienstruktur und soziale Unterstützung. Alle Szenarien werden von einem multidisziplinären Expertengremium, einschließlich Herzchirurgen und akademischen Pflegespezialisten, überprüft und validiert, um klinische Realitätsnähe und Inhaltsvalidität sicherzustellen.
Die Entlassungsaufklärung wird um sechs Hauptbereiche und vierundzwanzig Unterthemen strukturiert, die aus nationalen und internationalen Leitlinien sowie evidenzbasierter Literatur abgeleitet werden. Diese Bereiche umfassen: (1) medizinische Behandlung und Nachsorge, (2) Alltagsleben und funktionelle Erholung, (3) psychosoziale und soziale Unterstützung, (4) Risikofaktoren und präventive Gesundheit, (5) Lebensqualität und spezifische Erkrankungen sowie (6) religiöse Praktiken. Für jedes Szenario werden sowohl erfahrene Pflegekräfte als auch ChatGPT-5 unabhängig voneinander schriftliche Entlassungsaufklärungsmaterialien unter Verwendung dieses standardisierten Rahmens erstellen.
Die Aufklärungsmaterialien werden anonymisiert und von zwei verblindeten Gutachtern hinsichtlich wissenschaftlicher Genauigkeit, inhaltlicher Vollständigkeit, sprachlicher Klarheit und Übereinstimmung mit klinischen Standards bewertet. Im Falle von Meinungsverschiedenheiten wird ein dritter unabhängiger Gutachter eine endgültige Entscheidung treffen, um die Objektivität sicherzustellen. Die statistischen Analysen umfassen den Cohen's-Kappa-Koeffizienten zur Messung der Inter-Rater-Übereinstimmung und den Fisher's-Exact-Test für kategoriale Vergleiche. Diagnostische Leistungsmaße wie Sensitivität, Spezifität, positiver prädiktiver Wert (PPV), negativer prädiktiver Wert (NPV) und F1-Score werden ebenfalls berechnet.
Die Daten werden mit SPSS v25 (IBM Corp., Armonk, NY, USA) analysiert. Deskriptive Statistiken (Häufigkeiten, Prozentsätze, Mittelwerte und Standardabweichungen) werden berichtet, um die Merkmale der Szenarien und Bewertungen zusammenzufassen. Die Übereinstimmungsgrade werden gemäß der Klassifikation von Landis und Koch interpretiert. Ein p-Wert von <0,05 wird als statistisch signifikant angesehen.
Die Ergebnisse dieser Studie sollen Erkenntnisse über die Zuverlässigkeit, Validität und Anwendbarkeit von ChatGPT-5 als innovatives und unterstützendes Instrument zur Erstellung individualisierter Entlassungsaufklärungsmaterialien in der Herzchirurgie-Pflege liefern. Die Ergebnisse könnten zur Entwicklung neuer technologiegestützter Aufklärungsmodelle beitragen, die die Arbeitsbelastung der Pflegekräfte reduzieren, die Standardisierung der Entlassungsaufklärung verbessern und das Verständnis und die Zufriedenheit der Patienten in der postoperativen Phase erhöhen können.
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienorte
-
-
Gaziantep
-
Gaziantep, Gaziantep, Türkei (türkiye), 27620
- Hasan Kalyoncu University Faculty of Nursing
-
Kontakt:
- Uğur akman
- Telefonnummer: +905428155049
- E-Mail: ugurkman@gmail.com
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patientenszenarien, die Personen darstellen, die sich einer koronaren Bypass-Operation (CABG) unterzogen haben.
- Szenarien, die demografische, sozioökonomische, klinische und psychosoziale Informationen enthalten, die mit der aktuellen Literatur und klinischen Leitlinien übereinstimmen.
- Szenarien, die Patienten beschreiben, die sich einer medianen Sternotomie und einer on-pump CABG-Prozedur unterzogen haben.
- Szenarien, die relevante postoperative Komplikationen (z.B. Delir, Blutung, Wundinfektion, Arrhythmie) und Komorbiditäten (z.B. Diabetes, Hypertonie, COPD) enthalten.
- Szenarien, die es sowohl der Pflegekraft als auch ChatGPT-5 ermöglichen, Entlassungsaufklärungsmaterialien unter demselben standardisierten Rahmen vorzubereiten.
- Szenarien, die von Herzchirurgie-Experten und akademischen Pflegekräften auf Inhaltsvalidität überprüft und validiert wurden.
Ausschlusskriterien:
- Patientenszenarien, die nicht mit koronarer Bypass-Operation (CABG) zusammenhängen.
- Szenarien, denen ausreichende demografische, klinische oder psychosoziale Informationen fehlen, um individuelle Entlassungsaufklärung vorzubereiten.
- Szenarien, die nicht der standardisierten Struktur von sechs Hauptbereichen und vierundzwanzig Unterthemen folgen.
- Szenarien mit inkonsistenten oder widersprüchlichen medizinischen Daten (z.B. inkompatible Diagnose- und Behandlungsdetails).
- Szenarien, die nicht vom Expertenreview-Panel auf klinische Genauigkeit und Inhaltsvalidität validiert wurden.
- Szenarien, die keinen Vergleich zwischen pflegekraftgenerierten und ChatGPT-5-generierten Entlassungsaufklärungsmaterialien ermöglichen.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
Von der Pflegekraft bereitgestellte Entlassungsaufklärung
Entlassungsaufklärungsinhalte, die eigenständig von Herzchirurgie-Pflegekräften mit ≥5 Jahren klinischer Erfahrung erstellt wurden.
Jede Pflegekraft erstellte schriftliche Entlassungsaufklärungsmaterialien für 30 standardisierte Post-CABG-Szenarien gemäß dem vordefinierten Rahmen.
|
|
ChatGPT-5-generierte Entlassungsaufklärung
Entlassungsaufklärungsmaterialien automatisch generiert von ChatGPT-5 basierend auf denselben standardisierten Post-CABG-Patientenszenarien und dem vordefinierten Sechs-Domänen-24-Themen-Rahmen.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Übereinstimmung zwischen von Pflegekräften und ChatGPT-5 generierten Entlassungsaufklärungsinhalten
Zeitfenster: Während der Datenerhebung (voraussichtlich innerhalb von 8 Monaten nach Studienbeginn).
|
Die Übereinstimmung zwischen den von kardiovaskulären Chirurgie-Pflegekräften erstellten Entlassungsunterlagen und den von ChatGPT-5 für standardisierte post-CABG-Patientenszenarien generierten Materialien.
|
Während der Datenerhebung (voraussichtlich innerhalb von 8 Monaten nach Studienbeginn).
|
|
Vereinbarung zwischen von Pflegepersonal und ChatGPT-5 erstellten Entlassungsunterrichtsinhalten
Zeitfenster: Während der Datenerfassung (erwartet innerhalb von 12 Monaten nach Studienbeginn).
|
Die Übereinstimmung zwischen den von kardiovaskulären Chirurgie-Pflegekräften erstellten Entlassungsunterlagen und den von ChatGPT-5 für standardisierte post-CABG-Patientenszenarien generierten Materialien.
|
Während der Datenerfassung (erwartet innerhalb von 12 Monaten nach Studienbeginn).
|
Mitarbeiter und Ermittler
Sponsor
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Thompson R, Traylor D, Halguist E. Evaluating the clinical accuracy of ChatGPT-generated patient instructions: a review study. Digital Health. 2025;11:2055207625123456.
- Su H, Vrdoljak J, Busch M, et al. Artificial intelligence in patient discharge education: improving readability and patient understanding. Journal of Medical Internet Research. 2025;27:e45612.
- Rushton M, Hemmings L, Marsh L, et al. Enhancing recovery after cardiac surgery: discharge education and follow-up. European Journal of Cardiovascular Nursing. 2017;16(2):114-123. doi:10.1177/1474515116643395.
- Akbari M, Celik S. The effect of discharge training on stress, anxiety, and pain in patients after coronary artery bypass graft surgery. Journal of Perioperative Nursing. 2015;28(3):165-172.
- Fredericks S, Guruge S, Sidani S, Wan T. Postoperative patient education: a systematic review. Clin Nurs Res. 2010 May;19(2):144-64. doi: 10.1177/1054773810365994.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
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
Andere Studien-ID-Nummern
- CABG-AI-EDU-PHASE1-2025
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
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 .