Nutzung und Akzeptanz großer Sprachmodelle für gemeinsame Entscheidungsfindung bei Krebs
Nutzung und Akzeptanz großer Sprachmodelle in der onkologischen partizipativen Entscheidungsfindung bei Patienten, der Öffentlichkeit und medizinischen Fachkräften
Studienübersicht
Status
Detaillierte Beschreibung
Gemeinsame Entscheidungsfindung ist ein kollaborativer Prozess, bei dem Kliniker Patienten bei der Treffen von Behandlungsentscheidungen unterstützen. Trotz ihrer Bedeutung in der Onkologie bleibt strukturierte gemeinsame Entscheidungsfindung in der klinischen Routinepraxis unüblich. Große Sprachmodelle bieten Patienten eine neue Möglichkeit, medizinische Informationen zu erhalten und zu verstehen, doch es ist wenig darüber bekannt, wie wichtige Interessengruppen diese Werkzeuge für Gesundheitsentscheidungen wahrnehmen und nutzen.
Diese Beobachtungsstudie verwendete ein sequentielles Mixed-Methods-Design, das Delphi-Konsensusmethodik mit Querschnittserhebungen kombinierte. Ein 44-köpfiges Expertengremium aus acht Bereichen (klinische künstliche Intelligenz, technische Entwicklung, Onkologie, Psychologie, Epidemiologie, Patientenvertretung, Ethik und Rechtskenntnisse) entwickelte und validierte das Bewertungsinstrument in zwei Delphi-Runden und erzielte einen Konsens zu 89 Punkten. Das endgültige Instrument enthielt 52 quantitative Punkte und 8 qualitative Anregungen und unterschied zwischen allgemeiner und gesundheitsbezogener Nutzung großer Sprachmodelle.
Die Studie rekrutierte drei Kohorten: 2.316 Krebspatienten mit selbstberichteter Diagnose innerhalb von fünf Jahren, 2.000 Mitglieder der Allgemeinbevölkerung aus den USA und dem Vereinigten Königreich sowie 2.835 lizenzierte Gesundheitsfachkräfte. Die Qualitätskontrolle umfasste Aufmerksamkeitsprüfungen, Überwachung der Bearbeitungszeit, Konsistenzvalidierung und Verifizierungsverfahren, was zum Ausschluss von 694 Antworten (8,8%) aus anfänglich 7.845 führte.
Primäranalysen umfassten Chi-Quadrat-Tests und ANOVA mit Bonferroni-Korrektur, multivariable logistische Regression mit hierarchischem Modellaufbau zur Identifizierung von Einführungsprädiktoren und Benutzersegmentierung durch Kreuztabellierung kombiniert mit k-Means-Clustering. Die Studie wurde von der Ethikkommission der Technischen Universität München genehmigt (TUM2024-89-S-SB).
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
Bavaria
-
Munich, Bavaria, Deutschland, 81675
- Technical University Munich
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
Alter 18 Jahre oder älter Englischkenntnisse Regelmäßiger Internetzugang Registriert auf der Prolific-Forschungsplattform Für die Kohorte der Krebspatienten: Selbstberichtete Krebsdiagnose innerhalb der letzten fünf Jahre Für die Kohorte der Gesundheitsfachkräfte: Lizenzierte Gesundheitsfachkraft mit aktivem Patientenkontakt Für die Kohorte der Allgemeinbevölkerung: Einwohner der Vereinigten Staaten oder des Vereinigten Königreichs
Ausschlusskriterien:
Fehler bei eingebetteten Aufmerksamkeitskontrollfragen (4 Kontrollen) Umfragebearbeitungszeit außerhalb des akzeptablen Bereichs (weniger als 5 Minuten oder mehr als 60 Minuten) Geradliniges Antwortmuster, das durch Konsistenzvalidierungsalgorithmen erkannt wurde Fehlschlagen der Kohortenverifizierungsverfahren
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
Krebspatienten
Erwachsene im Alter von 18 Jahren oder älter mit einer selbstberichteten Krebsdiagnose innerhalb der letzten fünf Jahre, rekrutiert über die Prolific-Plattform mit Verifizierung durch Screening-Fragen zu Diagnosedatum, Krebsart und Behandlungsstatus.
n=2.316.
|
|
Allgemeine Bevölkerung
Erwachsene im Alter von 18 Jahren oder älter aus den Vereinigten Staaten und dem Vereinigten Königreich ohne spezifische Gesundheitsvoraussetzung, rekrutiert über die Prolific-Plattform mit stratifizierten Stichprobenquoten für Alter, Geschlecht, ethnische Zugehörigkeit und Bildung.
n=2.000.
|
|
Gesundheitsfachkräfte
Lizenzierte Gesundheitsdienstleister im Alter von 18 Jahren oder älter mit aktivem Patientenkontakt, einschließlich Ärzte und Pflegepersonal, die über die Prolific-Plattform aus den Vereinigten Staaten, dem Vereinigten Königreich und 28 weiteren Ländern rekrutiert wurden.
n=2.835.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Nutzungsrate großer sprachspezifischer Modelle im Gesundheitswesen
Zeitfenster: Zum Zeitpunkt der Umfrageabschlusses (einmalige Bewertung, März-Mai 2025)
|
Anteil der Teilnehmer, die die Nutzung großer Sprachmodelle speziell für gesundheitsbezogene Informationen melden, gemessen auf einer 5-Punkte-Likert-Frequenzskala und dichotomisiert als Nutzung versus Nichtnutzung.
|
Zum Zeitpunkt der Umfrageabschlusses (einmalige Bewertung, März-Mai 2025)
|
|
Zukunftsvertrauen in die Verbesserung der gemeinsamen Entscheidungsfindung durch große Sprachmodelle
Zeitfenster: Zum Zeitpunkt der Umfrageausfüllung (einzelne Bewertung, März-Mai 2025)
|
Anteil der Teilnehmer, die glauben, dass große Sprachmodelle die Qualität der gemeinsamen Entscheidungsfindung in der Onkologie verbessern werden, bewertet anhand einer Likert-Skala-Antwort.
|
Zum Zeitpunkt der Umfrageausfüllung (einzelne Bewertung, März-Mai 2025)
|
|
Hindernisse für die Einführung großer Sprachmodelle
Zeitfenster: Zum Zeitpunkt der Umfrageabschlusses (Einzelbewertung, März-Mai 2025)
|
Prävalenz von Bedenken bezüglich der Nutzung großer Sprachmodelle für Gesundheitsentscheidungen, einschließlich Zuverlässigkeitsbedenken, Datenschutzbedenken und der Präferenz für menschliche Interaktion, jeweils als binär (vorhanden oder nicht vorhanden) bewertet.
|
Zum Zeitpunkt der Umfrageabschlusses (Einzelbewertung, März-Mai 2025)
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Unabhängige Prädiktoren für die Einführung großer Sprachmodelle
Zeitfenster: Zum Zeitpunkt der Umfrageabschluss (einmalige Bewertung, März–Mai 2025)
|
Odds Ratios aus hierarchischer multivariabler logistischer Regression zur Identifizierung demografischer und gesundheitsbezogener Prädiktoren für die Akzeptanz großer Sprachmodelle im Gesundheitswesen, einschließlich Alter, Geschlecht, ethnischer Zugehörigkeit, Bildung, digitaler Kompetenz und Vertrauen in das Verständnis von Gesundheitsinformationen.
|
Zum Zeitpunkt der Umfrageabschluss (einmalige Bewertung, März–Mai 2025)
|
|
Benutzersegmentierung
Zeitfenster: Zum Zeitpunkt der Umfrageausfüllung (Einzelbewertung, März-Mai 2025)
|
Verteilung der Teilnehmer über datengetriebene Nutzersegmente, die aus der Kreuztabellierung der aktuellen Nutzung mit dem wahrgenommenen Nutzen abgeleitet wurden, verfeinert durch k-Means-Clustering: potenzielle Anwender, überzeugte Nutzer, resistente Nichtnutzer und skeptische Nutzer.
|
Zum Zeitpunkt der Umfrageausfüllung (Einzelbewertung, März-Mai 2025)
|
|
Empfehlungsmuster von medizinischem Fachpersonal
Zeitfenster: Zum Zeitpunkt der Umfrageabschlusses (einmalige Bewertung, März-Mai 2025)
|
Anteil der im Gesundheitswesen tätigen Fachkräfte, die große Sprachmodelle Patienten zur Informationsbeschaffung im Gesundheitsbereich empfehlen, im Vergleich zu deren persönlicher Nutzungsrate.
|
Zum Zeitpunkt der Umfrageabschlusses (einmalige Bewertung, März-Mai 2025)
|
Mitarbeiter und Ermittler
Sponsor
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
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- LLM-SDM-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 .