Esta página se tradujo automáticamente y no se garantiza la precisión de la traducción. por favor refiérase a versión inglesa para un texto fuente.

Estudio del Centro de Simulación del Sistema de Apoyo a la Decisión Clínica de Inteligencia Artificial para la Aceptación de Tecnología

20 de mayo de 2026 actualizado por: Yale University

Estudio del centro de simulación del sistema de soporte de decisiones clínicas inteligente artificial: confianza y utilidad de la herramienta de estratificación de riesgo de aprendizaje automático para hemorragia gastrointestinal aguda utilizando el modelo de aceptación de tecnología

El propósito de este estudio de investigación es medir la usabilidad, las actitudes y la confianza del proveedor al interactuar con un algoritmo de aprendizaje automático y un sistema de soporte de decisiones clínicas en el contexto de hemorragia del tracto gastrointestinal superior (GIB superior). Específicamente, los investigadores buscan evaluar la implementación óptima de dichos algoritmos de aprendizaje automático en escenarios de simulación para aumentar mejor la utilización y mejorar los resultados. Los participantes serán asignados aleatoriamente a diferentes configuraciones de implementación para el algoritmo de aprendizaje automático y expuestos a casos de simulación de GIB superior para determinar cómo interactúan con el algoritmo de aprendizaje automático.

Descripción general del estudio

Estado

Terminado

Intervención / Tratamiento

Descripción detallada

El experimento inicial implementará un algoritmo de aprendizaje automático previamente validado y entrenado en conjuntos de datos clínicos existentes dentro de escenarios de simulación en los que se evalúa a un paciente con hemorragia gastrointestinal aguda (con riesgo bajo, moderado y alto de mal resultado).

Antes de la simulación, se proporcionará a todos los participantes un módulo educativo básico sobre inteligencia artificial, aprendizaje automático y apoyo a la toma de decisiones clínicas. Los investigadores establecerán la seguridad psicológica detallando lo que está disponible en la habitación, la oportunidad de llamar a un consultor y la disponibilidad de estudios de laboratorio y radiográficos. Cada escenario clínico se ejecutará durante aproximadamente 10 minutos en base a casos de pacientes reales donde los signos vitales cambian con el tiempo y los valores de laboratorio están disponibles en puntos específicos de la evaluación. El estudio sigue un diseño factorial de 3 (riesgo de escenario: bajo, medio, frente a alto) por 2 (encuadre de IA: herramienta frente a miembro del equipo) por 2 (transparencia: bajo frente a alto). Cada participante recibe los tres escenarios en orden creciente de riesgo (factor dentro del sujeto), pero se asigna aleatoriamente a un marco de IA y una condición de tratamiento de transparencia (factores entre sujetos).

Para el tratamiento de encuadre de los miembros del equipo de IA, durante la sesión informativa previa a la simulación, los participantes recibirán un marco de inteligencia artificial/algoritmos de aprendizaje automático como miembros del equipo, y no solo como una herramienta, con la introducción del concepto de teoría de la mente. para que los algoritmos entiendan cómo su razonamiento puede complementar el razonamiento humano. Además, la estación de trabajo de la computadora en la que se ejecuta el algoritmo se colocará junto a la cama del paciente. Además, el AI-CDSS se presentará en una interfaz estilo chatbot ChatGPT/GPT-4 con la que los proveedores pueden interactuar de forma natural al lado de la cama. En la condición de marco de herramienta, se les proporcionará una explicación típica de AI-CDSS como herramienta. En este caso, la computadora con el algoritmo se colocará en una esquina alejada del paciente. Como tal, se presentará como un taburete tipo calculadora.

Para el tratamiento de transparencia, la salida algorítmica tendrá una transparencia "baja" (con solo la evaluación de riesgos y la recomendación) o una transparencia "alta" (con una explicación de las entradas del modelo y la capacidad de consultar las entradas mediante clics dirigidos por el usuario en un aplicación web en la condición de marco de herramienta o directamente con la interfaz derivada de ChatGPT que puede procesar consultas dirigidas por el usuario en un chatbot de lenguaje natural fácil de usar en el marco de trabajo de los miembros del equipo, lo que da como resultado la presentación de entradas que afectan la salida del modelo para proporcionar un modelo mental de el algoritmo).

Tipo de estudio

Intervencionista

Inscripción (Actual)

108

Fase

  • No aplica

Contactos y Ubicaciones

Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.

Ubicaciones de estudio

    • Connecticut
      • New Haven, Connecticut, Estados Unidos, 06510
        • Yale New Haven Hospital

Criterios de participación

Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.

Criterio de elegibilidad

Edades elegibles para estudiar

  • Niño
  • Adulto
  • Adulto Mayor

Acepta Voluntarios Saludables

Sí

Descripción

Criterios de inclusión:

  • Estudiantes de residencia en Medicina Interna en la institución de estudio
  • Estudiantes de residencia en medicina de emergencia en la institución de estudio

Criterio de exclusión:

  • N / A

Plan de estudios

Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.

¿Cómo está diseñado el estudio?

Detalles de diseño

  • Propósito principal: Investigación de servicios de salud
  • Asignación: N / A
  • Modelo Intervencionista: Asignación paralela
  • Enmascaramiento: Ninguno (etiqueta abierta)

Armas e Intervenciones

Grupo de participantes/brazo
Intervención / Tratamiento
Experimental: Interacción basada en modelos de lenguaje grande
Chatbot impulsado por LLM con el panel de aprendizaje automático para proporcionar la evaluación de riesgos y proporcionar una justificación basada en las métricas de interpretabilidad proporcionadas por el panel en el que los participantes del estudio pueden interactuar directamente con el uso del lenguaje natural. A los participantes se les proporcionará el tablero del modelo de aprendizaje automático impulsado por el bot de chat Generative Pre-trained Transformer (GPT).
Uso de una interfaz de chatbot de modelo de lenguaje grande (LLM) para interactuar con el algoritmo de aprendizaje automático y el panel de interpretación.
Sin intervención: Tablero de aprendizaje automático
Salida del algoritmo de aprendizaje automático con un tablero interactivo que se puede usar para explicar o interpretar los factores de entrada que más contribuyen a la puntuación de riesgo generada. Los participantes solo tendrán acceso al panel de aprendizaje automático.

¿Qué mide el estudio?

Medidas de resultado primarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Median Change in Attitudes Towards Machine Learning Algorithms in Clinical Care Using UTAUT
Periodo de tiempo: 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

Medidas de resultado secundarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Clinician Decision Making of Triage of GI Bleeding
Periodo de tiempo: 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

Colaboradores e Investigadores

Aquí es donde encontrará personas y organizaciones involucradas en este estudio.

Patrocinador

Investigadores

  • Investigador principal: Dennis Shung, MD, Yale School of Medicine Section of Digestive Diseases

Publicaciones y enlaces útiles

La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.

Fechas de registro del estudio

Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados ​​por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.

Fechas importantes del estudio

Inicio del estudio (Actual)

23 de mayo de 2023

Finalización primaria (Actual)

31 de diciembre de 2024

Finalización del estudio (Actual)

31 de diciembre de 2024

Fechas de registro del estudio

Enviado por primera vez

13 de marzo de 2023

Primero enviado que cumplió con los criterios de control de calidad

14 de abril de 2023

Publicado por primera vez (Actual)

18 de abril de 2023

Actualizaciones de registros de estudio

Última actualización publicada (Actual)

22 de mayo de 2026

Última actualización enviada que cumplió con los criterios de control de calidad

20 de mayo de 2026

Última verificación

1 de mayo de 2026

Más información

Términos relacionados con este estudio

Plan de datos de participantes individuales (IPD)

¿Planea compartir datos de participantes individuales (IPD)?

NO

Información sobre medicamentos y dispositivos, documentos del estudio

Estudia un producto farmacéutico regulado por la FDA de EE. UU.

No

Estudia un producto de dispositivo regulado por la FDA de EE. UU.

No

Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .

Suscribir