Gran modelo lingüístico para la reaonización clínica de estudiantes de fisioterapia
Viabilidad de un ensayo controlado aleatorio de grandes modelos lingüísticos basados en inteligencia artificial para el entrenamiento de razonamiento clínico de estudiantes de fisioterapia. Un ensayo controlado aleatorio
El razonamiento clínico es una habilidad fundamental para los estudiantes de fisioterapia, lo que les permite recopilar e interpretar la información del paciente para tomar diagnósticos precisos y decisiones de tratamiento. Los métodos de capacitación tradicionales a menudo limitan la exposición de los estudiantes a una amplia gama de casos clínicos, lo que puede restringir el desarrollo de estas habilidades. La integración de los modelos de idiomas grandes (LLM), como ChatGPT, en la educación en fisioterapia ofrece un enfoque novedoso para mejorar el razonamiento clínico al simular escenarios interactivos y realistas del paciente.
Este ensayo controlado aleatorio tiene como objetivo evaluar la efectividad de una intervención educativa basada en LLM en la mejora de las habilidades de razonamiento clínico en estudiantes de fisioterapia. El estudio reclutará un total de 200 estudiantes de fisioterapia de tercer año de múltiples instituciones universitarias. Los participantes serán asignados al azar a uno de los dos grupos:
- Grupo experimental: los estudiantes recibirán capacitación basada en LLM, comprometida con un modelo de inteligencia artificial conversacional para resolver casos clínicos durante un período de 8 semanas. El modelo proporcionará respuestas en tiempo real a sus preguntas, lo que les permitirá refinar su razonamiento de diagnóstico y tratamiento.
- Grupo de control: los estudiantes seguirán el plan de estudios estándar, participando en el aprendizaje convencional basado en casos y ejercicios de razonamiento clínico supervisado sin asistencia basada en IA.
El resultado primario del estudio es la mejora en las habilidades de razonamiento clínico, evaluada a través de evaluaciones de casos escritos estandarizadas y exámenes prácticos estructurados. Los resultados secundarios incluyen cambios en la competencia digital, los niveles de participación de los estudiantes, la satisfacción general con el enfoque educativo y la rentabilidad de la intervención.
Al evaluar el impacto de las LLM en la capacitación de razonamiento clínico, este estudio busca determinar si las herramientas educativas impulsadas por la IA pueden complementar efectivamente la educación de fisioterapia tradicional y mejorar la preparación para los estudiantes para la práctica clínica del mundo real.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
El razonamiento clínico es una competencia clave para los estudiantes de fisioterapia, lo que les permite evaluar, diagnosticar y crear planes de tratamiento basados en la información del paciente. A pesar de su importancia, los enfoques educativos tradicionales a menudo limitan la exposición de los estudiantes a una amplia variedad de casos clínicos, lo que restringe su capacidad para desarrollar habilidades de razonamiento integrales. Los avances en la inteligencia artificial, particularmente los modelos de idiomas grandes (LLM) como ChatGPT, ofrecen una solución prometedora al simular escenarios clínicos realistas e interactivos.
Este ensayo controlado aleatorio (ECA) tiene como objetivo evaluar la efectividad de una intervención basada en LLM en comparación con los métodos de entrenamiento tradicionales para mejorar las habilidades de razonamiento clínico entre los estudiantes de fisioterapia. Los estudiantes de tercer año serán asignados aleatoriamente al grupo experimental, recibiendo capacitación basada en casos basado en AI o el grupo de control, siguiendo las discusiones de casos convencionales basadas en el plan de estudios.
La intervención durará 8 semanas, durante las cuales los estudiantes en el grupo experimental interactuarán con un LLM para resolver casos clínicos semanales, imitando los encuentros de pacientes del mundo real. El modelo funcionará como un paciente virtual, respondiendo a las consultas de los estudiantes y les permitirá refinar su razonamiento diagnóstico y planificación del tratamiento. En contraste, el grupo de control participará en las discusiones tradicionales de casos escritos y dirigidos por el tutor.
Plan de análisis estadístico
Los datos se analizarán utilizando SPSS versión 29.0 (SPSS Inc., Chicago, IL, EE. UU.). Las estadísticas descriptivas se utilizarán para resumir las características basales de los participantes, con variables continuas expresadas como media ± desviación estándar (DE) o mediana [rango intercuartil], dependiendo de la normalidad, y las variables categóricas presentadas como frecuencia (N) y porcentaje (%). La normalidad de las distribuciones se evaluará utilizando la prueba de Kolmogorov-Smirnov y la prueba de Shapiro-Wilk. Las comparaciones entre grupos se realizarán usando; Pruebas t independientes o pruebas U de Mann-Whitney para variables continuas; Pruebas de chi-cuadrado o prueba exacta de Fisher para variables categóricas; ANOVA o modelos mixtos lineales de medidas repetidas se utilizarán para evaluar los cambios a lo largo del tiempo en puntajes de razonamiento clínico, competencia digital y niveles de satisfacción.
Los modelos de regresión logística se aplicarán para explorar predictores de compromiso con la intervención basada en LLM. Los tamaños del efecto (Cohen's D, Rosenthal's R) se calculará para medir la magnitud de las diferencias observadas. Se realizará un análisis de rentabilidad comparando el costo de implementar la intervención basada en LLM con la mejora en los puntajes de razonamiento clínico y los niveles de participación de los estudiantes.
La significación estadística se establecerá en P <0.05, y todos los análisis se realizarán utilizando un enfoque de dos colas.
Tipo de estudio
Inscripción (Estimado)
Fase
- Fase 2
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Alfredo Lerín Calvo, Professor
- Número de teléfono: +34620187457
- Correo electrónico: alfredo.lerin@lasallecampus.es
Ubicaciones de estudio
-
-
Madrid
-
Madrid, Madrid, España, 28023
- Reclutamiento
- Centro Superior de Estudios Universitarios La Salle
-
Contacto:
- Alfredo Lerín Calvo, Professor
- Número de teléfono: +34620187457
- Correo electrónico: alfredo.lerin@lasallecampus.es
-
Investigador principal:
- Raúl Ferrer Peña, PhD
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
Acepta Voluntarios Saludables
Descripción
Criterios de inclusión:
- Estudiantes inscritos en el tercer año del programa de fisioterapia en el Centro La Salle para Estudios Universitarios Superiores (LCHUS)
- Los participantes deben tener entre 18 y 30 años.
- Los estudiantes deben aceptar participar en el estudio firmando un formulario de consentimiento informado después de ser informados sobre los objetivos, procedimientos y riesgos potenciales del estudio.
- Los participantes deben estar dispuestos a comprometerse con la plataforma basada en LLM (para el grupo experimental) o participar en actividades de aprendizaje tradicionales (para el grupo de control) durante la duración del estudio.
Criterios de exclusión:
- Estudiantes con experiencia clínica previa más allá del tercer año de educación de fisioterapia.
- Discapacidades físicas o cognitivas que pueden interferir con la capacidad de participar o beneficiarse de la intervención (por ejemplo, visión, audición o discapacidades motoras).
- Los estudiantes que no brindan consentimiento informado para participar en el estudio.
- Los estudiantes que no poseen suficiente competencia en español o inglés para comprender los materiales y la intervención.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: Tratamiento
- Asignación: Aleatorizado
- Modelo Intervencionista: Asignación paralela
- Enmascaramiento: Doble
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
|---|---|
|
Experimental: Grupo LLM
Los participantes en el grupo experimental se someterán a una intervención de 8 semanas que incorpora una capacitación basada en el modelo de lenguaje grande (LLM) en su educación de razonamiento clínico. Los estudiantes participarán en simulaciones de casos clínicos semanales utilizando una plataforma con motor LLM (CHATGPT), donde interactuarán con el modelo para obtener información del paciente, formular diagnósticos y proponer planes de tratamiento. El LLM proporcionará respuestas en tiempo real, simulando un encuentro virtual del paciente. La capacitación complementará el plan de estudios estándar, permitiendo a los estudiantes practicar habilidades de razonamiento clínico en un entorno estructurado e interactivo asistido por AI-AI. Al final de la intervención, los participantes completarán una evaluación final basada en casos para evaluar las mejoras en el razonamiento clínico, la competencia digital y el compromiso con la tecnología. |
La intervención en el grupo experimental se distingue por la integración de una plataforma interactiva basada en un modelo de lenguaje grande (LLM) (CHATGPT) en capacitación de razonamiento clínico para estudiantes de fisioterapia.
A diferencia de los enfoques educativos tradicionales, esta intervención proporciona interacciones de pacientes generadas por IA en tiempo real, lo que permite a los estudiantes participar activamente en simulaciones virtuales de casos clínicos.
|
|
Comparador activo: Grupo de aprendizaje convencional
Los participantes en el grupo de control seguirán el plan de estudios estándar para el entrenamiento de razonamiento clínico durante un período de 8 semanas, sin exposición a la intervención basada en LLM. Los estudiantes participarán en discusiones semanales basadas en casos utilizando métodos de aprendizaje tradicionales, incluidos análisis de casos escritos y discusiones supervisadas con instructores. Estas sesiones seguirán el marco educativo habitual utilizado en los programas de capacitación en fisioterapia, enfatizando el razonamiento diagnóstico y la planificación del tratamiento a través de la guía dirigida por el instructor. Al final del período de capacitación, los participantes completarán una evaluación final basada en casos para evaluar sus habilidades de razonamiento clínico, competencia digital y compromiso general con el proceso de aprendizaje. |
La intervención en el grupo de control sigue un enfoque de aprendizaje tradicional basado en casos, que se usa comúnmente en la educación en fisioterapia.
A diferencia del grupo experimental, este método de capacitación se basa únicamente en la instrucción dirigida por humanos y el análisis de casos escritos, sin la integración de la inteligencia artificial o las herramientas digitales interactivas.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Rendimiento de razonamiento clínico
Periodo de tiempo: Evaluado al principio y al final de la intervención de 8 semanas a través de evaluaciones basadas en casos y evaluaciones prácticas.
|
Este resultado mide la mejora en las habilidades de razonamiento clínico de los estudiantes después de la intervención.
Los estudiantes serán evaluados en función de su capacidad para recopilar, interpretar y analizar la información del paciente y formular diagnósticos y planes de tratamiento precisos.
Esto se evaluará a través de estudios de casos escritos y exámenes prácticos utilizando la rúbrica Lasater, siendo esta escala el instrumento utilizado para evaluar este resultado.
|
Evaluado al principio y al final de la intervención de 8 semanas a través de evaluaciones basadas en casos y evaluaciones prácticas.
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Participación del estudiante con la intervención
Periodo de tiempo: Monitoreado durante el período de intervención de 8 semanas con el seguimiento semanal de las interacciones de los estudiantes y las finalizaciones de casos.
|
Este resultado mide el nivel de participación activa de los estudiantes con la plataforma basada en LLM (grupo experimental) y el aprendizaje tradicional basado en casos (grupo de control).
La participación se evaluará en función de la frecuencia de interacciones, la duración del uso y las tasas de finalización de los casos asignados.
|
Monitoreado durante el período de intervención de 8 semanas con el seguimiento semanal de las interacciones de los estudiantes y las finalizaciones de casos.
|
|
Satisfacción con el enfoque educativo
Periodo de tiempo: Calculado al final del período de intervención, utilizando los costos asociados con proporcionar acceso a la plataforma basada en LLM y compararla con las mejoras observadas en otros resultados.
|
Este resultado evalúa la satisfacción general de los estudiantes con su experiencia de aprendizaje, centrándose en la efectividad, la usabilidad y el valor percibido de la intervención.
La satisfacción se medirá utilizando una escala analógica visual (VAS), donde los estudiantes califican su nivel de satisfacción con el método de capacitación.
|
Calculado al final del período de intervención, utilizando los costos asociados con proporcionar acceso a la plataforma basada en LLM y compararla con las mejoras observadas en otros resultados.
|
|
Competencias digitales
Periodo de tiempo: Evaluado al comienzo y al final de la intervención de 8 semanas a través del cuestionario de competencia digital ad hoc.
|
Este resultado evalúa la capacidad de los estudiantes para usar herramientas digitales de manera efectiva, particularmente plataformas basadas en IA como ChatGPT, en el contexto del razonamiento clínico.
Los estudiantes completarán un cuestionario de competencia digital que evalúe sus habilidades en varios dominios, como la gestión de datos, la comunicación de salud y la creación de contenido digital.
Se evaluará con el cuestionario de competencias digitales desarrollado por Montero-Delgado et al. (2020)
|
Evaluado al comienzo y al final de la intervención de 8 semanas a través del cuestionario de competencia digital ad hoc.
|
Colaboradores e Investigadores
Patrocinador
Publicaciones y enlaces útiles
Publicaciones Generales
- Lasater K. Clinical judgment development: using simulation to create an assessment rubric. J Nurs Educ. 2007 Nov;46(11):496-503. doi: 10.3928/01484834-20071101-04.
- Milad D, Antaki F, Milad J, Farah A, Khairy T, Mikhail D, Giguere CE, Touma S, Bernstein A, Szigiato AA, Nayman T, Mullie GA, Duval R. Assessing the medical reasoning skills of GPT-4 in complex ophthalmology cases. Br J Ophthalmol. 2024 Sep 20;108(10):1398-1405. doi: 10.1136/bjo-2023-325053.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Estimado)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- ALC001NR005
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
En este estudio, los datos individuales de los participantes (IPD) no se compartirán públicamente. Los datos recopilados, incluidas las evaluaciones de razonamiento clínico, las evaluaciones de competencia digital y los puntajes de satisfacción, se utilizarán únicamente para los fines de este estudio de investigación. El acceso a los datos de los participantes se restringirá al equipo de investigación y no estará disponible para compartir con partes externas.
La privacidad y la confidencialidad de los participantes se mantendrán estrictamente durante todo el estudio. Todos los datos serán anonimizados y cualquier información identificable se almacenará y protegerá de forma segura de conformidad con las regulaciones de protección de datos aplicables. Además, los resultados del estudio se compartirán en forma agregada, asegurando que los datos de ningún individuo sean divulgables o identificables en ningún informe o publicaciones públicas.
Como parte del compromiso ético de salvaguardar la privacidad de los participantes, no se otorgará ninguna solicitud de acceso a IPD.
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
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. .