Comparación de juego de roles de IA y juego de roles de pares para el entrenamiento de consentimiento informado en endoscopia: un ensayo de control aleatorio

La inteligencia artificial generativa (IA) de antecedentes (AI), particularmente los modelos de idiomas (LLM), ha permitido recientemente el desarrollo de simulaciones de pacientes virtuales interactivos y personalizables que respaldan el aprendizaje experimental en la comunicación de salud. Estas plataformas impulsadas por la IA pueden simular encuentros realistas de pacientes, incorporando datos demográficos variables, estados emocionales y complejidad clínica. También ofrecen acceso escalable a retroalimentación individualizada y práctica repetida, eludiendo las limitaciones logísticas de las simulaciones tradicionales basadas en pares o actores. Los estudios preliminares sugieren que los alumnos perciben estas herramientas como altas en el realismo y el valor educativo; Sin embargo, sigue habiendo una falta de evidencia empírica que compare directamente la eficacia educativa de las simulaciones generativas basadas en IA con los enfoques pedagógicos establecidos. Esto es particularmente relevante para enseñar tareas de comunicación complejas, como obtener el consentimiento informado para la endoscopia gastrointestinal, una interacción que exige claridad, empatía y una explicación detallada de los riesgos, beneficios y alternativas de procedimiento.

Objetivo principal del estudio El objetivo principal de este estudio es comparar la efectividad del juego de roles basado en IA generativo y el juego tradicional de roles de pares en la capacitación de aprendices de atención médica para obtener el consentimiento informado para los procedimientos endoscópicos. Específicamente, el estudio evaluará las diferencias en la capacidad de los alumnos para obtener habilidades informadas de comunicación para obtener el consentimiento informado y la confianza autoinformada (autoeficacia) después de la capacitación basada en la simulación utilizando un diseño de ensayo controlado aleatorizado (ECA).

Métodos Diseño del estudio Este es un ensayo de control aleatorio paralelo de un solo ciego. Se reclutarán un total de 40 aprendices médicos. Los participantes serán aleatorizados en una relación 1: 1 para el grupo de intervención (juego de roles basado en IA generativo) o el grupo de control (juego de roles de pares tradicional). La aleatorización se realizará utilizando una secuencia generada por computadora, con asignaciones de grupo colocadas en sobres sellados distribuidos por un miembro del equipo de estudio independiente. Debido a la naturaleza de las intervenciones, el cegamiento de los participantes no es factible; Sin embargo, los evaluadores de resultados estarán cegados a la asignación grupal.

Participantes Los participantes incluirán aprendices médicos inscritos en un programa de capacitación médica de la Universidad de Toronto. Los criterios de exclusión incluyen experiencia previa para obtener el consentimiento informado para la endoscopia 25 o más veces en entornos clínicos o simulados.

Evaluación de línea de base Todos los participantes completarán un cuestionario de referencia que recopila datos demográficos, autoeficacia para obtener el consentimiento informado y las actitudes hacia la IA en la educación de la salud.

Los participantes de la intervención educativa asistirán primero a una conferencia didáctica estandarizada de 20 minutos sobre los principios y componentes del consentimiento informado en la endoscopia gastrointestinal. La sesión cubrirá temas esenciales, como el propósito y los riesgos de la endoscopia superior e inferior, las opciones de diagnóstico alternativas, el abordamiento de las preocupaciones de los pacientes y las consideraciones éticas legales. Esta conferencia está diseñada para garantizar una base de conocimiento uniforme antes de las sesiones de práctica basadas en la simulación.

Entrenamiento basado en simulación

Luego, los participantes participarán en 30 minutos de práctica basada en simulación utilizando su modalidad asignada:

• Grupo de control: juego de roles de pares: los participantes serán emparejados con otros aprendices y alternativos entre los roles médicos y del paciente. Utilizando indicaciones estandarizadas de casos, los alumnos realizarán discusiones de consentimiento informado. Después de cada interacción, el participante en el rol del paciente proporcionará retroalimentación entre pares basadas en una lista de verificación proporcionada.
• Grupo de intervención: juego de roles de IA generativos: los participantes interactuarán individualmente con una interfaz de paciente virtual impulsada por la IA. La simulación guiará una conversación dinámica de consentimiento informado en la que el paciente de IA responde en tiempo real a la entrada de los aprendices. La plataforma está programada para emular personajes de pacientes realistas y proporciona comentarios automatizados e individualizados después de cada escenario, centrándose en la integridad del contenido, el tono, la empatía y la claridad.

Los escenarios de juego de roles utilizados en ambos grupos se igualarán para el contenido, incluido el contexto clínico (es decir, el consentimiento informado para la endoscopia y la colonoscopia superiores combinadas), el historial relevante del paciente y las mismas tareas de comunicación requeridas. Este diseño tiene como objetivo garantizar que las diferencias en los resultados puedan atribuirse al modo de entrega en lugar de las diferencias en la complejidad de los casos.

Evaluación posterior a la intervención Después de las sesiones de simulación, todos los participantes completarán una prueba posterior estandarizada que involucra un encuentro de paciente simulado. En esta evaluación, los alumnos deben obtener el consentimiento informado para la endoscopia superior combinada y la colonoscopia de un paciente estandarizado (SP, es decir, actor) siguiendo a una personalidad de paciente con guión consistente. El SP estará capacitado para proporcionar respuestas consistentes entre los participantes.

Todas las interacciones se grabarán en video para fines de evaluación, asegurando que la identificación de las características faciales no se capturen para mantener el anonimato. Los evaluadores estarán cegados a la asignación grupal.

Encuesta de seguimiento inmediatamente después de la prueba posterior, los participantes completarán una encuesta de seguimiento que reevalúa la autoeficacia para obtener el consentimiento informado. El grupo de intervención también completará un cuestionario de retroalimentación que evalúa la usabilidad, el valor educativo percibido y la aceptabilidad de la plataforma basada en la IA.

RESULTADOS

• Resultados primarios:

  • Capacidad para obtener el consentimiento informado durante la prueba posterior al SP, evaluada utilizando una lista de verificación estructurada (evaluadores cegados a la asignación de grupos)
  • Rendimiento de la comunicación durante la prueba posterior al SP, evaluada utilizando una escala de calificación global estructurada (evaluadores cegados a la asignación de grupos)

• Resultados secundarios:

  o Cambio en la autoeficacia en la obtención de consentimiento informado (puntajes previos a la encuesta posteriores a la intervención).

• Otros resultados (solo grupo de intervención); o Percepciones en prácticas de la simulación basada en IA (solo grupo de intervención), incluido el realismo, la usabilidad y la satisfacción.

Análisis estadístico Los datos cuantitativos se analizarán utilizando métodos estadísticos estándar. Las diferencias entre grupos en los puntajes de rendimiento del consentimiento informado y los puntajes de comunicación se evaluarán mediante muestras de pruebas t independientes o pruebas U de Mann-Whitney, dependiendo de la distribución de los datos. Se utilizará un ANOVA de diseño mixto (medidas repetidas) para evaluar los cambios previos a la autoeficacia y para probar los efectos de interacción entre el tiempo y el grupo (AI versus el juego de roles pares). Los datos cualitativos de las respuestas de la encuesta abierta se analizarán mediante análisis temático después de un enfoque de codificación inductiva.