- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT07410689
SAFE.AI: Desarrollo y Prueba de un Chatbot Híbrido Basado en IA para el Empoderamiento Financiero en la Atención Oncológica Rural
SAFE.AI: Desarrollo y Prueba de un Chatbot Híbrido Basado en Inteligencia Artificial para el Empoderamiento Financiero en la Atención Oncológica Rural
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Los costos de la atención del cáncer alcanzarán aproximadamente $246 mil millones para 2030, lo que convierte al cáncer en una de las condiciones de salud más costosas para los individuos. Las dificultades financieras relacionadas con el cáncer impactan negativamente en el bienestar psicológico, la calidad de vida relacionada con la salud, la adherencia a la medicación y las decisiones de retrasar o renunciar a la atención. Los pacientes de cáncer rurales y sus familias tienen una mayor prevalencia de dificultades financieras, incurren en mayores gastos relacionados con viajes, enfrentan factores de estrés laborales y de ingresos únicos, y tienen menor acceso a servicios y proveedores especializados en cáncer, incluidos aquellos que apoyan necesidades financieras.
Pocas intervenciones para la toxicidad financiera están diseñadas para las necesidades de pacientes de cáncer rurales y sus familias. Aunque la navegación financiera puede reducir efectivamente los costos de bolsillo de los pacientes con cáncer, los servicios de navegación financiera y para pacientes rurales de los programas de cáncer, incluidos en el Huntsman Cancer Institute (HCI), están sobrecargados. La mayoría de los centros responden a las dificultades financieras de manera reactiva en lugar de proactiva, y los programas están menos equipados para asistir con fuentes no médicas de costos del cáncer, como viajes y dificultades laborales.
Para abordar esta brecha, se creó el kit de herramientas de recursos de Autodefensa para el Empoderamiento Financiero (SAFE) con un consejo asesor comunitario que incluye pacientes de cáncer rurales, cuidadores y partes interesadas en la atención médica. La investigación con participación comunitaria también identificó la necesidad de información individualizada y accesible sobre recursos y apoyos financieros, el estigma como barrera para buscar ayuda, y la naturaleza que consume tiempo y recursos de la navegación financiera que limita la penetración y alcance de estos servicios esenciales en las comunidades rurales afectadas por el cáncer.
Los chatbots, o agentes conversacionales, son un tipo de sistema de inteligencia artificial (IA) que aplica aprendizaje automático para reproducir conversaciones humanas realistas. Los chatbots guionizados, basados en límites de información claramente definidos, ofrecen respuestas precisas, confiables e individualizadas a preguntas. Por el contrario, los chatbots basados en IA que usan modelos de lenguaje grandes (LLM) como GPT4, pueden abordar preguntas ambiguas y abiertas mientras continúan preservando la privacidad. Los chatbots facilitan información individualizada y fragmentada que mejora la comunicación de información compleja, promueve la privacidad y necesidades de apoyo de los usuarios, y aborda desafíos de la fuerza laboral.
GARDE-Chat, una plataforma de código abierto, se ha establecido para la evaluación de riesgos a nivel del sistema de salud y pruebas genéticas para cáncer hereditario en HCI. GARDE-Chat admite chatbots guionizados, híbridos y de IA. Antes de esta prueba piloto, GARDE-Chat se utilizará para crear un chatbot diseñado para proporcionar respuestas sobre toxicidad financiera, basado en el contenido del kit de herramientas SAFE y recursos verificados para desarrollar la versión guionizada del chatbot. Se incorporará un componente de modelo de lenguaje grande del chatbot para la versión híbrida que permitirá a los usuarios hacer preguntas más complejas y abiertas, refinado con aportes de las partes interesadas de la comunidad.
Este es un ensayo piloto aleatorizado, de dos brazos y grupos paralelos que investiga una nueva herramienta de chatbot diseñada para apoyar a pacientes con cáncer y cuidadores, particularmente aquellos en comunidades rurales. Aproximadamente 60 participantes serán aleatorizados 1:1 para interactuar con un chatbot híbrido o un chatbot habilitado con IA. Los participantes usarán su chatbot asignado para obtener información clara y útil relacionada con seguros, costos de viaje y otros aspectos financieros de la atención del cáncer. Los participantes inscritos completarán tres encuestas (pretest, postest y seguimiento de 2 semanas) e interactuarán con el chatbot antes del postest. Los participantes pueden interactuar con el chatbot entre el postest y el seguimiento de 2 semanas según lo deseen. Los participantes compartirán comentarios sobre la utilidad, facilidad de uso y experiencia general usando el chatbot y completarán medidas de pre y postest para evaluar la eficacia preliminar para medidas de resultado secundarias. Todas las actividades de investigación se realizarán en línea.
Tipo de estudio
Inscripción (Estimado)
Fase
- No aplica
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
Utah
-
Salt Lake City, Utah, Estados Unidos, 84112
- Huntsman Cancer Institute/ University of Utah
-
Contacto:
- Djin Tay, PhD, RN
- Número de teléfono: 801-646-6440
- Correo electrónico: Djin.Tay@nurs.utah.edu
-
Investigador principal:
- Djin Tay, PhD, RN
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Descripción
Criterios de inclusión:
- Adultos (18 años o más)
- Pacientes con cáncer o cuidadores responsables económicamente de pacientes con cáncer que:
- Residan en el área de captación de cinco estados del Huntsman Cancer Institute (Utah, Idaho, Wyoming, Montana y Nevada),
- Sean capaces de leer y escribir en inglés, y
- Vivan en un área rural, definida por la aprobación de un código postal residencial clasificado como no metropolitano (códigos RUCA 4-10) según los Códigos de Área de Desplazamiento Rural-Urbano del USDA.
Criterios de exclusión:
- Encuestados que no vivan en esta región de 5 estados: el material del kit de herramientas SAFE se desarrolló para la población de pacientes del Huntsman Cancer Institute que atiende a UT, ID, MT, WY y NV
- Encuestados que solo hablan español u otros grupos exclusivamente no angloparlantes: el modelo de lenguaje grande para el chatbot se desarrollará en inglés. Dado que la formación en idiomas no ingleses para el chatbot no forma parte del alcance de este estudio, los participantes que no puedan leer y escribir en inglés pueden no ser apropiados. Por lo tanto, no reclutaremos participantes que solo hablen español u otros grupos exclusivamente no angloparlantes. Estudios futuros incluirán la adaptación del chatbot a otros idiomas.
- Cuidadores que no son principalmente responsables de los aspectos económicos de la atención del cáncer de los pacientes: el tema de las dificultades económicas de la atención del cáncer puede ser menos relevante para cuidadores que no están involucrados económicamente en la atención.
- No residentes en zonas rurales
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: Cuidados de apoyo
- Asignación: Aleatorizado
- Modelo Intervencionista: Asignación paralela
- Enmascaramiento: Ninguno (etiqueta abierta)
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
|---|---|
|
Otro: Chatbot basado en reglas
Los participantes asignados aleatoriamente a este brazo serán invitados a utilizar el chatbot basado en reglas.
|
El chatbot SAFE.ai basado en reglas (guionizado) es una herramienta conversacional guiada diseñada para proporcionar información estructurada, precisa y coherente a pacientes rurales con cáncer y cuidadores que experimentan toxicidad financiera relacionada con el cáncer. Este chatbot se basa en el kit de recursos de Autodefensa para el Empoderamiento Financiero (SAFE), que fue codesarrollado con un consejo asesor comunitario (CAB) compuesto por pacientes rurales, cuidadores, enfermeras y expertos en navegación financiera en el área de captación de cinco estados del HCI. Todas las respuestas guionizadas reflejan las prioridades identificadas durante las sesiones de evaluación cualitativa de necesidades, garantizando que el contenido esté culturalmente alineado con las experiencias de los pacientes rurales y los desafíos financieros del mundo real. El chatbot sigue un árbol de decisiones basado en reglas. Los usuarios avanzan en la conversación seleccionando una respuesta de un conjunto de opciones fijas mostradas en pantalla. Esto garantiza que todo el contenido esté clínicamente revisado, sea seguro, coherente y esté alineado con prácticas basadas en la evidencia. |
|
Otro: Chatbot Híbrido
Los participantes asignados aleatoriamente a este brazo serán invitados a utilizar el chatbot híbrido
|
El chatbot híbrido SAFE.ai se basa en el sistema basado en reglas existente al integrar una capa de modelo de lenguaje grande (LLM) para admitir interacciones más flexibles, abiertas y conversacionales. Si bien el chatbot basado en reglas proporciona conversaciones estructuradas a través de contenido predefinido, el enfoque híbrido permite a los usuarios hacer preguntas complejas o personalizadas sobre toxicidad financiera. Para garantizar la seguridad y precisión, el chatbot híbrido no puede generar respuestas desde la internet abierta. Al combinar la consistencia de la lógica basada en reglas con la adaptabilidad de un LLM, el chatbot híbrido permitirá a los usuarios hacer preguntas de seguimiento, describir situaciones financieras matizadas, solicitar aclaraciones con sus propias palabras y recibir orientación más personalizada, al tiempo que garantiza la adhesión al contenido de SAFE. |
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Calificación de Utilidad de Elemento Único
Periodo de tiempo: hasta 2 semanas
|
La utilidad se evalúa mediante un ítem de escala Likert de 5 puntos con opciones de respuesta que van desde Muy inútil (1) hasta Muy útil (5).
Las puntuaciones totales oscilan entre un mínimo de 1 y un máximo de 5, donde las puntuaciones más bajas indican una menor utilidad percibida, y las puntuaciones más altas indican una mayor utilidad percibida.
|
hasta 2 semanas
|
|
Escala de Usabilidad del Sistema (SUS)
Periodo de tiempo: hasta 2 semanas
|
La SUS es una escala de Likert de 10 ítems y 5 puntos (0 = totalmente en desacuerdo, 5 = totalmente de acuerdo).
Las puntuaciones totales oscilan entre un mínimo de 0 y un máximo de 100, donde los valores más bajos indican menor usabilidad y los valores más altos indican mayor usabilidad.
|
hasta 2 semanas
|
|
Medida de Aceptabilidad de la Intervención (AIM)
Periodo de tiempo: hasta 2 semanas
|
El AIM es una escala Likert de 4 ítems y 5 puntos (1 = totalmente en desacuerdo, 5 = totalmente de acuerdo).
Las puntuaciones totales oscilan entre un mínimo de 4 y un máximo de 20, donde los valores más bajos indican una menor aceptabilidad y los valores más altos indican una mayor aceptabilidad.
|
hasta 2 semanas
|
|
Chatbot User Satisfaction (CUS) - Subescala de Satisfacción
Periodo de tiempo: hasta 2 semanas
|
La subescala de Satisfacción de la medida CUS es una escala Likert de 5 ítems (1 = muy en desacuerdo, 5 = muy de acuerdo). Las puntuaciones totales oscilan entre un mínimo de 5 y un máximo de 25, donde valores más bajos indican menor satisfacción del usuario y valores más altos indican mayor satisfacción.
|
hasta 2 semanas
|
|
Prueba de Confianza en Sistemas Automatizados (TOAST)
Periodo de tiempo: hasta 2 semanas
|
El TOAST es una escala Likert de 9 ítems con 7 puntos (1 = totalmente en desacuerdo, 7 = totalmente de acuerdo).
Las puntuaciones totales oscilan entre un mínimo de 9 y un máximo de 63, donde valores más bajos indican menor confianza y valores más altos indican mayor confianza.
|
hasta 2 semanas
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Preocupaciones Financieras Autodeclaradas
Periodo de tiempo: hasta 2 semanas
|
La preocupación financiera se evaluará mediante la evaluación COST (COmprehensive Score for financial Toxicity). COST es una escala de Likert de 12 ítems y 5 puntos (0=Nada a 4=Muy Mucho). Las puntuaciones totales van de un mínimo de 0 a un máximo de 44, donde puntuaciones más bajas indican un menor bienestar financiero y puntuaciones más altas indican un mayor bienestar financiero. Esta medida de resultado informará la puntuación media de COST. |
hasta 2 semanas
|
|
Calidad de Vida Relacionada con la Salud (CVRS)
Periodo de tiempo: hasta 2 semanas
|
La calidad de vida relacionada con la salud se evaluará con el Cuestionario de Salud SF-36 de 36 ítems. El SF-36 tiene dos subescalas, el Componente Físico (PCS) y el Componente Mental (MCS). Cada subescala tiene un rango de 0 a 100, donde puntuaciones más bajas indican una peor calidad de vida y puntuaciones más altas indican una mejor calidad de vida. Esta medida de resultado informará las puntuaciones medias de PCS y MCS. |
hasta 2 semanas
|
|
Autoeficacia para Afrontar el Cáncer
Periodo de tiempo: hasta 2 semanas
|
La autoeficacia para afrontar el cáncer se evaluará con el cuestionario Cancer Behavior Inventory-Brief Version (CBI-B). El CBI-B es una escala Likert de 12 ítems y 9 puntos (1=Nada Seguro a 9=Totalmente Seguro). Las puntuaciones totales del CBI-B oscilan entre 9 y 108, donde puntuaciones más bajas indican peor autoeficacia y puntuaciones más altas indican mejor autoeficacia. |
hasta 2 semanas
|
|
Malestar Psicosocial
Periodo de tiempo: hasta 2 semanas
|
El malestar psicosocial se medirá mediante el Cuestionario de Salud del Paciente-4 (PHQ-4). El PHQ-4 es una escala de Likert de 4 ítems y 4 puntos (0 = Nada en absoluto a 3 = Casi todos los días). Las puntuaciones totales del PHQ-4 oscilan entre 0 y 12, donde puntuaciones más bajas indican menos malestar psicosocial y puntuaciones más altas indican un malestar psicosocial más severo. |
hasta 2 semanas
|
|
Compromiso del usuario con SAFE.AI
Periodo de tiempo: hasta 2 semanas
|
La participación del usuario con SAFE.AI se evaluará mediante un instrumento de participación desarrollado para evaluar chatbots de IA en una encuesta postest.
|
hasta 2 semanas
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Djin Tay, PhD, RN, Huntsman Cancer Institute/ University of Utah
Publicaciones y enlaces útiles
Publicaciones Generales
- Ware J Jr, Kosinski M, Keller SD. A 12-Item Short-Form Health Survey: construction of scales and preliminary tests of reliability and validity. Med Care. 1996 Mar;34(3):220-33. doi: 10.1097/00005650-199603000-00003.
- Heitzmann CA, Merluzzi TV, Jean-Pierre P, Roscoe JA, Kirsh KL, Passik SD. Assessing self-efficacy for coping with cancer: development and psychometric analysis of the brief version of the Cancer Behavior Inventory (CBI-B). Psychooncology. 2011 Mar;20(3):302-12. doi: 10.1002/pon.1735.
- Yezefski T, Steelquist J, Watabayashi K, Sherman D, Shankaran V. Impact of trained oncology financial navigators on patient out-of-pocket spending. Am J Manag Care. 2018 Mar;24(5 Suppl):S74-S79.
- Hyzy M, Bond R, Mulvenna M, Bai L, Dix A, Leigh S, Hunt S. System Usability Scale Benchmarking for Digital Health Apps: Meta-analysis. JMIR Mhealth Uhealth. 2022 Aug 18;10(8):e37290. doi: 10.2196/37290.
- Zahnd WE, Davis MM, Rotter JS, Vanderpool RC, Perry CK, Shannon J, Ko LK, Wheeler SB, Odahowski CL, Farris PE, Eberth JM. Rural-urban differences in financial burden among cancer survivors: an analysis of a nationally representative survey. Support Care Cancer. 2019 Dec;27(12):4779-4786. doi: 10.1007/s00520-019-04742-z. Epub 2019 Apr 10.
- Chavez-Yenter D, Kimball KE, Kohlmann W, Lorenz Chambers R, Bradshaw RL, Espinel WF, Flynn M, Gammon A, Goldberg E, Hagerty KJ, Hess R, Kessler C, Monahan R, Temares D, Tobik K, Mann DM, Kawamoto K, Del Fiol G, Buys SS, Ginsburg O, Kaphingst KA. Patient Interactions With an Automated Conversational Agent Delivering Pretest Genetics Education: Descriptive Study. J Med Internet Res. 2021 Nov 18;23(11):e29447. doi: 10.2196/29447.
- Del Fiol G, Kohlmann W, Bradshaw RL, Weir CR, Flynn M, Hess R, Schiffman JD, Nanjo C, Kawamoto K. Standards-Based Clinical Decision Support Platform to Manage Patients Who Meet Guideline-Based Criteria for Genetic Evaluation of Familial Cancer. JCO Clin Cancer Inform. 2020 Jan;4:1-9. doi: 10.1200/CCI.19.00120.
- Bradshaw RL, Kawamoto K, Kaphingst KA, Kohlmann WK, Hess R, Flynn MC, Nanjo CJ, Warner PB, Shi J, Morgan K, Kimball K, Ranade-Kharkar P, Ginsburg O, Goodman M, Chambers R, Mann D, Narus SP, Gonzalez J, Loomis S, Chan P, Monahan R, Borsato EP, Shields DE, Martin DK, Kessler CM, Del Fiol G. GARDE: a standards-based clinical decision support platform for identifying population health management cohorts. J Am Med Inform Assoc. 2022 Apr 13;29(5):928-936. doi: 10.1093/jamia/ocac028.
- Mariotto AB, Enewold L, Zhao J, Zeruto CA, Yabroff KR. Medical Care Costs Associated with Cancer Survivorship in the United States. Cancer Epidemiol Biomarkers Prev. 2020 Jul;29(7):1304-1312. doi: 10.1158/1055-9965.EPI-19-1534. Epub 2020 Jun 10.
- Carrera PM, Kantarjian HM, Blinder VS. The financial burden and distress of patients with cancer: Understanding and stepping-up action on the financial toxicity of cancer treatment. CA Cancer J Clin. 2018 Mar;68(2):153-165. doi: 10.3322/caac.21443. Epub 2018 Jan 16.
- Lyman GH, Kuderer N. Financial Toxicity, Financial Abuse, or Financial Torture: Let's Call It What It is! Cancer Invest. 2020 Mar;38(3):139-142. doi: 10.1080/07357907.2020.1735084. Epub 2020 Mar 4. No abstract available.
- Pisu M, Henrikson NB, Banegas MP, Yabroff KR. Costs of cancer along the care continuum: What we can expect based on recent literature. Cancer. 2018 Nov 1;124(21):4181-4191. doi: 10.1002/cncr.31643. Epub 2018 Oct 17.
- Yabroff KR, Mariotto A, Tangka F, Zhao J, Islami F, Sung H, Sherman RL, Henley SJ, Jemal A, Ward EM. Annual Report to the Nation on the Status of Cancer, Part 2: Patient Economic Burden Associated With Cancer Care. J Natl Cancer Inst. 2021 Nov 29;113(12):1670-1682. doi: 10.1093/jnci/djab192.
- Knight TG, Deal AM, Dusetzina SB, Muss HB, Choi SK, Bensen JT, Williams GR. Financial Toxicity in Adults With Cancer: Adverse Outcomes and Noncompliance. J Oncol Pract. 2018 Oct 24:JOP1800120. doi: 10.1200/JOP.18.00120. Online ahead of print.
- Allcott N, Dunham L, Levy D, Carr J, Stitzenberg K. Financial burden amongst cancer patients treated with curative intent surgery alone. Am J Surg. 2019 Sep;218(3):452-456. doi: 10.1016/j.amjsurg.2019.01.033. Epub 2019 Jan 31.
- Williams CP, Gallagher KD, Deehr K, Aswani MS, Azuero A, Daniel CL, Ford EW, Ingram SA, Balch AJ, Rocque GB. Quantifying treatment preferences and their association with financial toxicity in women with breast cancer. Cancer. 2021 Feb 1;127(3):449-457. doi: 10.1002/cncr.33287. Epub 2020 Oct 27.
- Belcher SM, Lee H, Nguyen J, Curseen K, Lal A, Zarrabi AJ, Gantz L, Rosenzweig MQ, Hill JL, Yeager KA. Financial Hardship and Quality of Life Among Patients With Advanced Cancer Receiving Outpatient Palliative Care: A Pilot Study. Cancer Nurs. 2023 Jan-Feb 01;46(1):3-13. doi: 10.1097/NCC.0000000000001052. Epub 2021 Dec 31.
- Petermann V, Zahnd WE, Vanderpool RC, Eberth JM, Rohweder C, Teal R, Vu M, Stradtman L, Frost E, Trapl E, Koopman Gonzalez S, Vu T, Ko LK, Cole A, Farris PE, Shannon J, Lee J, Askelson N, Seegmiller L, White A, Edward J, Davis M, Wheeler SB. How cancer programs identify and address the financial burdens of rural cancer patients. Support Care Cancer. 2022 Mar;30(3):2047-2058. doi: 10.1007/s00520-021-06577-z. Epub 2021 Oct 16.
- Charlton M, Schlichting J, Chioreso C, Ward M, Vikas P. Challenges of Rural Cancer Care in the United States. Oncology (Williston Park). 2015 Sep;29(9):633-40.
- Spencer JC, Rotter JS, Eberth JM, Zahnd WE, Vanderpool RC, Ko LK, Davis MM, Troester MA, Olshan AF, Wheeler SB. Employment Changes Following Breast Cancer Diagnosis: The Effects of Race and Place. J Natl Cancer Inst. 2020 Jun 1;112(6):647-650. doi: 10.1093/jnci/djz197.
- Kent EE, Lee S, Asad S, Dobbins EE, Aimone EV, Park EM. "If I wasn't in a rural area, I would definitely have more support": social needs identified by rural cancer caregivers and hospital staff. J Psychosoc Oncol. 2023;41(4):393-410. doi: 10.1080/07347332.2022.2129547. Epub 2022 Oct 10.
- Zhang M, Wang X, Shao M, Li T, Guo S, Yang Y, Yu L, Bin M, Li D, Zhou H, Yao L, Chen C, Wang T. Financial toxicity of informal caregivers of colorectal cancer patients: A cross-sectional study. Eur J Oncol Nurs. 2024 Apr;69:102519. doi: 10.1016/j.ejon.2024.102519. Epub 2024 Feb 9.
- Crabtree-Ide C, Sevdalis N, Bellohusen P, Constine LS, Fleming F, Holub D, Rizvi I, Rodriguez J, Shayne M, Termer N, Tomaszewski K, Noyes K. Strategies for Improving Access to Cancer Services in Rural Communities: A Pre-implementation Study. Front Health Serv. 2022 Mar 14;2:818519. doi: 10.3389/frhs.2022.818519. eCollection 2022.
- Spencer JC, Samuel CA, Rosenstein DL, Reeder-Hayes KE, Manning ML, Sellers JB, Wheeler SB. Oncology navigators' perceptions of cancer-related financial burden and financial assistance resources. Support Care Cancer. 2018 Apr;26(4):1315-1321. doi: 10.1007/s00520-017-3958-3. Epub 2017 Nov 9.
- de Moor JS, Kent EE, McNeel TS, Virgo KS, Swanberg J, Tracy JK, Banegas MP, Han X, Qin J, Yabroff KR. Employment Outcomes Among Cancer Survivors in the United States: Implications for Cancer Care Delivery. J Natl Cancer Inst. 2021 May 4;113(5):641-644. doi: 10.1093/jnci/djaa084.
- Sherman DE. Transforming Practices Through the Oncology Care Model: Financial Toxicity and Counseling. J Oncol Pract. 2017 Aug;13(8):519-522. doi: 10.1200/JOP.2017.023655. Epub 2017 Jun 7. No abstract available.
- Xu L, Sanders L, Li K, Chow JCL. Chatbot for Health Care and Oncology Applications Using Artificial Intelligence and Machine Learning: Systematic Review. JMIR Cancer. 2021 Nov 29;7(4):e27850. doi: 10.2196/27850.
- Kaphingst KA, Kohlmann WK, Lorenz Chambers R, Bather JR, Goodman MS, Bradshaw RL, Chavez-Yenter D, Colonna SV, Espinel WF, Everett JN, Flynn M, Gammon A, Harris A, Hess R, Kaiser-Jackson L, Lee S, Monahan R, Schiffman JD, Volkmar M, Wetter DW, Zhong L, Mann DM, Ginsburg O, Sigireddi M, Kawamoto K, Del Fiol G, Buys SS. Uptake of Cancer Genetic Services for Chatbot vs Standard-of-Care Delivery Models: The BRIDGE Randomized Clinical Trial. JAMA Netw Open. 2024 Sep 3;7(9):e2432143. doi: 10.1001/jamanetworkopen.2024.32143.
- Ta V, Griffith C, Boatfield C, Wang X, Civitello M, Bader H, DeCero E, Loggarakis A. User Experiences of Social Support From Companion Chatbots in Everyday Contexts: Thematic Analysis. J Med Internet Res. 2020 Mar 6;22(3):e16235. doi: 10.2196/16235.
- Hazarika I. Artificial intelligence: opportunities and implications for the health workforce. Int Health. 2020 Jul 1;12(4):241-245. doi: 10.1093/inthealth/ihaa007.
- De Souza JA, Wroblewski K, Proussaloglou E, Nicholson L, Hantel A, Wang Y. Validation of a financial toxicity (FT) grading system. American Society of Clinical Oncology; 2017.
- Hamm RF, Levine LD, Szymczak JE, Parry S, Srinivas SK, Beidas RS. An innovative sequential mixed-methods approach to evaluating clinician acceptability during implementation of a standardized labor induction protocol. BMC Med Res Methodol. 2023 Aug 29;23(1):195. doi: 10.1186/s12874-023-02010-7.
- Watkins JM, Brunnemer JE, Heeter KN, Medellin AM, Churchill WC, Goss JM, Hobson JM, Werner NE, Weaver RG, Kercher VMM, Kercher KA. Evaluating the feasibility and acceptability of a co-designed physical activity intervention for rural middle schoolers: a pilot study. BMC Public Health. 2024 Jul 9;24(1):1830. doi: 10.1186/s12889-024-19356-2.
- Stanhope J. Patient Health Questionnaire-4. Occup Med (Lond). 2016 Dec;66(9):760-761. doi: 10.1093/occmed/kqw165. No abstract available.
- Møller CG, Ang KE, Bongiovanni MDL, Khalid MS, Wu J. Metrics of success: evaluating user satisfaction in AI chatbots. In: Proceedings of the 8th International Conference on Advances in Artificial Intelligence (ICAAI 2024). Association for Computing Machinery; 2025:168-173. doi:10.1145/3704137.3704182
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Estimado)
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 (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 193501
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. .