Keinotekoisen älykkään kliinisen päätöksenteon tukijärjestelmän simulointikeskuksen tutkimus teknologian hyväksymiseksi
Keinotekoisen älykkään kliinisen päätöksenteon tukijärjestelmän simulointikeskuksen tutkimus: Koneoppimisen riskien osiointityökalu akuuttiin maha-suolikanavan verenvuotoon teknologian hyväksymismallin avulla
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Alkukokeessa käytetään aiemmin validoitua koneoppimisalgoritmia, joka on koulutettu olemassa oleviin kliinisiin tietokokonaisuuksiin simulaatioskenaarioissa, joissa arvioidaan potilasta, jolla on akuutti maha-suolikanavan verenvuoto (alhainen, kohtalainen ja suuri riski huonoon tulokseen).
Ennen simulaatiota kaikille osallistujille tarjotaan perusopetusmoduuli tekoälystä, koneoppimisesta ja kliinisen päätöksenteon tuesta. Tutkijat selvittävät psykologista turvallisuutta selvittämällä, mitä huoneessa on tarjolla, mahdollisuudesta kutsua konsultti sekä laboratorio- ja röntgentutkimusten saatavuudesta. Kukin kliininen skenaario kestää noin 10 minuuttia perustuen todellisiin potilastapauksiin, joissa elintoiminnot muuttuvat ajan myötä ja laboratorioarvot ovat saatavilla arvioinnin tietyissä kohdissa. Tutkimus noudattaa 3 (skenaarion riski: pieni, keskitaso, vs. korkea) 2 x 2 (AI kehystys: työkalu vs. tiimin jäsen) 2 (läpinäkyvyys: pieni vs. korkea) tekijämallia. Jokainen osallistuja saa kaikki kolme skenaariota kasvavassa riskijärjestyksessä (kohteen sisällä), mutta hänet satunnaistetaan yhteen tekoälykehykseen ja yhteen läpinäkyvyyskäsittelyn ehtoon (kohteiden väliset tekijät).
Tekoälytiimin jäsenten kehystyskäsittelyä varten simulaatiota edeltävän tiedotustilaisuuden aikana osallistujille tarjotaan keinoälyn/koneoppimisalgoritmien viitekehys tiimin jäsenenä, ei vain työkalu, mielen teorian käsitteen avulla. jotta algoritmit ymmärtävät, kuinka heidän päättelynsä voi täydentää ihmisen päättelyä. Lisäksi tietokonetyöasema, jolla algoritmia ajetaan, sijoitetaan potilaan sängyn viereen. Lisäksi AI-CDSS esitetään ChatGPT/GPT-4 chatbot-tyylisessä käyttöliittymässä, jonka kanssa palveluntarjoajat voivat luonnollisesti olla vuorovaikutuksessa sängyn vieressä. Työkalun kehystystilassa heille tarjotaan tyypillinen selitys AI-CDSS:stä työkaluna. Tässä tapauksessa tietokone, jossa on algoritmi, sijoitetaan kulmaan, joka on kaukana potilaasta. Sellaisenaan se esitetään laskintyyppisenä jakkarana.
Läpinäkyvyyskäsittelyä varten algoritmisella lähdöllä on joko "matala" läpinäkyvyys (vain riskinarviointi ja suositus) tai "korkea" läpinäkyvyys (jossa on selitys mallin syötteistä ja mahdollisuus kysyä syötteitä joko käyttäjäohjattujen napsautusten avulla web-sovellus työkalun kehystystilassa tai suoraan ChatGPT-pohjaisella käyttöliittymällä, joka voi käsitellä käyttäjälle suunnattuja kyselyitä käyttäjäystävällisessä luonnollisen kielen chatbotissa tiimin jäsenkehyksessä, mikä johtaa mallin tuottoon vaikuttavien syötteiden esittämiseen mentaalisen mallin luomiseksi. algoritmi).
Opintotyyppi
Ilmoittautuminen (Todellinen)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Connecticut
-
New Haven, Connecticut, Yhdysvallat, 06510
- Yale New Haven Hospital
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällyttämiskriteerit:
- Sisätautien residenssiharjoittelijat oppilaitoksessa
- Ensihoitolääketieteen residenssiharjoittelijat oppilaitoksessa
Poissulkemiskriteerit:
- Ei käytössä
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Terveyspalvelututkimus
- Jako: Ei käytössä
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: Suuri kielimalliin perustuva vuorovaikutus
LLM-käyttöinen chatbot, jossa on koneoppimisen hallintapaneeli, joka tarjoaa riskinarvioinnin ja perustelut kojelaudan tuottamiin tulkintamittareihin perustuen, jossa tutkimukseen osallistujat voivat olla suoraan vuorovaikutuksessa luonnollisen kielen kanssa.
Osallistujille tarjotaan Generative Pre-trained Transformer (GPT) chatbot-käyttöinen koneoppimismallin hallintapaneeli.
|
Suuren kielimallin (LLM) chatbotin käyttöliittymän käyttö koneoppimisalgoritmin ja tulkittavuuden hallintapaneelin kanssa.
|
|
Ei väliintuloa: Koneoppimisen hallintapaneeli
Koneoppimisalgoritmin tulos interaktiivisella kojetaululla, jota voidaan käyttää selittämään tai tulkitsemaan syöttötekijöitä, jotka vaikuttavat eniten luotuun riskipisteeseen.
Osallistujat pääsevät vain koneoppimisen hallintapaneeliin.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Median Change in Attitudes Towards Machine Learning Algorithms in Clinical Care Using UTAUT
Aikaikkuna: 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
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Clinician Decision Making of Triage of GI Bleeding
Aikaikkuna: 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
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Dennis Shung, MD, Yale School of Medicine Section of Digestive Diseases
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Laine L, Jensen DM. Management of patients with ulcer bleeding. Am J Gastroenterol. 2012 Mar;107(3):345-60; quiz 361. doi: 10.1038/ajg.2011.480. Epub 2012 Feb 7.
- Laine L. Risk Assessment Tools for Gastrointestinal Bleeding. Clin Gastroenterol Hepatol. 2016 Nov;14(11):1571-1573. doi: 10.1016/j.cgh.2016.08.003. Epub 2016 Aug 10. No abstract available.
- Leonardi, P. M. 2009. Why do people reject new technologies and stymie organizational changes of which they are in favor? Exploring misalignments between social interactions and materiality. Human Communication Research, 35(3): 407-441.
- Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27(3), 425-478
- Chung S, Giuffre M, Rajashekar N, Pu Y, Shin YE, Kresevic S, Chan C, Nakamura-Sakai S, You K, Saarinen T, Hsiao A, Wong AH, Evans L, McCall T, Kizilcec RF, Sekhon J, Laine L, Shung DL. Usability and adoption in a randomized trial of GutGPT a GenAI tool for gastrointestinal bleeding. NPJ Digit Med. 2025 Aug 18;8(1):527. doi: 10.1038/s41746-025-01896-5.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 2000034521
- 1K23DK125718-01A1 (Yhdysvaltain NIH-apuraha/sopimus)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .