Suuri kielellinen malli fysioterapian opiskelijoiden kliiniselle reagoinnille
Satunnaistetun kontrolloidun tutkimuksen toteutettavuus suurista tekoälypohjaisista kielellisistä malleista fysioterapian opiskelijoiden kliiniseen päättelyyn. Satunnaistettu kontrolloitu tutkimus
Kliininen päättely on fysioterapian opiskelijoille perusteellinen taito, jonka avulla he voivat kerätä ja tulkita potilastietoja tarkkojen diagnoosien ja hoitopäätösten tekemiseksi. Perinteiset koulutusmenetelmät rajoittavat usein opiskelijoiden altistumista monille kliinisille tapauksille, jotka voivat rajoittaa näiden taitojen kehittämistä. Suurten kielimallien (LLM), kuten chatgPT, integrointi fysioterapian koulutukseen tarjoaa uuden lähestymistavan kliinisen päättelyn parantamiseksi simuloimalla interaktiivisia ja realistisia potilasskenaarioita.
Tämän satunnaistetun kontrolloidun tutkimuksen tavoitteena on arvioida LLM-pohjaisen koulutusintervention tehokkuutta fysioterapian opiskelijoiden kliinisten päättelytaitojen parantamisessa. Tutkimuksessa rekrytoidaan yhteensä 200 kolmannen vuoden fysioterapia-opiskelijaa useista yliopistolaitoksista. Osallistujat jaetaan satunnaisesti yhdelle kahdesta ryhmästä:
- Kokeellinen ryhmä-Opiskelijat saavat LLM-pohjaisen koulutuksen, joka harjoittaa keskusteluainetta tekoälyn mallia kliinisten tapausten ratkaisemiseksi 8 viikon ajanjaksolla. Malli tarjoaa reaaliaikaisia vastauksia kysymyksiinsä, jolloin he voivat tarkentaa diagnostisen ja hoidon päättelynsä.
- Kontrolliryhmä-Opiskelijat seuraavat tavanomaista opetussuunnitelmaa, osallistumalla tavanomaiseen tapauspohjaiseen oppimiseen ja valvottuihin kliinisiin päätteluharjoitteluun ilman AI-pohjaista apua.
Tutkimuksen ensisijainen tulos on kliinisten päättelytaitojen paraneminen, joka arvioidaan standardoitujen kirjallisten tapausarviointien ja jäsenneltyjen käytännön tutkimusten avulla. Toissijaisia tuloksia ovat muutokset digitaalisessa osaamisessa, opiskelijoiden sitoutumistasot, yleinen tyytyväisyys koulutuslähestymistapaan ja intervention kustannustehokkuus.
Arvioimalla LLM: ien vaikutusta kliiniseen päättelykoulutukseen, tämän tutkimuksen tarkoituksena on selvittää, voivatko AI-pohjaiset koulutusvälineet täydentää tehokkaasti perinteistä fysioterapiakoulutusta ja parantaa opiskelijoiden valmiutta reaalimaailman kliiniseen käytäntöön.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Kliininen päättely on keskeinen osaaminen fysioterapian opiskelijoille, mikä antaa heille mahdollisuuden arvioida, diagnosoida ja luoda potilastietojen perusteella hoitosuunnitelmia. Tärkeydestään huolimatta perinteiset koulutuslähestymistavat rajoittavat usein opiskelijoiden altistumista monenlaisille kliinisille tapauksille rajoittaen heidän kykyään kehittää kattavia päättelytaitoja. Keinotekoisen älykkyyden edistysaskeleet, erityisesti suuret kielimallit (LLM), kuten chatgPT, tarjoavat lupaavan ratkaisun simuloimalla realistisia ja interaktiivisia kliinisiä skenaarioita.
Tämän satunnaistettu kontrolloitu tutkimus (RCT) pyrkii arvioimaan LLM-pohjaisen intervention tehokkuutta verrattuna perinteisiin koulutusmenetelmiin fysioterapian opiskelijoiden kliinisten päättelytaitojen parantamiseksi. Kolmannen vuoden opiskelijat osoitetaan satunnaisesti joko kokeelliselle ryhmälle, joka saa AI-pohjaisen tapauspohjaisen koulutuksen tai kontrolliryhmän tavanomaisten opetussuunnitelmien tapauskeskustelujen jälkeen.
Interventio kestää 8 viikkoa, jolloin kokeellisen ryhmän opiskelijat ovat vuorovaikutuksessa LLM: n kanssa viikoittaisten kliinisten tapausten ratkaisemiseksi, jäljittelemällä todellisen maailman potilaan kohtaamisia. Malli toimii virtuaalisena potilaana, vastaa opiskelijoiden kyselyihin ja antaa heille mahdollisuuden tarkentaa diagnostisen päättelynsä ja hoidon suunnittelun. Sitä vastoin kontrolliryhmä osallistuu perinteisiin kirjallisiin ja tutorien johtamiin tapauskeskusteluihin.
Tilastollinen analyysisuunnitelma
Tiedot analysoidaan käyttämällä SPSS -versiota 29.0 (SPSS Inc., Chicago, IL, USA). Kuvailevia tilastoja käytetään yhteenvetona osallistujien lähtöominaisuuksista, ja jatkuvat muuttujat ilmaistaan keskiarvona ± keskihajonta (SD) tai mediaanina [kvartiilien välinen alue] normaalisuudesta riippuen ja kategoriset muuttujat, jotka on esitetty taajuutena (N) ja prosentteina (%). Jakelujen normaalisuus arvioidaan käyttämällä Kolmogorov-Smirnov-testiä ja Shapiro-Wilk-testiä. Ryhmien väliset vertailut suoritetaan käyttämällä; Riippumattomat t-testit tai mann-whitney u testit jatkuville muuttujille; Chi-neliötestit tai Fisherin tarkka testi kategorialle muuttujille; Toistuvien mittausten ANOVA- tai lineaarisia sekoitettuja malleja käytetään arvioimaan ajan myötä kliinisten päättelypisteiden, digitaalisen pätevyyden ja tyytyväisyyden tasolla.
Logistisia regressiomalleja käytetään tutkimaan ennustajia sitoutumisesta LLM-pohjaiseen interventioon. Vaikutuskoot (Cohenin D, Rosenthalin r) lasketaan havaittujen erojen suuruuden mittaamiseksi. Kustannustehokkuusanalyysi suoritetaan vertaamalla LLM-pohjaisen intervention täytäntöönpanokustannuksia kliinisten päättelypisteiden ja opiskelijoiden sitoutumistason paranemiseen.
Tilastollinen merkitsevyys asetetaan p <0,05, ja kaikki analyysit suoritetaan kaksisuuntaisella lähestymistavalla.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Vaihe
- Vaihe 2
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Alfredo Lerín Calvo, Professor
- Puhelinnumero: +34620187457
- Sähköposti: alfredo.lerin@lasallecampus.es
Opiskelupaikat
-
-
Madrid
-
Madrid, Madrid, Espanja, 28023
- Rekrytointi
- Centro Superior de Estudios Universitarios La Salle
-
Ottaa yhteyttä:
- Alfredo Lerín Calvo, Professor
- Puhelinnumero: +34620187457
- Sähköposti: alfredo.lerin@lasallecampus.es
-
Päätutkija:
- Raúl Ferrer Peña, PhD
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällyttämiskriteerit:
- Opiskelijat ilmoittautuivat fysioterapiaohjelman kolmanteen vuoteen La Sallen korkeamman yliopiston opintojen keskuksessa (LCHUS)
- Osallistujien on oltava 18–30 -vuotiaita.
- Opiskelijoiden on suostuttava osallistumaan tutkimukseen allekirjoittamalla tietoinen suostumuslomake sen jälkeen, kun heille on annettu tiedoksi tutkimuksen tavoitteista, menettelyistä ja mahdollisista riskeistä.
- Osallistujien on oltava valmiita osallistumaan LLM-pohjaiseen alustaan (kokeelliselle ryhmälle) tai osallistumaan perinteiseen oppimistoimintaan (kontrolliryhmälle) tutkimuksen ajan.
Poissulkemiskriteerit:
- Opiskelijat, joilla on aikaisempi kliininen kokemus fysioterapiakoulutuksen kolmannen vuoden jälkeen.
- Fyysiset tai kognitiiviset vammaisuudet, jotka voivat häiritä kykyä osallistua interventioon tai hyötyä (esim. Näkö, kuulo tai motoriset heikentymiset).
- Opiskelijat, jotka eivät tarjoa tietoista suostumusta osallistumiseen tutkimukseen.
- Opiskelijat, joilla ei ole riittävää taitoa espanjaksi tai englanniksi, ymmärtää materiaaleja ja interventiota.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Hoito
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Kaksinkertainen
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: LLM -ryhmä
Koeryhmän osanottajat käyvät läpi 8 viikon interventio, joka sisältää suuren kielimallin (LLM) -pohjaisen koulutuksen kliiniseen päättelykoulutukseen. Opiskelijat osallistuvat viikoittaisiin kliinisiin tapauksiin simulaatioihin, joissa käytetään LLM-moottorilla olevaa alusta (CHATGPT), jossa he ovat vuorovaikutuksessa mallin kanssa potilastietojen saamiseksi, diagnoosien laatimiseksi ja ehdotussuunnitelmien ehdottamiseksi. LLM tarjoaa reaaliaikaisia vastauksia simuloimalla virtuaalista potilasta. Koulutus täydentää tavanomaista opetussuunnitelmaa, jolloin opiskelijat voivat harjoittaa kliinisiä päättelytaitoja jäsennellyssä ja interaktiivisessa AI-avusteisessa ympäristössä. Intervention lopussa osallistujat suorittavat lopullisen tapauspohjaisen arvioinnin arvioidakseen kliinisen päättelyn, digitaalisen pätevyyden ja tekniikan sitoutumisen parannuksia. |
Interventio kokeellisessa ryhmässä erotetaan suuren kielimallin (LLM) interaktiivisen alustan (CHATGPT) integroinnilla fysioterapian opiskelijoiden kliiniseen perustelukoulutukseen.
Toisin kuin perinteiset koulutuslähestymistavat, tämä interventio tarjoaa reaaliaikaisen, AI: n tuottaman potilaan vuorovaikutuksen, jolloin opiskelijat voivat aktiivisesti osallistua virtuaalisiin kliinisiin tapauksiin.
|
|
Active Comparator: Tavanomainen oppimisryhmä
Kontrolliryhmän osallistujat seuraavat tavanomaista opetussuunnitelmaa kliinisen päättelyn koulutukselle 8 viikon ajanjaksolla ilman altistumista LLM-pohjaiselle interventiolle. Opiskelijat osallistuvat viikoittaisiin tapauspohjaisiin keskusteluihin perinteisten oppimismenetelmien avulla, mukaan lukien kirjalliset tapausanalyysit ja valvotut keskustelut ohjaajien kanssa. Nämä istunnot seuraavat fysioterapian koulutusohjelmissa käytettyä tavanomaista koulutuskehystä, joka korostaa diagnostisen päättelyn ja hoidon suunnittelun ohjaajan johtaman ohjauksen avulla. Koulutusjakson lopussa osallistujat suorittavat lopullisen tapauspohjaisen arvioinnin arvioidakseen kliinisiä päättelytaitojaan, digitaalista osaamista ja yleistä sitoutumistaan oppimisprosessiin. |
Kontrolliryhmän interventio noudattaa perinteistä tapauspohjaista oppimismenetelmää, jota käytetään yleisesti fysioterapian koulutuksessa.
Toisin kuin kokeellinen ryhmä, tämä koulutusmenetelmä riippuu pelkästään ihmisen johtamasta ohjeesta ja kirjallisesta tapausanalyysistä ilman tekoälyn integrointia tai interaktiivisia digitaalisia työkaluja.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kliininen päättely
Aikaikkuna: Arvioidaan 8 viikon intervention alussa ja lopussa tapauspohjaisten arviointien ja käytännön arviointien avulla.
|
Tämä tulos mittaa opiskelijoiden kliinisten päättelytaitojen paranemista intervention jälkeen.
Opiskelijoita arvioidaan heidän kykynsä kerätä, tulkitsemiseen ja analysointiin potilastietoja ja laatia tarkkoja diagnooseja ja hoitosuunnitelmia.
Tätä arvioidaan sekä kirjallisilla tapaustutkimuksilla että käytännöllisillä tutkimuksilla käyttämällä Lasater -otsikkoa, koska tämä asteikko on tämän lopputuloksen arviointiin käytetty instrumentti.
|
Arvioidaan 8 viikon intervention alussa ja lopussa tapauspohjaisten arviointien ja käytännön arviointien avulla.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Opiskelijoiden sitoutuminen interventioon
Aikaikkuna: Tarkkaillaan koko 8 viikon interventiojakson ajan viikoittain opiskelijoiden vuorovaikutuksen ja tapausten loppuunsaattamisen jälkeen.
|
Tämä tulos mittaa opiskelijoiden aktiivisen sitoutumisen tasoa LLM-pohjaisella alustalla (kokeellinen ryhmä) ja perinteisen tapauspohjaisen oppimisen (kontrolliryhmä).
Sitoutumista arvioidaan määritettyjen tapausten vuorovaikutustaajuuden, käytön keston ja valmistumisasteen perusteella.
|
Tarkkaillaan koko 8 viikon interventiojakson ajan viikoittain opiskelijoiden vuorovaikutuksen ja tapausten loppuunsaattamisen jälkeen.
|
|
Tyytyväisyys koulutuslähestymistapaan
Aikaikkuna: Laskettu interventiojakson lopussa käyttämällä kustannuksia, jotka liittyvät pääsyn tarjoamiseen LLM-pohjaiselle alustalle ja vertaamalla sitä muissa tuloksissa havaittuihin parannuksiin.
|
Tämä tulos arvioi opiskelijoiden tyytyväisyyttä heidän oppimiskokemukseensa keskittyen intervention tehokkuuteen, käytettävyyteen ja havaittuun arvoon.
Tyytyväisyys mitataan käyttämällä visuaalista analogista asteikkoa (VAS), jossa opiskelijat arvioivat tyytyväisyytensä koulutusmenetelmään.
|
Laskettu interventiojakson lopussa käyttämällä kustannuksia, jotka liittyvät pääsyn tarjoamiseen LLM-pohjaiselle alustalle ja vertaamalla sitä muissa tuloksissa havaittuihin parannuksiin.
|
|
Digitaaliset pätevyydet
Aikaikkuna: Arvioidaan 8 viikon intervention alussa ja lopussa ad hoc-digitaalisen pätevyyskyselyn kautta.
|
Tämä tulos arvioi opiskelijoiden kykyä käyttää tehokkaasti digitaalisia työkaluja, erityisesti AI-ohjattuja alustoja, kuten chatgpt, kliinisen päättelyn yhteydessä.
Opiskelijat täyttävät digitaalisen pätevyyden kyselylomakkeen, jossa arvioidaan taitojaan useilla aloilla, kuten tiedonhallinta, terveysviestintä ja digitaalisen sisällön luominen.
Se arvioidaan Montero-Delgado et al. (2020)
|
Arvioidaan 8 viikon intervention alussa ja lopussa ad hoc-digitaalisen pätevyyskyselyn kautta.
|
Yhteistyökumppanit ja tutkijat
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- 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.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Arvioitu)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- ALC001NR005
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Tässä tutkimuksessa yksittäisiä osallistujien tietoja (IPD) ei jaeta julkisesti. Kerättyjä tietoja, mukaan lukien kliiniset päättelyarvioinnit, digitaalisen pätevyyden arvioinnit ja tyytyväisyyspisteet, käytetään yksinomaan tämän tutkimuksen tarkoituksiin. Osallistujien tietojen saatavuus rajoitetaan tutkimusryhmään, eikä niitä anneta jaettavaksi ulkoisten osapuolten kanssa.
Osallistujien yksityisyys ja luottamuksellisuus ylläpidetään tiukasti koko tutkimuksen ajan. Kaikki tiedot nimettyy, ja kaikki tunnistettavat tiedot tallennetaan turvallisesti ja suojataan sovellettavien tietosuojamääräysten mukaisesti. Lisäksi tutkimuksen tulokset jaetaan kokonaismuodossa varmistaen, että yksilön tietoja ei paljasteta tai tunnistettavissa missään julkisessa raportissa tai julkaisuissa.
Osana eettistä sitoutumista osallistujien yksityisyyden suojaamiseen, IPD: hen pääsyä koskevia pyyntöjä ei hyväksytä.
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 .