Arviointi AI: n tuotettujen selkeän kielen yhteenvetojen arviointi oftalmologian muistiinpanojen potilaan ymmärtämisestä englanninkielisten potilaiden keskuudessa

Tässä tutkimuksessa käytetään kahden käsivarren satunnaistettua kontrolloitua tutkimusta, jotta voidaan arvioida, voiko tekoälyn (AI) tuotetut selkeän kielen yhteenveto (PLSS) parantaa potilaan ymmärtämistä oftalmologian muistiinpanoista. Tukikelpoiset osallistujat rekrytoidaan rutiininomaisten vierailujensa aikana Jules Stein Eye Institute -yrityksessä, ja kun ne on seulottu standardoitujen kliinisten kriteerien avulla, ne on satunnaisesti määritetty joko vastaanottamaan tavallinen silmälääketiede (SON) tai poika, jota on täydennetty AI: n tuotetulla PLS: llä. Satunnaistamisprosessissa käytetään tietokoneen luomaa sekvenssiä piilotetulla allokoinnilla puolueettoman ryhmän määrittämisen varmistamiseksi.

Tässä tutkimuksessa käytetty AI -järjestelmä otetaan paikallisesti käyttöön turvatulla UCLA -intranetissä. Se hyödyntää suurta kielimallia (LLM), joka on räätälöity ja validoitu selkeän kielen selitysten tuottamiseksi monimutkaisesta oftalmologisesta tiedosta. Kaikki prosessointi tapahtuu UCLA: n hyväksymissä, salattuissa laitteissa, eikä mitään tietoa siirretä ulkoisesti. Ennen kuin PLS: n toimitetaan osallistujille, silmälääkäri tarkistaa jokaisen yhteenvedon tarkkuuden tarkistamiseksi ja välttämättömien kliinisten yksityiskohtien välittämiseksi oikein ja selkeästi.

Tiedonkeruu suoritetaan kyselyinstrumentteilla. Tutkimus sisältää sarjan 5-pisteisiä Likert-asteikkoja, avoimia kysymyksiä ja jäsenneltyjä vastausosioita, jotka on suunniteltu arvioimaan diagnoosin, hoitosuunnitelmien ja seurantaohjeiden ymmärtämistä. Osallistujat suorittavat kyselyn heti klinikkavierailunsa jälkeen, ja koulutettu tutkimushenkilökunta suorittaa noin seitsemän päivää myöhemmin seurantapuhelinhaastattelun saadakseen lisäpalautteen selkeydestä ja annettujen tietojen säilyttämisestä. Tutkimuksessa ei käytetä ääni- tai videotallennusta; Kaikki vastaukset ovat joko tutkimushenkilöstön suoraan tallentaneet tai syötetään sähköisesti suojattuun tietokantaan.

Tilastolliset analyysit suoritetaan tavallisilla ohjelmistopaketeilla intervention ja kontrolliryhmien välisten tulosten vertaamiseksi. Ensisijaiset analyysit sisältävät riippumattomat t-testit tai Mann-Whitney U -testit jatkuville muuttujille, kategoristen muuttujien chi-neliötestit ja monimuuttujaiset regressiomallit sopeutumaan hämmentäviin muuttujiin, kuten ikä, koulutustaso ja perusterveyden lukutaito. Otoksen koko laskettiin havaitsemaan kliinisesti merkitykselliset erot ymmärryksissä, ja tehoanalyysit osoittavat 460–2030 osallistujan tarpeen vaikutuksen koosta riippuen.

Tietoturva ylläpidetään tiukoilla toimenpiteillä. Elektroniset tiedot tallennetaan salattuun, UCLA-suojattuihin kannettaviin tietokoneisiin ja suojattuun laatikkovarastoon. Kaikki tiedonkäsittely noudattaa UCLA -käytäntöjä ja IRB -ohjeita tietojen säilyttämiselle ja tuhoamiseksi, ja tunnistettavat tiedot tuhoutuvat turvallisilla menetelmillä, kun sitä ei enää vaadita.

Laadunvalvontamenettelyt sisältävät tiedon syöttämisen säännölliset tarkastukset, säännölliset tarkistuskokoukset tutkimushenkilöstön kanssa ja tarvittaessa ristitarkistukset kliinisten tietojen vastaisten kyselyjen vastaisten vastausten kanssa. Riippumaton valvontaprosessi on käytössä tutkimusprotokollan noudattamisen varmistamiseksi ja mahdollisten poikkeamien ratkaisemiseksi nopeasti.

Kaiken kaikkiaan tämä tutkimus on tarkoitettu tarjoamaan vankkaa näyttöä AI-generoitujen PLS: ien toteutettavuudesta ja tehokkuudesta parantaa potilaan ymmärtämistä monimutkaisesta lääketieteellisestä tiedosta. Integroimalla tekniset suojatoimenpiteet, tiukat tilastolliset menetelmät ja virtaviivaisen tiedonkeruuprosessin, tutkimuksen tavoitteena on toimittaa oivalluksia, jotka voivat johtaa parannettuihin potilasviestinnän strategioihin ja tehokkaampaan terveydenhuollon toimittamiseen useiden erikoisuuksien välillä.