Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Suuret kielimallit gynekologisen onkologian hoidon helpottamiseksi (EASING)

tiistai 18. elokuuta 2026 päivittänyt: Philipps University Marburg

Lääketieteen opiskelijat ja heidän käsityksensä suurista kielimalleista (LLM) gynekologisessa onkologiassa

Tämän tutkimuksen tarkoituksena on arvioida lääketieteen opiskelijoiden tarjoamisen vaikutuksia suuriin kielimalleihin verrattuna hoito -ohjeisiin PDF: iin, hoidon yhdenmukaisuuteen tavanomaisen monitieteisen kasvainlautakunnan kanssa

Tutkimuksen yleiskatsaus

Yksityiskohtainen kuvaus

Edistyneiden tekoälyn (AI) tekniikat, erityisesti suuret kielimallit, kuten Openain chatgPT, on merkittävä potentiaali parantaa lääketieteellistä päätöksentekoa. Vaikka ChatgPT: tä ei ole suunniteltu erityisesti lääketieteellisiin sovelluksiin, se on osoittanut hyödyllisyyttä erilaisissa terveydenhuollon skenaarioissa, mukaan lukien potilaan tutkimusten vastaaminen, lääketieteellisten dokumentaation laatiminen ja kliinisten neuvottelujen avustaminen. Näistä edistysaskeleista huolimatta sen rooli hoidon päätöksenteon tukemisessa tapahtumapaikkaan monimutkaisissa onkologisissa tapauksissa-ja -vaikutuksissa.

Hoitopäätös gynekologisessa onkologiassa on monipuolinen prosessi, joka integroi näyttöön perustuvat ohjeet, kasvainbiologian, potilaskohtaiset tekijät ja kliinisen asiantuntemuksen. CHATGPT-kaltaiset AI-työkalut voisivat mahdollisesti auttaa syntetisoimaan asiaankuuluvia ohjeita koskevia suosituksia, parantamaan päätöksentekoa ja helpottamaan tehokkaampia kliinisiä työnkulkuja. ChatgPT: tä ei kuitenkaan ole erityisesti räätälöity onkologisiin hoitopäätöksiin, ja sillä ei ole kattavaa validointia tällä alueella. Lisäksi se voi tuottaa vääriä tietoja tai uskottavia kuulostavia, mutta epätarkkoja suosituksia, jotka voivat vaikuttaa kliiniseen arviointiin. Siksi ymmärtäminen siitä, kuinka lääketieteen ammattilaiset, mukaan lukien opiskelijat ja varhaisen uran lääkärit, vuorovaikutuksessa tällaisten AI-työkalujen kanssa on välttämätöntä ennen laajempaa integraatiota kliiniseen käytäntöön. Paikallisesti otettavissa olevat mallit, kuten LLAMA, mahdollistavat turvallisen, paikan päällä tapahtuvan käytön, kun taas hakuvalmistettu sukupolvi varmistaa ohjeiden mukaiset suositukset.

Tässä tutkimuksessa tutkitaan kielimallien vaikutusta hoitopäätöksen tukemiseen lääketieteen opiskelijoille, jotka hallitsevat gynekologisia onkologiatapauksia. Tämä on crossover -tutkimus, jossa osallistujat satunnaistetaan kahteen ryhmään. Kaikki osallistujat alkavat pääsystä chatgptiin kahdelle vinjettille. Sitten ne jatkavat kahta tapausta käyttämällä joko paikallisesti otettua kielimallia, jota seuraa kaksi tapausta, jotka luottavat ohjeisiin PDF -tiedostoihin tai päinvastoin.

Jokainen osallistuja analysoi kliinisiä tapauksia, ehdottaa hoitosuunnitelmia ja arvioi heidän luottamustaan ​​päätöksiinsä ja päätöksentekoa koskeviin järjestelmien käytettävyyteen. Tämän tutkimuksen tavoitteena on antaa käsitys AI-työkalujen integroinnin mahdollisista eduista ja rajoituksista, kuten chatgPT: n onkologiseen hoitopäätökseen.

Opintotyyppi

Interventio

Ilmoittautuminen (Todellinen)

70

Vaihe

  • Ei sovellettavissa

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

      • Marburg, Saksa, 35043
        • Institute for Digital Medicine, University Hospital of Giessen and Marburg, Philipps University Marburg

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

  • Aikuinen
  • Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Joo

Kuvaus

Sisällyttämiskriteerit:

- Lääketieteen opiskelijat ovat aloittaneet kliiniset aiheet

Poissulkemiskriteerit:

- ei ole lääketieteen opiskelija

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

  • Ensisijainen käyttötarkoitus: Hoito
  • Jako: Satunnaistettu
  • Inventiomalli: Crossover-tehtävä
  • Naamiointi: Yksittäinen

Aseet ja interventiot

Osallistujaryhmä / Arm
Interventio / Hoito
Muut: Paikallinen kielimalli ensin
Ryhmälle annetaan pääsy paikalliselle kielelle ensin ChatgPT: n käytön jälkeen
Ryhmälle annetaan pääsy paikalliselle kielelle ensin ChatgPT: n käytön jälkeen ja saa sitten pääsyn PDF -tiedostoon
Muut: Ohje PDF ensin
Ryhmälle annetaan pääsy ohjeen PDF ensin ChatgPT: n käytön jälkeen
Ryhmälle annetaan pääsy PDF -tiedostoon ChatgPT: n jälkeen ja sitten paikalliselle kielelle

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Kasvainlautakunnan päätösten hoidon sopimus
Aikaikkuna: suoraan (10 minuutin sisällä) intervention jälkeen
Kunkin ryhmän osallistujat valitsevat tapausvinjetit
suoraan (10 minuutin sisällä) intervention jälkeen

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Hoidon luottamus
Aikaikkuna: suoraan (10 minuutin sisällä) intervention jälkeen
Jokaisesta tapauksesta osallistujilta pyydetään heidän hoidon luottamusta (VAS 0-10). Keskiarvoa verrataan päätöksentekoryhmien välillä.
suoraan (10 minuutin sisällä) intervention jälkeen
Hoitopäätökseen käytetty aika
Aikaikkuna: suoraan (10 minuutin sisällä) intervention jälkeen
Aika (sekunneissa) osallistujat käyttävät tapausta kohden päätöksentekotuen ryhmien välillä.
suoraan (10 minuutin sisällä) intervention jälkeen

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Tutkijat

  • Päätutkija: Sebastian Griewing, MD PhD, Philipps University Marburg

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Perjantai 22. toukokuuta 2026

Ensisijainen valmistuminen (Todellinen)

Torstai 6. elokuuta 2026

Opintojen valmistuminen (Todellinen)

Torstai 6. elokuuta 2026

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Tiistai 11. helmikuuta 2025

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Maanantai 3. maaliskuuta 2025

Ensimmäinen Lähetetty (Todellinen)

Maanantai 10. maaliskuuta 2025

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Keskiviikko 19. elokuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Tiistai 18. elokuuta 2026

Viimeksi vahvistettu

Lauantai 1. elokuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Muut tutkimustunnusnumerot

  • 25-29 ANZ (Muu tunniste: Philipps University Marburg)

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

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 .

Tilaa