Keinotekoinen älykkyys päätöksentekotyökaluna neurologiassa
Tausta: Neuroinformatiikan perustaminen erilliseksi kentäksi on mahdollistanut laskennallisen biologian ja informatiikan integroinnin neurologisen tutkimuksen parantamiseksi. Tämä monitieteinen lähestymistapa parantaa kykyä integroida erilaisia tietojoukkoja, purkaa monimutkaisia hermoverkkoja ja kehittää laskennallisia malleja, jotka voivat parantaa kliinistä hallintaa. Tutkijoiden tavoitteena on arvioida, onko keinotekoinen älykkyyspohjainen työkalu tehokas muilla kuin englanninkielisillä alueilla.
Hypoteesi: Kielimallipohjaisen kliinisen avun järjestelmän integrointi neurologian osastoon parantaa merkittävästi potilaan hoidon tehokkuutta ja tarkkuutta hyödyntämällä neuroinformatiikkaperiaatteita. Tutkijat olettavat, että luonnollisen kielen käsittelyn ja data -analytiikan yhdistäminen parantaa diagnostiikka- ja hoitoprosesseja.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Tutkimussuunnittelu:
Käytetään pre-post-interventio-mallia, mitataan tulokset ennen neuroinformatiikan perustuvan kliinisen avun järjestelmän toteuttamista ja sen jälkeen. Diagnostisen tarkkuuden, hoitopäätösten ja työnkulun tehokkuuden muutokset määritetään.
Työnkulku:
- Neurologi arvioi jokaisen potilaan ja potilaan merkit tietoisen suostumuksen.
- Lääketieteen opiskelija lähettää manuaalisesti tunnistetut kliiniset tiedot turvalliselle käyttöliittymään.
- Tiedot analysoidaan suurella kielimallijärjestelmällä (LLM) sairaalan hyväksymällä sovelluksella.
- Vanhemman lääkärin on hyväksyttävä kaikki päätökset LLM: n suosituksen perusteella.
- Puolelle mahdollisista ilmoittautuneista osallistujista LLM: n suositus esitetään asukkaalle.
Retrospektiiviset tiedot:
- Tutkijat poimii tietoa 10 000 potilaalta, joita neurologi arvioi päivystysosastolla.
- Kliiniset tiedot (ilman potilaan tunnisteita) ladataan turvalliselle, sairaalan hyväksymälle LLM: lle, jolla on turva-avain.
- Mallin tuotantoa verrataan todellisiin kliinisiin päätöksiin ja potilaan tuloksiin (esim. Kuolleisuus, purkaustila).
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Haifa, Israel, 3109601
- Rambam Healthcare Campus
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Tietoinen suostumus
Poissulkemiskriteerit:
- Ei voi antaa tietoista suostumusta
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
|---|
|
Arviointi tekoälyllä
Tilanne, jossa lääkäri saa reaaliaikaisia suosituksia vain mallilta ennen lopullisen päätöksen tekemistä (lopullinen päätös tehdään vanhemman ylilääkärin ja hoitavan lääkärin perusteella)
|
|
Arviointi ilman tekoälyä
Tilanne, jossa lääkäri ei altistu mallin suosituksille.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Hätäosastolla vietetyn ajan pituus
Aikaikkuna: Hätäosastolle rekisteröinnistä päättyen hätäosastolta kotiutumiseen tai sairaalaosastolle pääsyyn, arviointiaika enintään 24 tuntia
|
Aika päivystyksen rekisteröinnistä päivystyksen alta kotiutumiseen tai sairaalaosastolle ottoon, keskittyen lisäksi konsultointisyklin aikaan.
|
Hätäosastolle rekisteröinnistä päättyen hätäosastolta kotiutumiseen tai sairaalaosastolle pääsyyn, arviointiaika enintään 24 tuntia
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
LLM: n käytön kustannukset
Aikaikkuna: Jopa 3 vuotta
|
Keskimääräiset päivittäiset kustannukset (USD) suuren kielimallin käyttämiseksi. Kuvaus: Tämä tulos mittaa suorat laskennalliset ja lisensointikustannukset, jotka aiheutuvat LLM: n ajamisesta kliinisessä ympäristössä. Mittayksikkö: Yhdysvaltain dollarit (päivässä). Kuinka se arvioidaan: LLM: n päivittäinen kulutus (esim. Pilvikomplemikkeen palkkiot, lisensointimaksut) kirjataan ja jaetaan potilaan kohtaamisten kokonaismäärällä kyseisenä päivänä keskimääräisten kustannusten saamiseksi. |
Jopa 3 vuotta
|
|
Henkilöstön AI: n noudattaminen
Aikaikkuna: Jopa 3 vuotta
|
Tässä lopputuloksessa arvioidaan, kuinka usein (vaatimustenmukaisuus) ja kuinka mielellään (hyväksyntä) lääkärit, asukkaat ja sairaanhoitajat käyttävät LLM: ää kelvollisissa kliinisissä skenaarioissa. Kuvaus: Määrittää, kuinka usein lääkärit, asukkaat ja sairaanhoitajat käyttävät LLM: ää kelvollisiin potilaan kohtaamisiin. Mittayksikkö: osuus (0,0-1,0) tai prosenttiosuus (0-100%) Kuinka arvioitu: seuraa kohtaamisten lukumäärää, joissa LLM: ää käytetään tosiasiallisesti, jaettuna tukikelpoisten kohtaamisten kokonaismäärällä. Suuremmat prosenttimäärät osoittavat suuremman noudattamisen. |
Jopa 3 vuotta
|
|
Läpinäkyvyys/selitettävyys
Aikaikkuna: 3 vuotta
|
Kuvaus: Arvioi, kuinka selvästi LLM: n päättely välitetään kliiniselle henkilöstölle. Mittayksikkö: Piste 5-pisteisessä Likert-asteikolla (1 = ei ollenkaan selvä, 5 = erittäin selkeä) Kuinka arvioitiin: Jokaisen LLM-ohjatun päätöksen jälkeen asukas tai osallistuva lääkäri arvioi mallin selityksen selkeyttä. Keskimääräinen pistemäärä ilmoitetaan. Korkeammat pisteet osoittavat paremman selkeyden. |
3 vuotta
|
|
LLM: n tuottamien kliinisten raporttien laatu
Aikaikkuna: Jopa 3 vuotta
|
LLM: n tuottaman kliinisen raportin tarkkuus ja täydellisyyspiste Tämä tulos arvioi, kuinka tarkasti ja kattavasti LLM on yhteenveto potilaan kliinisestä kohtaamisesta ja suositellusta suunnitelmasta jäsennellyssä raportissa (esim. Vastuuvapauden ohjeet, edistymismerkit). Mittausyksiköt: Laatupisteet, jotka perustuvat modifioituun SOAP: hen (subjektiivinen, tavoite, arviointi, suunnitelma) huomautusluokituksen asteikko, vaihtelevat välillä 0-10, missä korkeammat pisteet osoittavat paremman dokumentoinnin laadun. Pistemäärä heijastaa vaadittavien elementtien sisällyttämistä ja kliinisten yksityiskohtien oikeellisuutta. Arviointimenetelmä: Jokaista LLM: n tuotettua raporttia arvioidaan itsenäisesti osallistuvien lääkäreiden tai koulutetun kliinisen henkilöstön paneeli. Standardisoidun tarkistusluettelon avulla arvioijat arvioivat täydellisyyden (esim. Oireiden sisällyttäminen, fyysiset havainnot, diagnoosi ja suunnitelma) ja tarkkuuden (esim. Oikeat lääkkeet, tunnisteet ja diagnoosit) ja määritä sitten pistemäärä ennalta määritettyyn otsikkoon. |
Jopa 3 vuotta
|
|
Henkilöstön hyväksyminen AI
Aikaikkuna: Jopa 3 vuotta
|
Kuvaus: Arvioi, kuinka henkilökunta integroi LLM kliiniseen työnkulkuun. Mittayksikkö: 5-pisteinen Likert-asteikko (1 = voimakkaasti eri mieltä, 5 = täysin samaa mieltä) Kuinka arvioitiin: Jokaisen LLM-avustetun kohtaamisen jälkeen henkilökunta suoritti lyhyen tutkimuksen havaitusta avuliaisuudesta ja halusta käyttää uudelleen LLM: ää. Korkeammat pisteet osoittavat suuremman hyväksynnän. |
Jopa 3 vuotta
|
Muut tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tutkimus on järjestetty neljän ennalta määritellyn tavoitteen ympärille:
Aikaikkuna: 3 vuotta
|
Tavoite 1: LLM-diagnostiikan ja hoitosuosituksen sopivuus LLM-suosituksien sopivuutta arvioivat vanhemmat kliinikot (1=sopimaton, 5=sopiva) Aikataulu:Ensihoitoon ilmoittautumisesta kotiuttamiseen tai osastohoitoon, enintään 24 tuntia Tavoite 2: Diagnostinen tarkkuusprosentti - LLM-avusteinen vs. standardihoito Kliinisen päätöksenteon oikeiden diagnoosien osuus LLM-avusteisessa vs. standardihoidossa (%), vastaa kotiutusdiagnoosia Aikataulu:Ensihoitoon ilmoittautumisesta lopulliseen diagnoosiin, enintään 24 tuntia Tavoite 3: Kliinikon arvioima LLM-tulosten hyödyllisyys ja käytettävyys - SUS ja Likert-asteikko Hyödyllisyyttä mitataan SUS:lla (0-100) ja 5-pisteen Likert-arvosana, kerätty potilaskohtaamisen jälkeen laadullisilla palautteilla Aikataulu:Jokaisen kliinisen kohtaamisen lopussa, enintään 36 kuukautta Tavoite 4: LLM-retrospektiivinen vertailukohta - Prosentuaalinen yhtäpitävyys ja Cohenin kappa vs. todelliset kliiniset lopputulokset LLM-suositusten ja todellisten lopputulosten (diagnoosi, hoitomuoto, sairaalassaoloaika) yhtäpitävyys anonymisoiduissa potilastiedoissa Aikataulu:Potilastiedot enintään 36 kuukautta ennen tutkimuksen aloittamista
|
3 vuotta
|
|
Additional Pre-Specified Outcome Measures for Both Emergency Departments Due to Expansion to Pediatrics:
Aikaikkuna: 3 years
|
Aim 1: Change in Specialist Consultations per ED Visit Internal specialist consults per daily case volume (trauma excluded) vs. 5-year mean; decrease = better decision-making and resource use. Timeframe: Per ED visit (≤24h); monthly, 36 months Aim 2: Change in Ancillary Tests (Imaging & Laboratory) per ED Visit Imaging (X-ray, US, CT) and lab tests per daily case volume vs. 5-year mean; decrease = better decisions, less radiation. Timeframe: Per ED visit (≤24h); monthly, 36 months Aim 3: Discharge Letter Quality Score (LLM-as-a-Judge) Automated quality score per discharge letter: Safety, Compliance, Patient Communication (1-10; higher=better); 20% manually validated vs. 200-letter baseline. Target: ≥15% improvement. Timeframe: At closure of each discharge letter, up to 36 months Aim 4: Return Visits to ED Unplanned return within 7 days vs. prior periods; goal: rate maintenance (non-inferiority), confirming safety. Timeframe: 7 days from discharge; monthly, 36 months |
3 years
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Shahar Shelly, MD, Rambam Health Care Campus
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Gorenshtein A, Weisblat Y, Khateb M, Kenan G, Tsirkin I, Fayn G, Geller S, Shelly S. AI-Based EMG Reporting: A Randomized Controlled Trial. J Neurol. 2025 Aug 22;272(9):586. doi: 10.1007/s00415-025-13261-3.
- Gorenshtein A, Perek S, Vaisbuch Y, Shelly S. AI-generated neurology consultation summaries improve efficiency and reduce documentation burden in the emergency department. Sci Rep. 2025 Nov 6;15(1):38868. doi: 10.1038/s41598-025-22769-7.
- Gorenshtein A, Fistel S, Sorka M, Telman G, Winer R, Peretz S, Aran D, Shelly S. AI Based Clinical Decision-Making Tool for Neurologists in the Emergency Department. J Clin Med. 2025 Sep 8;14(17):6333. doi: 10.3390/jcm14176333.
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 (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 0026-24RMB
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 .