Havaintopohjaisten interventioiden vaikutus suuren kielimallin käytön hyväksyntään lääketieteessä
torstai 11. joulukuuta 2025 päivittänyt: Liu Jue, Peking University
Havainnollistusperusteiset interventiot vaikuttavat suuren kielimallien käytön hyväksyntään lääketieteessä: satunnaistettu kontrolloitu tutkimus
Suuret kielimallit (LLM) näyttävät lupaavalta lääketieteessä, mutta huolenaiheita niiden tarkkuudesta, johdonmukaisuudesta, läpinäkyvyydestä ja eettisyydestä on edelleen.
Tähän mennessä yleisön käsityksiä LLM:ien käytöstä lääketieteessä ja siitä, vaikuttavatko ne LLM:ien terveydenhuollon sovellusten hyväksyttävyyteen, ei vielä täysin ymmärretä.
Tämän tutkimuksen tavoitteena on tutkia yleisön käsityksiä LLM:ien käytöstä lääketieteessä ja sitä, vaikuttavatko käsityksiin kohdistuvat toimenpiteet LLM:ien terveydenhuollon sovellusten hyväksyttävyyteen.
Tutkimuksen yleiskatsaus
Tila
Aktiivinen, ei rekrytointi
Interventio / Hoito
Yksityiskohtainen kuvaus
Tekoälyn nopean kehityksen ansiosta suuria kielimalleja (LLM) käytetään yhä enemmän erilaisissa kliinisissä tilanteissa, kuten triage-tilanteissa, sairauksien diagnosoinnissa, hoitosuunnittelussa ja itsevalvonnassa.
Huolimatta niiden mahdollisuuksista, LLM:ien käyttö on edelleen rajoitettua terveydenhuollossa tarkkuuden, johdonmukaisuuden ja läpinäkyvyyden puutteen sekä eettisten huolenaiheiden vuoksi.
Julkiset käsitykset, kuten koettu hyödyllisyys ja riskit, ovat ratkaisevassa roolissa muodostaessaan asenteita tekoälyä kohtaan, mikä voi joko edistää tai estää sen käyttöönottoa.
Kuitenkin, tietojemme mukaan, terveydenhuollossa on puutteellista tietoisuutta käsityksiin perustuvista interventioista, eikä aiemmissa tutkimuksissa ole tarkasteltu, vaikuttavatko julkiset käsitykset LLM:ien lääketieteellisten sovellusten hyväksyttävyyteen.
Siksi tämän tutkimuksen tavoitteena on tutkia julkisia käsityksiä LLM:ien käytöstä lääketieteessä ja sitä, vaikuttavatko käsityksiin kohdistuvat interventiot LLM:ien terveydenhuollon sovellusten hyväksyttävyyteen.
Opintotyyppi
Interventio
Ilmoittautuminen (Arvioitu)
3000
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Beijing Municipality
-
Beijing, Beijing Municipality, Kiina, 100191
- Jue Liu
-
-
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:
- ≥18 vuotta
- Kykeneviä suorittamaan verkkokyselyn
- Suostuvat allekirjoittamaan tietoon perustuvan suostumuksen
Poissulkemiskriteerit:
- Kykemättömiä vastaamaan kysymyksiin tai kommunikoimaan
- Haluttomia osallistumaan tähän tutkimukseen
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Muut
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Yksittäinen
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Ei väliintuloa: Ohjaus
Ei väliintuloa
|
|
|
Kokeellinen: Suurten kielimallien koetut hyödyt lääketieteessä
Osallistujia pyydettiin lukemaan "Huhtikuussa 2023 Massachusetts General Hospital käynnisti pilottiohjelman, joka hyödyntää lääketieteellisiä LLM-malleja ensiapuosaston triageen ja alustavaan diagnoosiin sekä havaitsi potilaan odotusaikojen lyhenemistä ja kliinisen tehokkuuden parantumista."
|
Interventioryhmään sijoitettujen osallistujien kohdalla käytettiin havaintopohjaisia interventioita.
Ryhmien 1–3 interventiot olivat vastaavasti LLM:ien havaitut hyödyt lääketieteessä, LLM:ien havaitut rotupohjaiset ennakkoluulot lääketieteessä ja LLM:ien havaitut eettiset ristiriidat lääketieteessä.
|
|
Kokeellinen: Kokemus rotuun perustuvasta ennakkoluulosta lääketieteen suurissa kielimalleissa
Osallistujia pyydettiin lukemaan "Marraskuussa 2022 Kalifornian yliopiston San Franciscon tutkimusryhmä havaitsi, että huipputason lääketieteelliset LLM-mallit osoittivat rotupuolteisuutta suositellessaan hoitosuunnitelmia."
|
Interventioryhmään sijoitettujen osallistujien kohdalla käytettiin havaintopohjaisia interventioita.
Ryhmien 1–3 interventiot olivat vastaavasti LLM:ien havaitut hyödyt lääketieteessä, LLM:ien havaitut rotupohjaiset ennakkoluulot lääketieteessä ja LLM:ien havaitut eettiset ristiriidat lääketieteessä.
|
|
Kokeellinen: Koetut eettiset konfliktit lääketieteen suurissa kielimalleissa
Osallistujien tuli lukea "Helmikuussa 2023 suuri eurooppalainen sairaalaketju vuoti vahingossa osittain anonyymejä mutta silti arkaluonteisia potilastietoja lääketieteellisten LLM:ien testauksen aikana järjestelmäkonfiguraatiovirheen vuoksi.
Vaikka suoraa potilashaittaa ei tapahtunut, tämä lisäsi yleistä huolta tietosuojasta ja -turvallisuudesta ja pakotti asianomaiset laitokset suorittamaan kiireellisiä tarkastuksia tietosuojatoimistaan."
|
Interventioryhmään sijoitettujen osallistujien kohdalla käytettiin havaintopohjaisia interventioita.
Ryhmien 1–3 interventiot olivat vastaavasti LLM:ien havaitut hyödyt lääketieteessä, LLM:ien havaitut rotupohjaiset ennakkoluulot lääketieteessä ja LLM:ien havaitut eettiset ristiriidat lääketieteessä.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Osallistujien lukumäärä, jotka muuttavat asenteitaan suurten kielimallien lääketieteellisiin sovelluksiin
Aikaikkuna: Tutkimuksen loppuun asti, keskimäärin 1 vuosi
|
Suuren kielimallin soveltamisen lääketieteessä julkisen hyväksynnän luokitellaan kyllä, epävarma ja ei, ja sitä kerätään ennen havaintoihin perustuvia interventioita sekä interventioiden jälkeen.
|
Tutkimuksen loppuun asti, keskimäärin 1 vuosi
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: Jue Liu, Peking University
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)
Tiistai 25. marraskuuta 2025
Ensisijainen valmistuminen (Arvioitu)
Lauantai 31. lokakuuta 2026
Opintojen valmistuminen (Arvioitu)
Torstai 31. joulukuuta 2026
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Maanantai 1. joulukuuta 2025
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Torstai 11. joulukuuta 2025
Ensimmäinen Lähetetty (Todellinen)
Perjantai 26. joulukuuta 2025
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Perjantai 26. joulukuuta 2025
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Torstai 11. joulukuuta 2025
Viimeksi vahvistettu
Maanantai 1. joulukuuta 2025
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- NNSF72474005
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 .