Suuri tuntematon: Matka generatiivisen tekoälyn muokkaavaan vaikutukseen lääketieteen ammateissa
Suuri tuntematon: Matka generatiivisen tekoälyn muuttavan vaikutuksen pariin lääketieteellisissä ammateissa
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Tämä tutkimus on monikansallinen, rinnakkaisryhmittäinen satunnaistettu kontrolloitu koe, jonka tarkoituksena on arvioida, parantaako suuren kielimallin (LLM) käyttö lääkärin kliinistä päätöksentekoa. Koe käyttää ylivoimaisuuden arviointikehystä ja vertailee lääkäreitä, jotka on satunnaistettu joko suorittamaan standardoidut kliiniset tapausesimerkit GPT-4o:n avulla tai ilman tekoälyavustusta.
Kliiniset tapausesimerkit simuloivat yleisiä perusterveydenhuollon tiloja, kuten sydän- ja verisuonitauteja, hengitystiesairauksia, tuki- ja liikuntaelinsairauksia, väsymykseen liittyviä sairauksia ja tartuntatauteja. Jokainen tapausesimerkki sisältää useita vaiheita kliinisessä päättelyprosessissa, alustavasta anamneesin otosta diagnoosiin, hoitoon ja seurantaan. Lääkäreiden vastaukset arvostellaan rubriikeilla, jotka on kehitetty evidenssiin perustuvista, kontekstikohtaisista parhaiden käytäntöjen ohjeista.
Tutkimus toteutetaan kolmessa maassa – Indonesiassa, Keniassa ja Alankomaissa – jotka edustavat eri tulotasoja ja terveysjärjestelmäkonteksteja. Ensisijainen lopputulos on suorituskyky kliinisissä tapausesimerkeissä, joka määritellään parhaiden käytäntöjen ohjeiden noudattamiseksi. Toissijaiset tavoitteet sisältävät lääkäreiden suorituskyvyn vaihtelun tarkastelun maittain, suorituskykyjakaumien vaihtelun sekä LLM:n käytön roolin tulosten muokkaamisessa.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Maastricht, Alankomaat
- Maastricht University
-
-
-
-
-
Jakarta, Indonesia
- Universitas Indonesia
-
-
-
-
-
Nairobi, Kenia
- Aga Khan University Hospital
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Ottamiskriteerit:
- Rekisteröidyt lääkärit
- Koulutus sisätauteihin tai perhelääketieteeseen
Poissulkemiskriteerit:
- Ei käytännön lääkärintyötä tällä hetkellä
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Diagnostiikka
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Yksittäinen
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Ei väliintuloa: Oma Tietämys
Ryhmälle ei anneta pääsyä GPT-4:ään tai muihin verkossa oleviin resursseihin
|
|
|
Active Comparator: GPT-4o
GPT-4o-käyttöoikeuden saanut ryhmä
|
GPT-4o toimitettu iFrame-kehyksen kautta Qualtricsin verkkoympäristössä
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Oikeiden vastausten prosentuaalinen pistemäärä
Aikaikkuna: Arvioinnin aikana
|
Peabody ym. (2000) mukaisesti ensisijainen lopputulos on prosentuaalinen oikein-vastauspistemäärä kaikissa tapauskuvauksen vaiheissa.
Tämä lasketaan jakamalla asiantuntijapaneelimme merkityksellisyyteen perustuvasti painotettujen arviointikriteerien painotettu kokonaissumma tapauskuvauksen mahdollisten arviointikriteerien kokonaismäärällä.
Arviointikriteerit painotetaan merkityksellisyyden suhteen asiantuntijapaneelimme toimesta.
|
Arvioinnin aikana
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Vastauksen laatu
Aikaikkuna: Arvioinnin aikana
|
Tämä tulos muodostetaan rubriikkikohteiden keskipainona, jotka on arvioitu esiintyviksi eri skenaarioissa.
Koska jokaiselle kohteelle annetaan painoarvo (0,33, 0,5, 1), keskipaino on painojen summa jaettuna esiintyviksi merkittujen vastausten määrällä.
|
Arvioinnin aikana
|
|
Vastausten määrä
Aikaikkuna: Arvioinnin aikana
|
Tämä tulos muodostetaan laskemalla yhteen kunkin vinetin arvioijien arvioimien läsnäoleviksi katsottujen vastausten kokonaismäärä
|
Arvioinnin aikana
|
|
Vähemmän ilmeisiä vastauksia
Aikaikkuna: Arvioinnin aikana
|
Tämä tulos saadaan laskemalla vastaukset, jotka ovat vähemmän ilmeisiä, eli joita kontrolliryhmä mainitsee harvemmin.
Jos vastauksen mainitsee 25 % tai vähemmän kontrolliryhmästä, sitä pidetään vähemmän ilmeisenä.
|
Arvioinnin aikana
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Päätutkija: Mark Levels, PhD, Maastricht University
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
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
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- ERCIC_572_25_04_2024
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 .