- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06273579
Efficacité de l'enseignement verbal intelligent du tuteur en simulation neurochirurgicale
Efficacité de l'enseignement verbal intelligent du tuteur dans la simulation neurochirurgicale : un essai contrôlé randomisé
Au Centre d'apprentissage de simulation neurochirurgicale et d'intelligence artificielle, nous cherchons à fournir aux stagiaires en chirurgie des technologies innovantes qui leur permettent d'améliorer leurs compétences techniques chirurgicales dans des environnements sans risque, améliorant potentiellement les résultats opératoires des patients. Le système intelligent de surveillance continue de l'expertise (ICEMS), une application d'apprentissage en profondeur qui évalue et forme les compétences techniques en neurochirurgie et fournit un retour d'information peropératoire continu, est l'une de ces technologies susceptibles d'améliorer l'enseignement chirurgical.
Dans cet essai contrôlé randomisé, des étudiants en médecine de quatre universités québécoises seront aveugles et randomisés dans l'un des trois groupes (un témoin et deux expérimentaux). Le groupe 1 (contrôle) recevra un retour verbal du tuteur en IA basé sur la détection d'erreur ICEMS. Le groupe 2 sera encadré par un instructeur humain qui recevra les données d'erreur ICEMS et délivrera des instructions verbales identiques à celles délivrées par le tuteur IA. Le groupe 3 sera encadré par un instructeur humain qui recevra les données ICEMS mais pourra fournir des commentaires s'il le juge approprié pour corriger l'erreur.
Le but de cette étude est de déterminer comment la méthode de délivrance de l'instruction verbale sur les erreurs chirurgicales influence la réponse du stagiaire à l'instruction et à la performance chirurgicale globale. L'évaluation des réponses des stagiaires aux commentaires verbaux des instructeurs d'IA par rapport aux commentaires des instructeurs humains permettra de poursuivre le développement, les tests et l'optimisation de l'ICEMS et d'autres systèmes de tutorat d'IA.
Aperçu de l'étude
Statut
Les conditions
Description détaillée
Contexte : Les compétences techniques chirurgicales expertes sont liées à de meilleurs résultats pour les patients ; cependant, former les novices à maîtriser ces compétences reste un défi. Le système intelligent de surveillance continue de l'expertise (ICEMS) est une application d'apprentissage en profondeur qui a été développée au Centre d'apprentissage de simulation neurochirurgicale et d'intelligence artificielle pour améliorer l'enseignement en neurochirurgie. L'ICEMS évalue et entraîne les performances chirurgicales bimanuelles en fournissant une rétroaction continue via des instructions verbales afin d'améliorer les performances des stagiaires et d'atténuer les erreurs.
Justification : Un précédent essai contrôlé randomisé (ECR) réalisé dans notre centre a démontré que le tutorat intelligent est plus efficace que le tutorat expert dans une procédure neurochirurgicale simulée (NCT05168150). Un autre ECR a révélé que les performances des étudiants en médecine en réponse aux instructions de l'ICEMS visant à réduire l'application de la force bipolaire étaient variables (NCT04700384). Un algorithme de regroupement agglomératif a classé ces réponses variables des élèves en 3 groupes : 53 % ont obéi avec succès à l'instruction de corriger l'erreur, 36 % n'ont pas obéi à l'instruction et 11 % ont répondu de manière excessive à l'instruction. Cette variabilité des réponses pourrait limiter considérablement l’utilité de l’ICEMS et peut être attribuée à différents styles d’apprentissage, niveaux de stress ou à une mauvaise interprétation de l’enseignement de l’IA. Au cours de cette étude, les formateurs experts n’ont pas reçu de données sur les erreurs du ICEMS. La réalisation d'un nouvel ECR dans lequel les formateurs experts reçoivent des données d'erreur ICEMS clarifiera la raison pour laquelle de nombreux stagiaires n'ont pas répondu aux instructions de l'IA.
Ce rapport suit les normes consolidées de reporting des essais-intelligence artificielle (CONSORT-AI) ainsi que la liste de contrôle d'apprentissage automatique pour évaluer l'expertise chirurgicale (MLASE).
Hypothèses:
- Les retours verbaux de l'IA donneront des taux de réponse de réussite nettement inférieurs parmi les stagiaires que les retours d'erreurs identiques fournis par des instructeurs humains.
- Les scores d'évaluation des performances des stagiaires seront significativement plus élevés dans les deux différents groupes d'instruction humaine évalués.
- Les instructions dispensées par le tuteur en IA entraîneront une augmentation des niveaux de stress et de la charge cognitive par rapport aux commentaires verbaux sur les erreurs délivrés par des instructeurs humains.
Objectifs principaux : Déterminer comment la méthode de délivrance de l'instruction sur les erreurs chirurgicales influence :
- Réponse du stagiaire à l'instruction, c'est-à-dire s'il a corrigé, non corrigé ou surcorrigé l'erreur (données collectées par l'ICEMS).
- Performance chirurgicale globale du stagiaire (score d'expertise moyen sur des scénarios de pratique calculé par l'ICEMS, score d'évaluation objective structurée des compétences techniques (OSATS) sur un scénario réaliste déterminé par deux évaluateurs experts en aveugle).
Objectif secondaire : Déterminer comment la méthode de délivrance de l'instruction sur les erreurs chirurgicales influence les réponses cognitives affectives des stagiaires (autodéclarées via des questionnaires sur des échelles de Likert à 5 points).
Contexte : Centre d'apprentissage en simulation neurochirurgicale et en intelligence artificielle de l'Université McGill.
Participants : Étudiants inscrits en année préparatoire, première ou deuxième année dans l'une des quatre facultés de médecine du Québec.
Conception : Un essai contrôlé randomisé à trois bras.
Intervention : Les participants suivront une séance de formation d'environ 90 minutes sur le NeuroVR (CAE Healthcare), un simulateur chirurgical de réalité virtuelle (VR) qui simule une résection d'une tumeur cérébrale sous-piale. Le NeuroVR propose deux scénarios possibles : un scénario pratique simple et un scénario réaliste complexe. Les participants effectueront six répétitions du scénario pratique (5 minutes chacune) suivies du scénario réaliste (13 minutes). L'ICEMS évaluera en permanence les performances tout au long de l'essai. Tous les participants recevront un retour verbal lorsque l'ICEMS détectera une erreur dans leur performance ; cependant, la méthode de transmission de cette rétroaction verbale différera d'un groupe à l'autre.
- Le groupe 1 (contrôle) recevra un retour verbal directement de l'ICEMS lorsqu'une erreur est détectée.
- Le groupe 2 (expérimental) recevra un retour verbal d'un instructeur expert prononcé dans les mêmes mots que l'ICEMS.
- Le groupe 3 (expérimental) recevra les commentaires verbaux d'un instructeur expert prononcé dans ses propres mots.
La rétroaction verbale sera basée sur quatre mesures comme suit : (1) distance de séparation des pointes de l'instrument, c'est-à-dire la distance entre les pointes de la pince bipolaire et l'aspirateur à ultrasons ; (2) faible force bipolaire ; (3) force d'aspiration élevée ; (4) force bipolaire élevée. Les stagiaires seront évalués sur une mesure à la fois et auront la possibilité de regarder une vidéo de démonstration de niveau expert avant de passer à chaque nouvelle mesure. Une fois une métrique maîtrisée, le stagiaire passera à la métrique suivante. Une métrique est considérée comme « maîtrisée » lorsque le stagiaire effectue une répétition complète sans recevoir de feedback.
Le premier scénario pratique servira de référence ; ainsi, aucun retour ne sera donné. Dans les deuxième, troisième, quatrième et cinquième répétitions, un retour sera donné en fonction de la détection des erreurs ICEMS. Dans la sixième répétition ainsi que dans le scénario réaliste, aucun feedback ne sera fourni.
Importance : Alors que les approches de formation chirurgicale commencent à évoluer vers des cadres basés sur les compétences, la mise en œuvre d'un retour pédagogique efficace sur l'IA dans la formation chirurgicale devient cruciale pour optimiser l'apprentissage chirurgical. Les résultats de cet ECR permettront l'évaluation et la réingénierie de l'ICEMS et d'autres systèmes de tutorat d'IA, ce qui pourrait faire progresser le développement non seulement de programmes de formation chirurgicale standardisés basés sur les compétences, mais aussi de toute technologie de tuteur d'IA dépendant de l'instruction verbale.
Type d'étude
Inscription (Estimé)
Phase
- N'est pas applicable
Contacts et emplacements
Coordonnées de l'étude
- Nom: Rolando F Del Maestro, MD, PhD
- Numéro de téléphone: (519) 708-0346
- E-mail: rolando.del_maestro@mcgill.ca
Sauvegarde des contacts de l'étude
- Nom: Bianca Giglio, BSc
- Numéro de téléphone: (514) 802-1608
- E-mail: bianca.giglio@mail.mcgill.ca
Lieux d'étude
-
-
Quebec
-
Montréal, Quebec, Canada, H2X 4B3
- Neurosurgical Simulation and Artificial Intelligence Learning Centre
-
Contact:
- Rolando F Del Maestro, MD, PhD
- Numéro de téléphone: (519) 708-0346
- E-mail: rolando.del_maestro@mcgill.ca
-
Contact:
- Bianca Giglio, BSc
- Numéro de téléphone: (514) 802-1608
- E-mail: bianca.giglio@mail.mcgill.ca
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
La description
Critère d'intégration:
- Les étudiants en médecine qui sont activement inscrits dans une faculté de médecine dans un établissement du Québec et qui ne répondent pas aux critères d'exclusion.
- Étudiants en prémédecine qui sont activement inscrits dans une faculté de médecine dans un établissement du Québec et qui ne répondent pas aux critères d'exclusion.
Critère d'exclusion:
- Utilisation préalable du simulateur NeuroVR (CAE Healthcare).
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: Recherche sur les services de santé
- Répartition: Randomisé
- Modèle interventionnel: Affectation parallèle
- Masquage: Double
Armes et Interventions
Groupe de participants / Bras |
Intervention / Traitement |
---|---|
Aucune intervention: Tutoré par l'IA
26 participants répartis.
Au cours de leur deuxième, troisième, quatrième et cinquième répétition du scénario pratique de résection d'une tumeur cérébrale sous-piale, les participants recevront un retour verbal ICEMS lorsque le système détecte une erreur sur leurs performances.
|
|
Expérimental: Encadré par un instructeur humain utilisant les mots de l'IA
26 participants répartis.
Au cours de leur deuxième, troisième, quatrième et cinquième répétition du scénario pratique de résection d'une tumeur cérébrale sous-piale, les participants recevront un retour verbal d'un instructeur expert.
L'instructeur expert fournira ce feedback en utilisant les mêmes mots que l'ICEMS.
|
L'instructeur expert affecté au tuteur de ce groupe recevra les données de détection d'erreurs de l'ICEMS.
Ils recevront également une liste de commandes utilisées par l'ICEMS.
Lorsque le système détecte une erreur dans la performance d'un étudiant pour une métrique donnée, l'instructeur expert doit délivrer cette commande dans les mêmes mots que l'ICEMS.
|
Expérimental: Encadré par un instructeur humain en utilisant la formulation de son choix
26 participants répartis.
Au cours de leur deuxième, troisième, quatrième et cinquième répétition du scénario pratique de résection d'une tumeur cérébrale sous-piale, les participants recevront un retour verbal d'un instructeur expert.
L'instructeur expert fournira ces commentaires en utilisant toute formulation qu'il juge appropriée pour corriger l'erreur.
|
L'instructeur expert affecté au tuteur de ce groupe recevra les données de détection d'erreurs de l'ICEMS.
Lorsque le système détecte une erreur dans les performances d'un étudiant pour une mesure donnée, l'expert fournira un feedback dans ses propres mots.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Réponse à l'instruction
Délai: 1 journée d'étude
|
Après qu'un stagiaire ait reçu un retour verbal sur une mesure spécifique, l'ICEMS enregistrera sa réponse à cette instruction, c'est-à-dire s'il a corrigé, n'a pas corrigé ou a surcorrigé l'erreur.
|
1 journée d'étude
|
Score moyen d’expertise du système intelligent de surveillance de l’expertise continue (ICEMS)
Délai: 1 journée d'étude
|
L'ICEMS évaluera en permanence les performances du stagiaire et calculera un score d'expertise moyen compris entre -1,00 (novice) et 1,00 (expert).
|
1 journée d'étude
|
Évaluation globale objective structurée des compétences techniques (OSATS)
Délai: Environ 5 mois après le début des études
|
Tout en exécutant le scénario réaliste complexe, les participants seront enregistrés sur vidéo.
Deux évaluateurs experts en aveugle évalueront ces vidéos en utilisant l'échelle de notation globale OSATS comprise entre 1 (novice) et 7 (expert).
|
Environ 5 mois après le début des études
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Différence dans la force des émotions suscitées
Délai: 1 journée d'étude
|
Mesuré à l'aide de l'échelle des émotions médicales (MES) de Duffy avant, pendant et après l'intervention (autodéclarée via des questionnaires sur des échelles de Likert à 5 points).
|
1 journée d'étude
|
Différence de charge cognitive
Délai: 1 journée d'étude
|
Mesuré à l'aide de l'indice de charge cognitive (CLI) de Leppink après l'intervention (autodéclaré via un questionnaire sur des échelles de Likert à 5 points).
|
1 journée d'étude
|
Collaborateurs et enquêteurs
Parrainer
Publications et liens utiles
Publications générales
- Winkler-Schwartz A, Yilmaz R, Mirchi N, Bissonnette V, Ledwos N, Siyar S, Azarnoush H, Karlik B, Del Maestro R. Machine Learning Identification of Surgical and Operative Factors Associated With Surgical Expertise in Virtual Reality Simulation. JAMA Netw Open. 2019 Aug 2;2(8):e198363. doi: 10.1001/jamanetworkopen.2019.8363.
- Mirchi N, Bissonnette V, Yilmaz R, Ledwos N, Winkler-Schwartz A, Del Maestro RF. The Virtual Operative Assistant: An explainable artificial intelligence tool for simulation-based training in surgery and medicine. PLoS One. 2020 Feb 27;15(2):e0229596. doi: 10.1371/journal.pone.0229596. eCollection 2020.
- Fazlollahi AM, Bakhaidar M, Alsayegh A, Yilmaz R, Winkler-Schwartz A, Mirchi N, Langleben I, Ledwos N, Sabbagh AJ, Bajunaid K, Harley JM, Del Maestro RF. Effect of Artificial Intelligence Tutoring vs Expert Instruction on Learning Simulated Surgical Skills Among Medical Students: A Randomized Clinical Trial. JAMA Netw Open. 2022 Feb 1;5(2):e2149008. doi: 10.1001/jamanetworkopen.2021.49008.
- Yilmaz R, Fazlollahi AM, Winkler-Schwartz A, Wang A, Makhani HH, Alsayegh A, Bakhaidar M, Tran DH, Santaguida C, Del Maestro RF. Effect of Feedback Modality on Simulated Surgical Skills Learning Using Automated Educational Systems- A Four-Arm Randomized Control Trial. J Surg Educ. 2024 Feb;81(2):275-287. doi: 10.1016/j.jsurg.2023.11.001. Epub 2023 Dec 29.
- Fazlollahi AM, Yilmaz R, Winkler-Schwartz A, Mirchi N, Ledwos N, Bakhaidar M, Alsayegh A, Del Maestro RF. AI in Surgical Curriculum Design and Unintended Outcomes for Technical Competencies in Simulation Training. JAMA Netw Open. 2023 Sep 5;6(9):e2334658. doi: 10.1001/jamanetworkopen.2023.34658.
- Sioufi J, Hall B, Antel R, Moussa S, Subasri M, Fakih M, Islam N, Hamdy RC, Chopra S, Harley JM, Keuhl A, Bassilious E, Sherbino J, Bilgic E, Bondok MS, Bondok M, Martel L, Law C, Posel N, Fleiszer D, Daud A, Hauer T, Carr-Pries N, Hali K, Wolfstadt J, Ferguson P, Ghasroddashti A, Sorefan-Mangou F, Del Fernandes R, Williams E, Choi K, Zevin B, Patterson ED, Kirupaharan S, Mann S, Winthrop A, Zevin B, Bondok M, Ghanmi N, Etherington C, Saddiki Y, Lefebvre I, Berthelot P, Dion PM, Raymond B, Seguin J, Sekhavati P, Islam S, Boet S, Tee T, Pachchigar P, Tarabay B, Yilmaz R, Hamdan NA, Agu C, Almansouri A, Harley J, Del Maestro R, Bondok M, Bondok MS, Nguyen AX, Law C, Nathoo N, Bakshi N, Ahuja N, Damji KF, Grewal K, Azher S, Moreno M, Pekrun R, Wiseman J, Fried GM, Lajoie S, Brydges R, Hadwin A, Sun NZ, Khalil E, Harley JM, Nguyen EL, Patel P, Muaddi H, Rukavina N, Bucur R, Shwaartz C, Islam N, Moussa S, Subasri M, Fakih M, Hamdy RC, Wong E, Tewari A, Brydges R, Louridas M, Balaji S, Patel P, Muaddi H, Gaebe K, Luzzi C, Kay A, Rukavina N, Selzner M, Reichman T, Shwaartz C, Balaji S, Muaddi H, Shahabinezhad A, Patel P, Rukavina N, Reichman T, Jayaraman S, Shwaartz C, Nashed J, Ramelli L, Kolasky O, Dickenson T, Dullege M, Kang A, Winthrop A, Mann S, Lau D, Henkelman E, Jacob J, Watson I, Haji F, McEwen CC, Jaffer I, Sibbald M, Blouin V, Benard F, Pelletier F, Abdo S, Meloche-Dumas L, Kapralos B, Dubrowski A, Patocskai E, Pachchigar P, Agu C, Yilmaz R, Tee T, Maestro RD, Adedipe I, Stephens C, Ghebretatios M, Laplante S, Patel P, Balaji S, Muaddi H, Rukavina N, Shwaartz C, Brodovsky M, Lai C, Behzadi A, Blair G, Almansouri A, Hamdan NA, Yilmaz R, Tee T, Pachchigar P, Eskandari M, Agu C, Giglio B, Balasubramaniam N, Bierbrier J, Collins DL, Gueziri HE, Del Maestro RF, Koonar E, Ramazani F, Hart R, Henley J, Roberts S, Chandarana S, Matthews W, Schrag C, Matthews J, Mackenzie D, Cutting C, Lui J, Delisle E, Cordoba T, Cordoba C, Giglio B, Lacroix A, Cairns J, Alsayegh A, Alhantoobi M, Balasubramaniam N, Safih W, Hamel M, Del Maestro R, Francis G, Moise A, Omar Y, Hathi K, Mavedatnia D, Grose E, Philips T, Schneider C, Corbin D, Lesage F, Pellerin M, Ben-Ali W, Tamani Z, Joly-Chevrier M, Benard F, Meloche-Dumas L, Laflamme L, Boulva K, Younan R, Dubrowski A, Patocskai E, Sticca G, Petruccelli J, Dorion D, Osman Y, Benard F, Habti M, Meloche-Dumas L, Duranleau X, Boulva K, Kaviani A, Younan R, Dubrowski A, Vessella K, Patocskai E, Valji R, Turner S, Lam T, Mobilio MH, Hirsh J, Lising D, Cil T, Marcon E, Moulton CA, D'Souza A, Milazzo T, Datta S, Valiquette C, Avery E, Voineskos S, Musgrave M, Wanzel K, Schneidman J, Armstrong N, Gerardis G, Silver J, Azzam MA, Fisher R, Banks I, Young M, Nguyen LH, Skakum M, Hancock BJ, Min SL, Youssef F, Keijzer R, Morris M, Shawyer A, Retrosi G. C-CASE 2023: Promoting Excellence in Surgical Education: Canadian Conference for the Advancement of Surgical Education, Oct. 12-13, 2023, Montreal, Quebec. Can J Surg. 2023 Dec 8;66(6 Suppl 2):S137-S150. doi: 10.1503/cjs.014523. Print 2023 Nov-Dec. No abstract available.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Estimé)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Estimé)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Autres numéros d'identification d'étude
- 2010-270, NEU-09-042-Trial 5
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Délai de partage IPD
Critères d'accès au partage IPD
Type d'informations de prise en charge du partage d'IPD
- PROTOCOLE D'ÉTUDE
- SÈVE
- CIF
- ANALYTIC_CODE
- RSE
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .