Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Efficacité du Programme de Simulation de Gestion des Médicaments à Haut Risque basé sur la Réalité Mixte intégrant l'Intelligence Artificielle (AIMR-HAM)

28 janvier 2026 mis à jour par: Jinkyung Park, Chonnam National University Hospital

Efficacité du Programme de Simulation de Gestion des Médicaments à Haut Risque Basé sur la Réalité Mixte Intégrant l'Intelligence Artificielle

L'objectif de cet essai clinique est de déterminer si un Programme de Simulation de Gestion des Médicaments à Haut Risque intégrant l'Intelligence Artificielle et la Réalité Mixte (AIMR-HAM) aide les infirmières hospitalières à gérer les médicaments à haut risque (HAM) de manière plus sûre. La RM mélange des éléments réels et virtuels pour permettre aux infirmières de s'entraîner dans des scénarios réalistes.

Les principales questions sont :

L'AIMR-HAM améliore-t-il les compétences des infirmières en matière de sécurité des médicaments ? L'AIMR-HAM réduit-il les erreurs de médication et améliore-t-il les performances cliniques ?

Les chercheurs compareront deux groupes pour répondre à ces questions :

Groupe d'intervention : AIMR-HAM Groupe témoin : éducation standard uniquement

Qui peut participer :

Infirmières travaillant dans de grands hôpitaux et ayant 1 à 6 ans d'expérience clinique.

Environ 60 infirmières participeront à l'étude.

Ce que les participants feront :

Assister à la formation attribuée (AIMR-HAM ou éducation standard uniquement). Remplir des tests et des enquêtes courts avant et après la formation pour mesurer les compétences, la communication et le raisonnement clinique.

Signaler toute erreur de médication survenant pendant l'étude. Pourquoi c'est important : L'étude montrera si la formation AIMR-HAM peut améliorer la façon dont les infirmières gèrent les HAM et rendre les soins aux patients plus sûrs.

Aperçu de l'étude

Description détaillée

Cet essai évalue si un programme de simulation de gestion des médicaments à haut risque basé sur la réalité mixte intégrant l'intelligence artificielle (AIMR-HAM) améliore les compétences de gestion des médicaments à haut risque (HAM), les performances cliniques (évaluations observées basées sur la simulation), la communication et les taux d'erreurs médicamenteuses parmi les infirmières hospitalières ayant 1 à 6 ans d'expérience clinique. L'essai vise à évaluer l'efficacité de l'AIMR-HAM pour améliorer la compétence pratique et la sécurité des patients dans la pratique clinique réelle.

Conception de l'étude et randomisation L'étude est un essai contrôlé randomisé à groupes parallèles, monocentrique, avec environ 60 infirmières participantes. Les participants sont répartis aléatoirement 1:1 dans le groupe intervention ou le groupe témoin à l'aide d'un plan de randomisation généré par ordinateur (par exemple, randomisation par blocs). La randomisation est effectuée par un gestionnaire de données indépendant pour maintenir la dissimulation de l'attribution. Les évaluateurs des résultats sont en aveugle quant à l'affectation des groupes (évaluateur en aveugle).

Intervention - AIMR-HAM (groupe intervention)

Aperçu : L'intervention combine une pratique pratique basée sur des scénarios utilisant un casque de réalité mixte.

Composants clés :

  1. Orientation
  2. Pré-briefing
  3. Simulation AIMR
  4. Débriefing

Note technique : La configuration de la réalité mixte intègre des éléments virtuels à l'environnement physique pour fournir des indices visuels et auditifs ; la marque/le modèle de l'appareil et la version du logiciel peuvent être spécifiés dans le champ du protocole.

Groupe témoin : Le groupe témoin reçoit la formation standard de l'hôpital sur la gestion des médicaments (conférences, discussions de cas et ateliers). Le calendrier et le temps de contact total sont adaptés à ceux du groupe intervention pour contrôler le temps et l'attention.

Procédures des participants et calendrier Le déroulement de l'étude est : dépistage → consentement éclairé écrit → évaluation initiale (pré-intervention) → randomisation → formation attribuée (réalité mixte + formation standard ou formation standard uniquement) → évaluation immédiate post-formation → évaluation de suivi (par exemple, 1 mois après la formation) → fin de l'étude. À chaque point d'évaluation, les participants complètent le même ensemble d'évaluations pour permettre une comparaison dans le temps.

Méthodes de collecte de données

: Les performances et compétences cliniques sont mesurées à l'aide de listes de contrôle de performance standardisées et d'échelles d'évaluation par observateur lors des évaluations simulées. Des évaluateurs formés, en aveugle quant à l'attribution, réalisent ces évaluations.

Les instruments d'auto-évaluation (confiance, communication, charge cognitive) sont collectés via des questionnaires électroniques ou papier et saisis dans la base de données de l'étude.

Les données sur les erreurs médicamenteuses sont collectées à partir du système de déclaration des incidents de l'hôpital et des auto-déclarations des participants pendant la période de l'étude ; les déclarations en double sont réconciliées par examen et classification des données.

Le système de réalité mixte enregistre automatiquement les journaux d'interaction des participants (horodatages, actions, points de décision) qui peuvent être utilisés comme données analytiques supplémentaires.

Aperçu de l'analyse

Les analyses primaires suivent le principe de l'intention de traiter. Les résultats continus (par exemple, les scores de compétence) sont comparés à l'aide de tests t ou de régression linéaire ; les mesures répétées sont analysées avec des modèles à effets mixtes pour tenir compte des corrélations intra-participants.

Les résultats binaires (par exemple, présence d'une erreur médicamenteuse) sont analysés à l'aide de régression logistique ou d'estimations de risque.

Les covariables pré-spécifiées (par exemple, les scores de base ou l'unité clinique) sont incluses dans les analyses ajustées si nécessaire. Des analyses de sensibilité traitent les données manquantes (par exemple, imputation multiple) et les écarts au protocole.

Sécurité et éthique L'étude a reçu l'approbation du comité d'éthique institutionnel (IRB). Tous les participants fournissent un consentement éclairé écrit avant l'inclusion. Tout inconfort lié à l'utilisation de la réalité mixte (comme des vertiges ou des nausées) est surveillé et géré selon le protocole ; les événements indésirables graves sont signalés rapidement à l'IRB et aux organismes de surveillance de l'hôpital. Les données personnelles sont dé-identifiées ou chiffrées et stockées avec un accès restreint.

Mesures d'assurance qualité et de fiabilité

Les instructeurs et les évaluateurs reçoivent une formation standardisée pour garantir une prestation cohérente de l'intervention et une notation uniforme des résultats.

La randomisation, la saisie des données et la gestion des données suivent des procédures opératoires standard. Les données font l'objet d'une surveillance régulière et de contrôles de qualité périodiques ; des audits indépendants de la qualité des données peuvent être réalisés si nécessaire.

Conclusion et impact potentiel Cet essai déterminera si l'AIMR-HAM entraîne des améliorations mesurables de la compétence des infirmières en gestion des médicaments et réduit les erreurs médicamenteuses par rapport à la formation standard. Les résultats pourront éclairer les pratiques de formation hospitalières et soutenir une adoption plus large de l'AIMR-HAM pour la formation aux compétences cliniques.

Type d'étude

Interventionnel

Inscription (Estimé)

60

Phase

  • N'est pas applicable

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

Coordonnées de l'étude

  • Nom: Hwigon Jeon, Ph.D. student
  • Numéro de téléphone: +82-10-5121-0700
  • E-mail: tjdans779@gmail.com

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

  • Enfant
  • Adulte
  • Adulte plus âgé

Accepte les volontaires sains

Oui

La description

Critères d'inclusion :

  • Infirmières ayant au moins un à six ans d'expérience clinique.

    • Celles qui comprennent l'objectif et les procédures de cette étude et ont donné leur consentement écrit pour participer.

      • Celles qui n'ont aucune limitation physique ou cognitive pour utiliser des dispositifs de réalité mixte.

        ③ Celles qui sont capables de communiquer en coréen et de comprendre et répondre aux questions.

Critères d'exclusion :

  • Celles qui ne souhaitent pas participer à l'étude. ① Celles qui ont participé à une formation sur les médicaments à haut risque au cours des six derniers mois.

    • Celles qui sont incapables ou ont des difficultés à participer au programme de formation en réalité mixte en raison de déficiences visuelles, auditives ou neurologiques, ou d'effets indésirables tels que des vertiges ou le mal des transports.

      • Celles qui se retirent volontairement de l'étude en cours de route.

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

  • Objectif principal: Recherche sur les services de santé
  • Répartition: Randomisé
  • Modèle interventionnel: Affectation parallèle
  • Masquage: Tripler

Armes et Interventions

Groupe de participants / Bras
Intervention / Traitement
Expérimental: Bras 1
Les participants reçoivent un Programme de Simulation de Gestion des Médicaments à Haut Risque basé sur la Réalité Mixte intégrant l'Intelligence Artificielle
Les participants du groupe d'intervention reçoivent le programme de simulation de gestion des médicaments à haut risque basé sur la réalité mixte intégrant l'intelligence artificielle
Comparateur actif: Bras 2
Les participants reçoivent l'éducation standard de l'hôpital sur la gestion des médicaments
Les participants reçoivent la formation standard de l'hôpital sur la gestion des médicaments (cours didactiques, discussions de cas et ateliers)

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Performance clinique des médicaments à haut risque
Délai: Baseline, immédiatement après l'intervention
L'évaluation des compétences de performance clinique des médicaments à haut risque utilisera un questionnaire développé par notre équipe de recherche. L'outil se compose de 23 questions, dont 4 varieront en fonction de la progression de la simulation, ce qui donnera une évaluation finale mesurant 19 questions. Chaque élément sera noté par l'instructeur sur une échelle de 0 pour l'échec ou l'exécution incorrecte, 1 pour l'exécution insuffisante ou inadéquate, et 2 pour l'exécution précise. Les éléments développés subiront une évaluation de validité par six experts avant d'être révisés et complétés pour être utilisés. Des scores plus élevés indiquent une meilleure performance clinique dans l'administration des médicaments à haut risque.
Baseline, immédiatement après l'intervention

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Compétence Globale en Communication Interpersonnelle
Délai: Baseline, immédiatement après l'intervention
La compétence de communication sera mesurée à l'aide de l'échelle de compétence de communication interpersonnelle globale (GICC) développée par Heo Kyung-ho (2003), qui a été modifiée et complétée par Lee Hyun-sook et Kim Jong-gyeong (2010). Elle comprend 15 items, chacun évalué sur une échelle de Likert en 5 points allant de 1 (pas du tout) à 5 (tout à fait), des scores plus élevés indiquant une plus grande compétence de communication. Dans l'étude de Lee Hyun-sook et Kim Jong-gyeong (2010), le α de Cronbach était de 0,83.
Baseline, immédiatement après l'intervention
Compétence en Raisonnement Clinique
Délai: Ligne de base, immédiatement après l'intervention
La compétence en raisonnement clinique sera mesurée à l'aide de l'échelle de compétence en raisonnement clinique (CRCS) développée par Bae et al. (2023). Elle se compose de 22 items, chacun évalué sur une échelle de Likert en 5 points allant de 1 (pas du tout) à 5 (tout à fait). Un score plus élevé indique une plus grande compétence en raisonnement clinique. Dans l'étude de Bae et al. (2023), l'alpha de Cronbach était de .92.
Ligne de base, immédiatement après l'intervention
Compétence en Sécurité des Médicaments
Délai: Base, immédiatement après l'intervention
La compétence en matière de sécurité des médicaments sera mesurée à l'aide de l'Échelle de compétence en sécurité des médicaments (MSCS) développée par Park et Seomun (2021). Elle comprend 36 items et six sous-échelles (gestion des médicaments centrée sur le patient, amélioration des situations problématiques, gestion des facteurs d'influence, gestion des situations de crise, collaboration interdisciplinaire et responsabilité en tant que professionnel de la santé). Chaque item est évalué sur une échelle de Likert en 5 points (1 = "pas du tout" à 5 = "tout à fait"), avec un score total de 36 à un maximum de 180. Un score total plus élevé indique un niveau plus élevé de compétence en matière de sécurité des médicaments. La fiabilité de la MSCS était de α de Cronbach = 0,96.
Base, immédiatement après l'intervention

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Publications et liens utiles

La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.

Publications générales

  • Bae, J., Lee, J., Choi, M., Jang, Y., Park, C. G., & Lee, Y. J. (2023). Development of the clinical reasoning competency scale for nurses. BMC nursing, 22(1), 138. Elendu, C., Amaechi, D. C., Okatta, A. U., Amaechi, E. C., Elendu, T. C., Ezeh, C. P., & Elendu, I. D. (2024). The impact of simulation-based training in medical education: A review. Medicine, 103(27), e38813. Fernández-Alcántara, M., Escribano, S., Juliá-Sanchis, R., Castillo-López, A., Pérez-Manzano, A., Macur, M., Kalender-Smajlović, S., García-Sanjuán, S., & Cabañero-Martínez, M. J. (2025). Virtual Simulation Tools for Communication Skills Training in Health Care Professionals: Literature Review. JMIR Medical Education, 11(1), e63082. Frost, J., Delaney, L., & Fitzgerald, R. (2020). Exploring the application of mixed reality in nurse education. BMJ Simulation & Technology Enhanced Learning, 6(4), 214. Fu, Y., Hu, Y., & Sundstedt, V. (2022). A systematic literature review of virtual, augmented, and mixed reality game applications in healthcare. ACM Transactions on Computing for Healthcare (HEALTH), 3(2), 1-27. Gaffney, T. A., Hatcher, B. J., & Milligan, R. (2016). Nurses' role in medical error recovery: an integrative review. Journal of clinical nursing, 25(7-8), 906-917. Han, Y., Chen, J., Xu, Y., Huang, P., & Hou, L. (2024). Nurse-led medication management as a critical component of transitional care for preventing drug-related problems. Aging Clinical and Experimental Research, 36(1), 151. Hodkinson, A., Tyler, N., Ashcroft, D. M., Keers, R. N., Khan, K., Phipps, D., Abuzour, A., Bower, P., Avery, A., & Campbell, S. (2020). Preventable medication harm across health care settings: a systematic review and meta-analysis. BMC medicine, 18(1), 313. Jeon, H. G., & Jeong, H. W. (2025). Effectiveness of a Mixed Reality Simulation Program for Dyspnoea Care on New Nurses' Clinical Competency: A Mixed-Methods Study. Nurse Education in Practice, 104397. Mardani, A., Griffiths, P., & Vaismoradi, M. (202

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Estimé)

4 mars 2026

Achèvement primaire (Estimé)

4 mars 2026

Achèvement de l'étude (Estimé)

6 mars 2026

Dates d'inscription aux études

Première soumission

28 janvier 2026

Première soumission répondant aux critères de contrôle qualité

28 janvier 2026

Première publication (Réel)

5 février 2026

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

5 février 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

28 janvier 2026

Dernière vérification

1 janvier 2026

Plus d'information

Termes liés à cette étude

Autres numéros d'identification d'étude

  • CNUH-2025-435
  • RS-2024-00345750 (Autre subvention/numéro de financement: The National Research Foundation of Korea)

Plan pour les données individuelles des participants (IPD)

Prévoyez-vous de partager les données individuelles des participants (DPI) ?

INDÉCIS

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

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 .

S'abonner