A percepción alapú beavatkozások hatása a nagyméretű nyelvi modellek orvosi alkalmazásának társadalmi elfogadására
2025. december 11. frissítette: Liu Jue, Peking University
A percepción alapú beavatkozások befolyásolják a nagymértékű nyelvi modellek orvosi alkalmazásának társadalmi elfogadását: randomizált kontrollált vizsgálat
A nagy nyelvi modellek (LLM-ek) ígéretesnek tűnnek az orvostudományban, de azok pontosságával, koherenciájával, átláthatóságával és etikájával kapcsolatos aggályok továbbra is fennállnak.
A mai napig a nyilvános vélemény az LLM-ek orvostudományban történő használatáról, és az, hogy szerepet játszanak-e az LLM-ek egészségügyi alkalmazásainak elfogadhatóságában, még nincs teljesen megértve.
Ez a tanulmány célja, hogy megvizsgálja a nyilvános véleményt az LLM-ek orvostudományban történő használatáról, és azt, hogy a véleményekre irányuló beavatkozások befolyásolják-e az LLM-ek egészségügyi alkalmazásainak elfogadhatóságát.
A tanulmány áttekintése
Állapot
Aktív, nem toborzó
Beavatkozás / kezelés
Részletes leírás
A mesterséges intelligencia gyors fejlődése miatt a nagy nyelvi modelleket (LLM-eket) egyre inkább használják különböző klinikai környezetekben, például a betegek rangsorolásában, betegségek diagnosztizálásában, kezelési tervek elkészítésében és önmonitorozásban.
Bár potenciáljuk nagy, az LLM-ek használata az egészségügyi környezetekben továbbra is korlátozott marad a pontatlanság, az összefüggés hiánya, az átláthatatlanság és etikai aggályok miatt.
A közvélemény vélekedései, mint például az érzékelt hasznosság és kockázatok, kulcsszerepet játszanak a mesterséges intelligenciával kapcsolatos attitűdök kialakításában, amelyek elősegíthetik vagy akadályozhatják az elfogadását.
Mindazonáltal, tudomásunk szerint hiányzik a tudatosság az észlelések által vezérelt beavatkozásokról az egészségügyben, és korábbi tanulmányok nem vizsgálták, hogy a közvélemény vélekedései szerepet játszanak-e az LLM-ek orvosi alkalmazásainak elfogadhatóságában.
Ezért ez a tanulmány célja, hogy megvizsgálja a közvélemény vélekedését az LLM-ek orvosi felhasználásáról, és hogy az észlelések irányú beavatkozások hatással vannak-e az LLM-ek egészségügyi alkalmazásainak elfogadhatóságára.
Tanulmány típusa
Beavatkozó
Beiratkozás (Becsült)
3000
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
Beijing Municipality
-
Beijing, Beijing Municipality, Kína, 100191
- Jue Liu
-
-
Részvételi kritériumok
A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Igen
Leírás
Bevételi kritériumok:
- ≥18 év
- Képes online felmérés kitöltésére
- Hajlandó tájékoztatott beleegyező nyilatkozatot aláírni
Kizárási kritériumok:
- Nem képes kérdésekre válaszolni vagy kommunikálni
- Nem hajlandó részt venni a tanulmányban
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Egyéb
- Kiosztás: Véletlenszerűsített
- Beavatkozó modell: Párhuzamos hozzárendelés
- Maszkolás: Egyetlen
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Nincs beavatkozás: Ellenőrzés
Nincs beavatkozás
|
|
|
Kísérleti: A nagy nyelvi modellek érzékelt előnyei az orvostudományban
A résztvevőket arra kérték, olvassák el: „2023 áprilisában a Massachusetts General Hospital bevezetett egy kísérleti programot, amely orvosi LLM-eket használt a sürgősségi osztályon történő triázs és kezdeti diagnózis meghatározásában, és csökkenést tapasztaltak a betegek várakozási idejében, valamint javulást a klinikai hatékonyságban.”
|
A beavatkozási csoportba sorolt résztvevők észlelt alapú beavatkozásokat kaptak.
Az 1–3. csoport beavatkozásai az LLM-ek orvoslásban tapasztalt előnyei, az LLM-ek orvoslásban tapasztalt faji előítéletei, valamint az LLM-ek orvoslásban tapasztalt etikai konfliktusai voltak.
|
|
Kísérleti: Az orvosi nagy nyelvi modellekben észlelt faji előítélet
A résztvevőket arra kérték, hogy olvassák el: „2022 novemberében a Kaliforniai Egyetem, San Francisco-i kutatócsoportja megállapította, hogy a legmodernebb orvosi LLM-ek faji előítéletet mutattak a kezelési tervek ajánlásakor.”
|
A beavatkozási csoportba sorolt résztvevők észlelt alapú beavatkozásokat kaptak.
Az 1–3. csoport beavatkozásai az LLM-ek orvoslásban tapasztalt előnyei, az LLM-ek orvoslásban tapasztalt faji előítéletei, valamint az LLM-ek orvoslásban tapasztalt etikai konfliktusai voltak.
|
|
Kísérleti: Az orvostudományban alkalmazott nagy nyelvi modellek észlelt etikai konfliktusai
A résztvevőknek el kellett olvasniuk, hogy "2023 februárjában egy jelentős európai kórházhálózat részben anonimizált, de továbbra is érzékeny betegadatok szivárgását okozta a tesztelés során orvosi LLM-ek használata során rendszerkonfigurációs hiba miatt.
Bár közvetlen betegkárosodás nem történt, ez növelte a nyilvánosság aggodalmát az adatvédelem és biztonság terén, és arra kényszerítette a vonatkozó intézményeket, hogy sürgősen felülvizsgálják adatvédelmi intézkedéseiket."
|
A beavatkozási csoportba sorolt résztvevők észlelt alapú beavatkozásokat kaptak.
Az 1–3. csoport beavatkozásai az LLM-ek orvoslásban tapasztalt előnyei, az LLM-ek orvoslásban tapasztalt faji előítéletei, valamint az LLM-ek orvoslásban tapasztalt etikai konfliktusai voltak.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A résztvevők száma, akik megváltoztatják a nagy nyelvi modellek orvosi alkalmazásai iránti attitűdjüket
Időkeret: A vizsgálat befejezéséig, átlagosan 1 év
|
A nagyméretű nyelvi modellek orvosi alkalmazásának nyilvános elfogadása igen, nem biztos és nem kategóriákra lesz osztva, amelyeket az észlelésen alapuló beavatkozások előtt és a beavatkozások után gyűjtenek össze.
|
A vizsgálat befejezéséig, átlagosan 1 év
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Szponzor
Együttműködők
Nyomozók
- Kutatásvezető: Jue Liu, Peking University
Tanulmányi rekorddátumok
Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
2025. november 25.
Elsődleges befejezés (Becsült)
2026. október 31.
A tanulmány befejezése (Becsült)
2026. december 31.
Tanulmányi regisztráció dátumai
Először benyújtva
2025. december 1.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2025. december 11.
Első közzététel (Tényleges)
2025. december 26.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2025. december 26.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2025. december 11.
Utolsó ellenőrzés
2025. december 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- NNSF72474005
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
NEM
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Nem
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Nem
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .