Mesterséges Intelligencia által támogatott tanulás az ápolói gyógyszerszámításban
Az ápolói gyakorlat átalakítása mesterséges intelligenciával: A mesterséges intelligencián alapuló tanulás hatékonysága a gyógyszeradag-számításban a tudás, a klinikai döntéshozatal és az önhatékonyság szempontjából
A tanulmány célja annak értékelése, hogy egy mesterséges intelligenciával segített tanulási platform hogyan befolyásolja az ápolók képességét a gyógyszeradagok pontos kiszámítására. A gyógyszerkalkuláció alapvető készség az ápolásban, és a hibák jelentősen befolyásolhatják a betegbiztonságot.
Bár a hagyományos tanítási módszerek szabványosak, előfordulhat, hogy nem nyújtanak a személyre szabott visszajelzést, amely egy ilyen magas kockázatú feladathoz szükséges. Ez a tanulmány két ápolócsoportot hasonlít össze: az egyik csoport egy mesterséges intelligenciával működő szoftvert használ, amely interaktív forgatókönyveket és valós idejű útmutatást nyújt, a másik csoport pedig hagyományos osztálytermi oktatást kap.
A kutatók azt kívánják meghatározni, hogy az MI-alapú megközelítés a következőkhöz vezet-e:
Javult elméleti tudás a gyógyszerkalkulációkról. Fokozott klinikai döntéshozatal a gyógyszeradagolás során. Növekvő ápolói magabiztosság (önhatékonyság) e feladatok végrehajtásában valós klinikai környezetben.
Ezen kívül egy kvalitatív összetevőt is végeznek fókuszcsoport-beszélgetések segítségével, hogy feltárják a résztvevők elfogadását, érzékelt hasznosságát, használhatóságát és általános benyomásait a mesterséges intelligenciával segített tanulási platformról. Ez a kvalitatív vizsgálat mélyebb betekintést nyújt az ápolók tapasztalataiba, attitűdjébe az MI integrációja iránt az oktatásban, valamint véleményeibe a platformon belül alkalmazott tanítási és tanulási stratégiák hatékonyságáról.
A tanulmány áttekintése
Állapot
Körülmények
Részletes leírás
A gyógyszeradagolási hibák jelentős kihívást jelentenek az ápolói gyakorlatban, különösen a nagy kockázatú környezetekben, mint például a kardiológiai és intenzív osztályok. Ez a tanulmány egy mesterséges intelligencián alapuló oktatási beavatkozás hatékonyságát értékeli, amelyet az elméleti tudás és a klinikai alkalmazás közötti szakadék áthidalására terveztek a gyógyszerszámítások területén.
Tanulmány tervezése
Ez a tanulmány vegyes módszertant alkalmazott, amely egy kontrollcsoportos kvázikísérleti előzetes-utólagos teszt megközelítésből állt, kiegészítve egy kvalitatív fókuszcsoportos komponenssel. A résztvevőket vagy egy kísérleti csoportba osztották, akik mesterséges intelligenciával támogatott tanulást kaptak, vagy egy kontrollcsoportba, akik hagyományos oktatást kaptak.
A beavatkozás (Tanulmányi csoport)
A kísérleti csoport résztvevői mesterséges intelligenciával támogatott tanulószoftvert használtak, amelyet számos fejlett funkció révén terveztek az oktatási élményük javítására. A szoftver adaptív tanulási utakat biztosít, amelyek a számítások összetettségét az ápoló teljesítményéhez igazítják. Ezen kívül valós idejű visszajelzést nyújt, biztosítva azonnali javításokat és lépésről lépésre történő útmutatást az összetett gyógyszeradagolásokhoz. Végül a szoftver mesterséges intelligencián alapuló klinikai szimulációkat tartalmaz, amelyek nagy nyomású klinikai döntéshozatali forgatókönyveket hoznak létre a tanulók számára.
A kontrollcsoport
A kontrollcsoport résztvevői hagyományos tanítási módszereket kaptak, amelyek standard előadásokat és papíralapú gyakorló órákat tartalmaztak, kifejezetten a gyógyszerszámításokra összpontosítva. Ez a megközelítés ugyanazt az alapvető tananyagot fedte le, mint a kísérleti csoport, de nem tartalmazott semmilyen mesterséges intelligencia támogatást.
A tanulmány három kulcsfontosságú területet értékelt a beavatkozás előtt és után:
Ápolói tudás, amelyet egy standardizált gyógyszerszámítási vizsgával értékeltek.
Klinikai döntéshozatal, amelyet egy hitelesített ápolói döntéshozatali skálával mérték.
Önhatékonyság, amelyet egy standardizált önhatékonysági skálával értékeltek a klinikai számításokban való önbizalom felmérésére.
Az adatokat a Statisztikai Csomag a Társadalomtudományokhoz segítségével elemezték, hogy összehasonlítsák az átlagpontszámokat a kísérleti és a kontrollcsoport között.
Kvalitatív komponens (Fókuszcsoportos tanulmány)
A kvantitatív eredmények kiegészítésére egy kvalitatív fókuszcsoportos tanulmányt végeztek a kísérleti csoport résztvevőivel. A cél az volt, hogy feltárják az ápolók elfogadását a mesterséges intelligencia platform iránt, az érzékelt hasznosságot, használhatóságot, a tanulási haladás láthatóságát és a mesterséges intelligenciával támogatott tanítási stratégiákkal kapcsolatos általános véleményeket.
A fókuszcsoportos beszélgetéseket hangrögzítették, átírták és tematikus elemzéssel elemezték, hogy azonosítsák a felhasználói élményhez, az érzékelt oktatási értékhez és az AI-alapú tanulás klinikai oktatásba való integrálására való készenléthez kapcsolódó ismétlődő mintákat és témákat. Ez a kvalitatív komponens mélyebb betekintést nyújtott a résztvevők hozzáállásába a mesterséges intelligencia integrációjához az ápolóképzésben, és gazdagította a kvantitatív eredmények értelmezését.
Tanulmány típusa
Beiratkozás (Tényleges)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Alexandria Governorate
-
Alexandria, Alexandria Governorate, Egyiptom, 2500
- Faculty of Nursing, Alexandria University
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Leírás
Bevonási kritériumok:
Különböző klinikai környezetekben dolgozó ápolók, beleértve az orvosi-sebészeti, kardiológiai vagy intenzív terápiás osztályokat stb.
Az ápolók a gyógyszeradagolásért és a gyógyszeradag-számításokért felelősek, mint a napi klinikai feladataik része.
Hajlandóság az Mesterséges Intelligencia által támogatott tanulási programban való részvételre és a tájékoztatott beleegyező nyilatkozat aláírására.
Kizárási kritériumok:
Azok az ápolók, akik az elmúlt 6 hónapban specifikus gyógyszeradag-számítási képzésben részesültek, vagy korábban már volt tapasztalatuk MI-alapú oktatási eszközökkel.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Egészségügyi szolgáltatások kutatása
- Kiosztás: Véletlenszerűsített
- Beavatkozó modell: Párhuzamos hozzárendelés
- Maszkolás: Nincs (Open Label)
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Kísérleti: Mesterséges Intelligencia által támogatott Tanulási Csoport
Használjon egy mesterséges intelligenciával támogatott platformot, amely forgatókönyv-alapú tanulást és valós idejű visszajelzést biztosít a gyógyszerkalkulációkhoz.
|
Egy innovatív mesterséges intelligencia szoftver növeli az ápolási pontosságot gyógyszer-számításokban és klinikai érvelésben forgatókönyv-alapú tanulással, valós idejű visszajelzést és adaptív tanulási utakat biztosítva.
|
|
Kísérleti: Hagyományos Tanulási Csoport
A résztvevők a standard tananyagot hagyományos előadásokon és papíralapú gyakorlati órákon keresztül kapják meg.
|
A szabványos tantermi oktatás elméleti előadásokból és papíralapú gyakorlatokból áll, amelyek a gyógyszeradagolási számításokra összpontosítanak.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Az ápolók gyógyszerszámítási ismerete
Időkeret: Alapvonal (Előteszt) és 2 héttel az intervenció után (Utóteszt)
|
Egy 16 tételből álló értékelő eszköz, amelyet az ápolók gyógyszerszámítási elvekkel (pl. mértékegység-átváltások, áramlási sebesség és dózisszámítások) kapcsolatos elméleti és gyakorlati ismereteinek felmérésére terveztek. Minden helyes válasz „1” pontot, minden helytelen válasz „0” pontot ér. Skála tartománya: A teljes pontszám minimum 0 és maximum 16 között mozog. Értelmezés: A magasabb pontszámok jobb eredményt jelentenek (nagyobb számítási elvek elsajátítását). Magas (13-16): Képes szint (> 80%). Közepes (10-12): Elfogadható, de hiányos tudás (60%-80%). Alacsony (0-9): Hiányos megértés (< 60%). |
Alapvonal (Előteszt) és 2 héttel az intervenció után (Utóteszt)
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Ápolók Gyógyszeradag-Számítási Döntéshozatali Skálája
Időkeret: Alapvonal (előzetes teszt) és 2 héttel az intervenció után (utólagos teszt)
|
Ez a skála egy 8 tételből álló önkitöltő eszköz, amely az ápolók gyógyszeradagolási számításokkal kapcsolatos klinikai ítélőképességét és magabiztosságát értékeli. Minden tételt egy 5 fokozatú Likert-skálán értékelnek, 1-től (Egyáltalán nem értek egyet) 5-ig (Teljes mértékben egyetértek). Minimum és maximum értékek: A teljes pontszám 8 minimumtól 40 maximumig terjed. Értelmezés: Magasabb pontszám jobb eredményt jelent (nagyobb klinikai kompetencia és biztonságosabb döntéshozatal). Magas (30-40): Magas kompetencia. Közepes (19-29): Közepes képesség; felügyeletet igényel. Alacsony (8-18): Gyenge magabiztosság és ítélőképesség. |
Alapvonal (előzetes teszt) és 2 héttel az intervenció után (utólagos teszt)
|
|
Általános Önhatékonyság Skála
Időkeret: Alapvonal (előzetes teszt) és 2 hét az intervenció után (utóteszt)
|
Leírás: Egy 10 tételből álló pszichometriai skála, amelyet a nővérek érzékelt magabiztosságának és önhittelének értékelésére használnak a gyógyszerszámítások és a klinikai feladatok hatékony végrehajtására vonatkozóan különböző körülmények között. Minden tételt egy 4 pontú Likert-skálán értékelnek: 1 (Egyáltalán nem igaz), 2 (Alig igaz), 3 (Mérsékelten igaz) és 4 (Pontosan igaz). Skála tartománya: A teljes pontszám minimum 10 és maximum 40 között van. Értelmezés: A magasabb pontszám jobb eredményt jelöl (erősebb érzékelt kompetencia és magasabb önhatékonyság). Magas (31-40): Erős érzékelt kompetencia és önhit. Közepes (21-30): Mérsékelt magabiztosság az igények kezelésében. Alacsony (10-20): Alacsony hit a kihívásokkal való megküzdés képességében. |
Alapvonal (előzetes teszt) és 2 hét az intervenció után (utóteszt)
|
|
Az ápolók észlelése és elégedettsége a mesterséges intelligenciával segített tanulással (minőségi)
Időkeret: 2 hét az AI-képzettség befejezése után
|
Leírás: A résztvevők elfogadásának, észlelt hasznosságának, használhatóságának és elégedettségének értékelése a mesterséges intelligenciával támogatott tanulási platformmal kapcsolatban. Az adatok fókuszcsoport-beszélgetéseken keresztül gyűjtendők. Elemzési módszer: Az eredmények tematikus elemzéssel kerülnek feldolgozásra, hogy az ismétlődő mintákat és témákat azonosítsák. Mértékegység: Ez egy minőségi eredmény; az eredmények narratív témaként kerülnek bemutatásra (például: "Javult számítási magabiztosság" vagy "Felhasználói felület elégedettség"). |
2 hét az AI-képzettség befejezése után
|
Együttműködők és nyomozók
Szponzor
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
Egyéb vizsgálati azonosító számok
- AU-20-6-393
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Tanulmányi adatok/dokumentumok
-
Tanulmányi Protokoll
Információs megjegyzések: A fővizsgálótól kérhető törvényes kutatási célokra
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
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. .