- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT06621134
Confronto dell'efficacia di AI Chatbot con quella della hotline telefonica (AI chatbot)
Confronto dell'efficacia di un chatbot AI con quella di una hotline telefonica per rispondere a problemi relativi al COVID-19
Panoramica dello studio
Stato
Intervento / Trattamento
Descrizione dettagliata
La pandemia di COVID-19 ha avuto un impatto senza precedenti sul benessere delle persone a Hong Kong dallo scoppio del dicembre 2019. Il Governo ha adottato politiche di distanziamento sociale per ridurre al minimo il rischio di contagio. Questi includono ma non sono limitati a; chiusura delle scuole, lavoro a distanza e divieto di assembramenti. Queste misure anti-contagio hanno portato a un cambiamento nel modello di utilizzo dei servizi sanitari e nelle attività di ricerca di aiuto. Gli studi hanno anche dimostrato che una carenza di socializzazione porta a livelli di stress più elevati sia per i genitori che per i bambini.
Mentre continuano la chiusura delle scuole e le misure di lavoro a distanza, sia i bambini che i genitori sono sotto forte pressione. L’UNESCO (2020) ha riferito che, a metà aprile 2020, oltre 1,58 miliardi di bambini e giovani in 200 paesi sono stati colpiti dalla chiusura delle scuole. Sebbene gli effetti a lungo termine del Covid-19 sulla salute mentale dei bambini e dei genitori siano sconosciuti, i casi di abuso, abbandono e sfruttamento dei minori sono aumentati di fronte a tempi senza precedenti. Le famiglie a basso reddito o le famiglie con bambini con bisogni educativi speciali (BES) sono soggette a maltrattamenti e/o crisi di salute mentale. I genitori che lavorano da casa si trovano ad affrontare la sfida di svolgere un triplice ruolo: lavoro, assistenza all’infanzia e assistenza domiciliare. Peggio ancora, la mancanza di interesse e di motivazione per l'apprendimento da parte dei bambini aggiunge un ulteriore onere ai genitori che assumono il ruolo di insegnanti. I genitori sono inclini a sperimentare il burnout genitoriale, caratterizzato da esaurimento mentale e fisico, con un senso di disperazione. Pertanto è chiaro che vi sono forti esigenze sociali per la ricerca sulla salute fisica e mentale del COVID-19. È imperativo prevenire potenziali e mitigare i problemi esistenti riguardanti la relazione genitore-figlio, lo stress dei genitori e il funzionamento familiare causati da COVID-19.
Di conseguenza, esplorare modi più facilmente accessibili ed efficaci per affrontare i problemi di salute potenziali ed esistenti (sia fisicamente che mentalmente) dovrebbe essere una priorità. L'intelligenza artificiale (AI) nei servizi sanitari ha il potenziale di ridurre il carico di lavoro degli operatori sanitari rispondendo alle domande più frequenti attraverso il sistema di intelligenza artificiale, il tutto comodamente da casa del soggetto. Considerando l’effetto potenzialmente dannoso del COVID-19 sia sui bambini che sui genitori, è importante colmare il divario della ricerca su come l’intelligenza artificiale possa fungere da piattaforma per la ricerca di aiuto, in particolare durante i periodi di distanziamento sociale.
L’intelligenza artificiale è stata ampiamente adottata nei servizi sanitari negli ultimi dieci anni. L'uso dei chatbot, in particolare, ha migliorato il coinvolgimento del pubblico nel servizio sanitario, il tutto comodamente da casa del soggetto. I chatbot basati sull’intelligenza artificiale hanno utilizzato l’elaborazione del linguaggio naturale (NLP) per facilitare l’interazione con gli utenti nelle conversazioni, rendendo accessibili al pubblico i consigli medici appropriati. Gli algoritmi intelligenti nell’intelligenza artificiale consentono la diagnosi precoce delle malattie e offrono tecniche di trattamento a coloro che altrimenti potrebbero essere stati diagnosticati troppo tardi. Ad esempio, i Centri statunitensi per il controllo e la prevenzione delle malattie (CDC) hanno lanciato un chatbot chiamato Clara per aiutare gli utenti ad accedere alle informazioni sui potenziali sintomi del coronavirus e aiutarli a prendere decisioni sulla necessità di cercare cure mediche). Ciò è particolarmente utile in quanto identifica i gruppi ad alto rischio che necessitano di cure mediche classificando i pazienti in base ai loro sintomi, riducendo quindi le visite ospedaliere per i casi minori. Fornisce inoltre supporto ai familiari di gruppi ad alto rischio su quali misure possono essere adottate per prevenire l’infezione e su come alleviare la pressione nel prendersi cura dei pazienti all’interno della loro famiglia.
I chatbot con intelligenza artificiale meritano attenzione per la loro pronta risposta alle domande degli utenti poiché forniscono un servizio 24 ore su 24. Inoltre, le risposte fornite dall’intelligenza artificiale sono considerate più accurate di quelle dei motori di ricerca, a condizione che siano competenti i metodi di data mining. Queste caratteristiche sono importanti in quanto gli utenti possono chiedere consulenza psicomedica mentre praticano il distanziamento sociale, senza appuntamenti faccia a faccia con i medici.
I chatbot basati sull’intelligenza artificiale possono servire come strumento di auto-aiuto per acquisire informazioni su come gestire sia le condizioni mentali che fisiche, ma sono lontani dalla perfezione. La speranza è che questo studio possa contribuire a rendere i chatbot basati sull’intelligenza artificiale parte integrante del servizio sanitario.
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
-
Hong Kong, Hong Kong, 0000
- Department of Paediatrics and Adolescent Medicine, The University of Hong Kong
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criteri di inclusione:
- Soggetti che danno il consenso a partecipare allo studio.
Criteri di esclusione:
- Soggetti che non danno il consenso a partecipare allo studio.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Gruppo di controllo
Ai partecipanti verrà chiesto di acconsentire alla randomizzazione al loro primo accesso al nostro sistema.
Gli utenti pongono domande coperte dalla banca delle domande e domande specifiche non coperte dalla domanda tramite una hotline telefonica.
|
Ai partecipanti verrà chiesto di acconsentire alla randomizzazione al loro primo accesso al nostro sistema.
Gli utenti pongono domande coperte dalla banca delle domande e domande specifiche non coperte dalla domanda tramite una hotline telefonica.
|
|
Gruppo di intervento
Ai partecipanti verrà richiesto di fornire il consenso per la randomizzazione al primo accesso al nostro sistema.
Gli utenti possono porre domande coperte dalla banca delle domande, nonché domande specifiche non coperte dalla banca, attraverso una chatbox AI.
|
Ai partecipanti verrà richiesto di fornire il consenso per la randomizzazione al primo accesso al nostro sistema.
Gli utenti possono porre domande coperte dalla banca delle domande, nonché domande specifiche non coperte dalla banca, attraverso una chatbox AI.
L’obiettivo è comprendere la differenza significativa tra l’utilizzo di chatbot AI e hotline telefoniche per assistere i genitori, nonché l’efficacia dei chatbot AI rispetto alle hotline telefoniche.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Disturbo d'ansia generale (GAD - 7)
Lasso di tempo: 1 settimana entro il pre-test, 1 settimana entro il post-test
|
Il questionario sul disturbo d'ansia generalizzato a 7 elementi (GAD-7) è uno strumento di screening auto-riferito utilizzato per valutare la gravità dei sintomi del disturbo d'ansia generalizzato negli adulti.
Si compone di sette domande che pongono domande su vari sintomi comunemente associati al disturbo d'ansia generalizzato, come sentirsi nervoso, ansioso o nervoso. Disturbo d'ansia generale (GAD - 7)
|
1 settimana entro il pre-test, 1 settimana entro il post-test
|
|
Questionario sulla salute del paziente-9
Lasso di tempo: 1 settimana entro il pre-test, 1 settimana entro il post-test
|
Il Patient Health Questionnaire-9 (PHQ-9) è un questionario autosomministrato utilizzato per individuare e valutare la gravità della depressione nei pazienti.
Si compone di nove domande basate sui criteri per la diagnosi del disturbo depressivo maggiore nel Manuale diagnostico e statistico dei disturbi mentali (DSM-5).
Ai pazienti viene chiesto di valutare la frequenza con cui hanno manifestato determinati sintomi di depressione nelle ultime due settimane, con opzioni di risposta che vanno da "per niente" a "quasi ogni giorno".
Il punteggio totale sul PHQ-9 può aiutare gli operatori sanitari a determinare la presenza e la gravità della depressione in un paziente, nonché a monitorare la sua risposta al trattamento nel tempo.
|
1 settimana entro il pre-test, 1 settimana entro il post-test
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Sondaggio sulla soddisfazione del servizio
Lasso di tempo: 1 settimana entro il pre-test, 1 settimana entro il post-test
|
Un sondaggio sulla soddisfazione del servizio è un metodo utilizzato dalle organizzazioni per raccogliere feedback da clienti o clienti in merito alla loro soddisfazione con i servizi forniti.
Questi sondaggi includono in genere domande che valutano vari aspetti dell'esperienza del servizio, come qualità, reattività, professionalità e soddisfazione generale.
Il feedback raccolto da questi sondaggi può aiutare le organizzazioni a identificare le aree di miglioramento e a prendere decisioni informate per migliorare i propri servizi.
|
1 settimana entro il pre-test, 1 settimana entro il post-test
|
Collaboratori e investigatori
Sponsor
Pubblicazioni e link utili
Pubblicazioni generali
- Naseem M, Akhund R, Arshad H, Ibrahim MT. Exploring the Potential of Artificial Intelligence and Machine Learning to Combat COVID-19 and Existing Opportunities for LMIC: A Scoping Review. J Prim Care Community Health. 2020 Jan-Dec;11:2150132720963634. doi: 10.1177/2150132720963634.
- Kretzschmar K, Tyroll H, Pavarini G, Manzini A, Singh I; NeurOx Young People's Advisory Group. Can Your Phone Be Your Therapist? Young People's Ethical Perspectives on the Use of Fully Automated Conversational Agents (Chatbots) in Mental Health Support. Biomed Inform Insights. 2019 Mar 5;11:1178222619829083. doi: 10.1177/1178222619829083. eCollection 2019.
- Tso WWY, Wong RS, Tung KTS, Rao N, Fu KW, Yam JCS, Chua GT, Chen EYH, Lee TMC, Chan SKW, Wong WHS, Xiong X, Chui CS, Li X, Wong K, Leung C, Tsang SKM, Chan GCF, Tam PKH, Chan KL, Kwan MYW, Ho MHK, Chow CB, Wong ICK, Lp P. Vulnerability and resilience in children during the COVID-19 pandemic. Eur Child Adolesc Psychiatry. 2022 Jan;31(1):161-176. doi: 10.1007/s00787-020-01680-8. Epub 2020 Nov 17.
- Russell BS, Hutchison M, Tambling R, Tomkunas AJ, Horton AL. Initial Challenges of Caregiving During COVID-19: Caregiver Burden, Mental Health, and the Parent-Child Relationship. Child Psychiatry Hum Dev. 2020 Oct;51(5):671-682. doi: 10.1007/s10578-020-01037-x.
- Lee J. Mental health effects of school closures during COVID-19. Lancet Child Adolesc Health. 2020 Jun;4(6):421. doi: 10.1016/S2352-4642(20)30109-7. Epub 2020 Apr 14. No abstract available. Erratum In: Lancet Child Adolesc Health. 2020 Jun;4(6):e16. doi: 10.1016/S2352-4642(20)30128-0.
- Garrido S, Millington C, Cheers D, Boydell K, Schubert E, Meade T, Nguyen QV. What Works and What Doesn't Work? A Systematic Review of Digital Mental Health Interventions for Depression and Anxiety in Young People. Front Psychiatry. 2019 Nov 13;10:759. doi: 10.3389/fpsyt.2019.00759. eCollection 2019.
- Cluver L, Lachman JM, Sherr L, Wessels I, Krug E, Rakotomalala S, Blight S, Hillis S, Bachman G, Green O, Butchart A, Tomlinson M, Ward CL, Doubt J, McDonald K. Parenting in a time of COVID-19. Lancet. 2020 Apr 11;395(10231):e64. doi: 10.1016/S0140-6736(20)30736-4. Epub 2020 Mar 25. No abstract available. Erratum In: Lancet. 2020 Apr 11;395(10231):1194. doi: 10.1016/S0140-6736(20)30790-X.
- Chew AMK, Ong R, Lei HH, Rajendram M, K V G, Verma SK, Fung DSS, Leong JJ, Gunasekeran DV. Digital Health Solutions for Mental Health Disorders During COVID-19. Front Psychiatry. 2020 Sep 9;11:582007. doi: 10.3389/fpsyt.2020.582007. eCollection 2020. No abstract available.
Collegamenti utili
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Effettivo)
Completamento dello studio (Effettivo)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Altri numeri di identificazione dello studio
- UW21-344
- Collaborative Research Fund (Altro numero di sovvenzione/finanziamento: University Grants Committee)
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
prodotto fabbricato ed esportato dagli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .