英語圏の患者の間で眼科の患者の理解に関するAIに生成されたプレーン言語の要約を評価する

この研究では、2つの腕のランダム化比較試験を採用して、人工知能（AI）生成されたプレーン言語概要（PLS）が眼科ノートの患者の理解を改善できるかどうかを評価します。 適格な参加者は、ジュールスタインアイステンインスティテュートでの定期的な訪問中に募集され、標準化された臨床基準を使用してスクリーニングされると、標準的な眼科ノート（SON）またはAIの生成PLSを補充した息子のいずれかをランダムに割り当てられます。 ランダム化プロセスは、隠された割り当てを備えたコンピューターで生成されたシーケンスを使用して、公平なグループの割り当てを確保します。

この研究で使用されているAIシステムは、安全なUCLAイントラネットにローカルに展開されます。 複雑な眼科情報の単純な言語の説明を生成するためにカスタマイズおよび検証された大規模な言語モデル（LLM）を活用します。 すべての処理は、UCLAが承認した暗号化されたデバイスで発生し、外部から送信されるデータはありません。 PLSが参加者に提供される前に、各要約は眼科医によってレビューされ、精度を確認し、重要な臨床的詳細が正しく明確に伝えられるようにします。

データ収集は、調査機器を使用して実行されます。 この調査には、一連の5ポイントのリッカートスケール項目、自由回答形式の質問、診断の理解、治療計画、およびフォローアップの指示を評価するために設計された構造化された回答セクションが含まれています。 参加者は、クリニック訪問直後に調査を完了し、約7日後に訓練を受けた研究スタッフによってフォローアップ電話インタビューが行われ、提供された情報の明確さと保持に関する追加のフィードバックをキャプチャします。 この調査では、オーディオまたはビデオの録画を採用していません。すべての回答は、研究要員によって直接記録されるか、安全なデータベースに電子的に入力されます。

統計分析は、標準のソフトウェアパッケージを使用して実施され、介入グループと対照グループ間の結果を比較します。 一次分析には、連続変数の独立したt検定またはマンホイットニーUテスト、カテゴリ変数のカイ二乗検定、および年齢、教育レベル、ベースラインの健康リテラシーなどの交絡変数を調整する多変量回帰モデルが含まれます。 サンプルサイズは、理解スコアの臨床的に意味のある違いを検出するために計算されました。パワー分析は、効果サイズに応じて460〜2030人の参加者の必要性を示しています。

データセキュリティは、厳格な措置を通じて維持されます。 電子データは、暗号化されたUCLAが縫い付けられたラップトップと安全なボックスリポジトリに保存されます。 すべてのデータ処理は、データ保持と破壊に関するUCLAポリシーとIRBガイドラインに従います。これは、識別可能な情報が不要になったら、安全な方法を使用して破壊されます。

品質管理手順には、データ入力の定期的な監査、研究要員との定期的なレビュー会議、および該当する場合は臨床記録に対する調査回答のクロスチェックが含まれます。 調査プロトコルのコンプライアンスを確保し、逸脱に迅速に対処するために、独立した監視プロセスが整っています。

全体として、この研究は、複雑な医療情報の患者の理解を高める際に、AI生成PLSSの実現可能性と有効性に関する堅牢な証拠を提供するように設計されています。 技術的な保護手段、厳密な統計的方法、合理化されたデータ収集プロセスを統合することにより、この研究は、複数の専門分野で患者コミュニケーション戦略の改善とより効果的な医療提供につながる可能性のある洞察を提供することを目的としています。