인공 지능 통합 혼합 현실 기반 고위험 약물 관리 시뮬레이션 프로그램의 효과성 (AIMR-HAM)
인공지능 통합 혼합현실 기반 고위험 약물 관리 시뮬레이션 프로그램의 효과성
이 임상시험의 목표는 인공지능이 통합된 혼합 현실 기반 고위험 약물 관리 시뮬레이션 프로그램(AIMR-HAM)이 병원 간호사들이 고위험 약물(HAMs)을 더 안전하게 관리하는 데 도움이 되는지 알아보는 것입니다. MR은 실제와 가상 요소를 혼합하여 간호사들이 현실적인 시나리오에서 연습할 수 있도록 합니다.
주요 질문은 다음과 같습니다:
AIMR-HAM이 간호사의 약물 안전 기술을 향상시키는가? AIMR-HAM이 약물 오류를 줄이고 임상 수행 능력을 향상시키는가?
연구자들은 이러한 질문에 답하기 위해 두 그룹을 비교할 것입니다:
중재 그룹: AIMR-HAM 대조군: 표준 교육만
참여 가능 대상:
대형 병원에서 근무하며 1년에서 6년의 임상 경력을 가진 간호사.
약 60명의 간호사가 이 연구에 참여할 것입니다.
참가자가 수행할 내용:
지정된 교육(AIMR-HAM 또는 표준 교육만)에 참석합니다. 교육 전후에 기술, 의사소통 및 임상 추론을 측정하기 위한 간단한 테스트와 설문조사를 완료합니다.
연구 중 발생하는 모든 약물 오류를 보고합니다. 이 연구의 중요성: 이 연구는 AIMR-HAM 교육이 간호사의 HAM 처리 방식을 개선하고 환자 치료를 더 안전하게 만들 수 있는지 보여줄 것입니다.
연구 개요
상세 설명
이 임상시험은 1~6년의 임상 경력을 가진 병원 간호사를 대상으로 인공지능 통합 혼합현실 기반 고위험약물 관리 시뮬레이션 프로그램(AIMR-HAM)이 고위험약물(HAMs) 관리 기술, 임상 수행능력(시뮬레이션 기반 관찰 평가), 의사소통 및 약물 오류율을 개선하는지 평가합니다. 이 시험은 실제 임상 현장에서 AIMR-HAM이 실무 역량과 환자 안전성을 향상시키는 효과를 평가하는 것을 목표로 합니다.
연구 설계 및 무작위 배정 이 연구는 단일 기관, 병렬군, 무작위 대조 시험으로 약 60명의 참여 간호사가 포함됩니다. 참가자는 컴퓨터 생성 무작위 배정 일정(예: 블록 무작위화)을 사용하여 1:1로 중재군 또는 대조군에 무작위 배정됩니다. 배정 은폐를 유지하기 위해 독립 데이터 관리자가 무작위 배정을 수행합니다. 결과 평가자는 군 배정에 대해 눈가림됩니다(평가자 눈가림).
중재 - AIMR-HAM(중재군)
개요: 이 중재는 MR 헤드셋 기반, 시나리오 주도 실습을 결합합니다.
주요 구성요소:
- 오리엔테이션
- 사전 브리핑
- AIMR 시뮬레이션
- 디브리핑
기술 참고: MR 설정은 가상 요소를 물리적 환경과 통합하여 시각적 및 청각적 단서를 제공합니다. 장치 제조사/모델 및 소프트웨어 버전은 프로토콜 필드에 명시할 수 있습니다.
대조군: 대조군은 병원의 표준 약물 관리 교육(강의, 사례 토론 및 워크숍)을 받습니다. 일정 및 총 접촉 시간은 시간과 주의력에 대한 영향을 통제하기 위해 중재군과 일치시킵니다.
참가자 절차 및 일정 연구 진행은 다음과 같습니다: 선별 → 서면 동의서 → 기초(중재 전) 평가 → 무작위 배정 → 배정된 교육(MR + 표준 교육 또는 표준 교육만) → 교육 직후 평가 → 추적 평가(예: 교육 후 1개월) → 연구 완료. 각 평가 시점에서 참가자는 시간에 따른 비교를 가능하게 하기 위해 동일한 평가 세트를 완료합니다.
데이터 수집 방법
: 임상 수행능력 및 기술은 시뮬레이션 평가 중 표준화된 수행 체크리스트와 관찰자 평가 척도를 사용하여 측정합니다. 배정에 대해 눈가림된 훈련된 평가자가 이러한 평가를 수행합니다.
자기 보고 도구(자신감, 의사소통, 인지적 작업 부하)는 전자 또는 종이 설문지를 통해 수집되어 연구 데이터베이스에 입력됩니다.
약물 오류 데이터는 병원 사건 보고 시스템과 연구 기간 중 참가자 자기 보고에서 수집되며, 중복 보고는 데이터 검토 및 분류를 통해 조정됩니다.
MR 시스템은 참가자 상호작용 로그(타임스탬프, 행동, 의사결정 지점)를 자동으로 기록하며, 이는 보조 분석 데이터로 사용될 수 있습니다.
분석 개요
주요 분석은 의도치 치료 원칙을 따릅니다. 연속 결과(예: 역량 점수)는 t-검정 또는 선형 회귀를 사용하여 비교되며, 반복 측정은 참가자 내 상관관계를 고려하기 위해 혼합효과 모델로 분석됩니다.
이분 결과(예: 약물 오류 발생 여부)는 로지스틱 회귀 또는 위험 추정치를 사용하여 분석됩니다.
사전 지정된 공변량(예: 기초 점수 또는 임상 부서)은 필요에 따라 조정 분석에 포함됩니다. 민감도 분석은 결측 데이터(예: 다중 대체법) 및 프로토콜 이탈을 다룹니다.
안전성 및 윤리 이 연구는 기관윤리심의위원회(IRB) 승인을 받았습니다. 모든 참가자는 등록 전 서면 동의서를 제공합니다. MR 사용과 관련된 불편감(예: 어지러움 또는 메스꺼움)은 프로토콜에 따라 모니터링 및 관리되며, 심각한 이상사건은 IRB 및 병원 감독 기관에 즉시 보고됩니다. 개인 데이터는 비식별화되거나 암호화되어 접근이 제한된 상태로 저장됩니다.
품질 보증 및 신뢰성 조치
지도자 및 평가자는 중재의 일관된 전달과 결과 점수화를 보장하기 위해 표준화된 훈련을 받습니다.
무작위 배정, 데이터 입력 및 데이터 처리는 표준 운영 절차를 따릅니다. 데이터는 정기적인 모니터링과 주기적인 품질 점검을 거치며, 필요한 경우 독립적인 데이터 품질 감사가 수행될 수 있습니다.
결론 및 잠재적 영향 이 시험은 AIMR-HAM이 표준 교육과 비교하여 간호사의 약물 관리 역량을 측정 가능하게 개선하고 약물 오류를 감소시키는지 결정할 것입니다. 연구 결과는 병원 교육 관행에 정보를 제공하고 임상 기술 훈련을 위한 AIMR-HAM의 광범위한 채택을 지원할 수 있습니다.
연구 유형
등록 (추정된)
단계
- 해당 없음
연락처 및 위치
연구 연락처
- 이름: Hwigon Jeon, Ph.D. student
- 전화번호: +82-10-5121-0700
- 이메일: tjdans779@gmail.com
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
설명
포함 기준:
1년에서 6년의 임상 경력을 가진 간호사.
본 연구의 목적과 절차를 이해하고 참여에 대한 서면 동의를 한 자.
혼합 현실 기기 사용에 신체적 또는 인지적 제한이 없는 자.
③ 한국어로 의사소통이 가능하며 질문을 이해하고 응답할 수 있는 자.
제외 기준:
연구 참여를 원하지 않는 자. ① 지난 6개월 동안 고위험 약물 관련 교육에 참여한 경험이 있는 자.
시각, 청각 또는 신경학적 장애, 또는 어지러움, 멀미와 같은 부작용으로 인해 혼합 현실 교육 프로그램에 참여할 수 없거나 참여에 어려움이 있는 자.
- 연구 중도에 자발적으로 탈퇴하는 자.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 건강 서비스 연구
- 할당: 무작위
- 중재 모델: 병렬 할당
- 마스킹: 삼루타
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: Arm 1
참가자는 인공지능 통합 혼합현실 기반 고위험 약물 관리 시뮬레이션 프로그램을 받습니다
|
개입 그룹의 참가자들은 인공 지능이 통합된 혼합 현실 기반 고위험 약물 관리 시뮬레이션 프로그램을 받습니다
|
|
활성 비교기: Arm 2
참가자들은 병원의 표준 약물 관리 교육을 받습니다
|
참가자들은 병원의 표준 약물 관리 교육(강의식 강연, 사례 토론 및 워크숍)을 받습니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
고위험 약물 임상 성과
기간: 기준선, 중재 직후
|
고위험 약물 임상 수행 역량 평가는 우리 연구팀이 개발한 설문지를 활용할 것입니다.
이 도구는 총 23개의 문항으로 구성되며, 그중 4개 문항은 시뮬레이션 진행 상황에 따라 달라져 최종적으로 19개 문항을 측정하게 됩니다.
각 문항은 강사가 0점(실패 또는 잘못된 수행), 1점(불충분하거나 부적절한 수행), 2점(정확한 수행)의 척도로 채점할 것입니다.
개발된 문항은 사용 전에 6명의 전문가에 의해 타당도 평가를 거쳐 수정 및 보완될 것입니다.
점수가 높을수록 고위험 약물에 대한 임상 수행 능력이 더 뛰어남을 나타냅니다.
|
기준선, 중재 직후
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
글로벌 대인관계 커뮤니케이션 역량
기간: 기준선, 중재 직후
|
의사소통 능력은 허경호(2003)가 개발한 글로벌 대인관계 의사소통 능력(GICC) 척도를 이용하여 측정할 것이며, 이 척도는 이현숙과 김종경(2010)이 수정·보완한 것입니다.
이 척도는 총 15개의 문항으로 구성되어 있으며, 각 문항은 1점(전혀 아니다)에서 5점(매우 그렇다)까지의 5점 리커트 척도로 평가됩니다. 점수가 높을수록 의사소통 능력이 높음을 의미합니다.
이현숙과 김종경(2010)의 연구에서 Cronbach's α는 .83이었습니다.
|
기준선, 중재 직후
|
|
임상 추론 역량
기간: 기준선, 중재 직후
|
임상 추론 역량은 Bae 외(2023)가 개발한 임상 추론 역량 척도(CRCS)를 사용하여 측정됩니다.
이 척도는 총 22개 문항으로 구성되어 있으며, 각 문항은 1점(전혀 아님)부터 5점(매우 그렇다)까지의 5점 리커트 척도로 평가됩니다.
높은 점수는 더 높은 임상 추론 역량을 나타냅니다.
Bae 외(2023)의 연구에서 Cronbach의 α는 .92였습니다.
|
기준선, 중재 직후
|
|
약물 안전 역량
기간: 기준선, 중재 직후
|
약물 안전 역량은 Park과 Seomun(2021)이 개발한 약물 안전 역량 척도(MSCS)를 사용하여 측정됩니다.
이 척도는 36개의 문항과 6개의 하위 척도(환자 중심 약물 관리, 문제 상황 개선, 영향 요인 관리, 위기 상황 관리, 학제 간 협력, 간호 전문가로서의 책임)로 구성되어 있습니다.
각 문항은 5점 리커트 척도(1 = "전혀 그렇지 않다"에서 5 = "매우 그렇다")로 평가되며, 총점은 36점에서 최대 180점까지입니다.
총점이 높을수록 약물 안전 역량 수준이 높음을 나타냅니다.
MSCS의 신뢰도는 Cronbach's α = .96이었습니다.
|
기준선, 중재 직후
|
공동 작업자 및 조사자
간행물 및 유용한 링크
일반 간행물
- 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
연구 기록 날짜
연구 주요 날짜
연구 시작 (추정된)
기본 완료 (추정된)
연구 완료 (추정된)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .