혈액종양학에서 이해도 향상을 위한 LLM 생성 일반인용 환자 요약 (oncOPAL) (oncOPAL)

배경:

연구에 따르면 의사 상담 중 전달되는 의학 정보의 최대 40-80%가 환자에 의해 정확히 기억되거나 이해되지 않습니다. 이 문제는 치료 요법, 예후 및 부작용 프로필이 복잡한 혈액학 및 종양학에서 특히 관련이 있습니다. 대형 언어 모델(LLM)은 의학 텍스트를 높은 정확도로 평이한 언어로 변환하는 능력을 입증했습니다. 그러나 일상 진료에서 LLM으로 단순화된 환자 요약의 임상적 이점을 평가한 전향적 무작위 대조 시험은 부족합니다.

연구 설계:

평행군 설계를 사용한 전향적, 단일 센터, 무작위 대조 시험입니다. 무작위 배정은 가변 크기(4-6)의 순열 블록을 사용하여 2:1(중재군 : 대조군)로 이루어집니다. 추가 비무작위 번역 군은 독일어 능력이 부족한 환자를 등록합니다.

중재:

현지에서 구현된 LLM 시스템(온프레미스, 외부 데이터 전송 없음)은 퇴원 서류의 다음 섹션을 자동으로 단순화합니다: 현재 상태, 병력, 에피크리시스 및 향후 관리. 연구 의사는 단순화된 버전을 검토하고 승인한 후 환자에게 제공합니다. 이 시스템은 의료 기기로 분류되지 않으며 진단이나 치료 결정에 사용되지 않습니다.

종점:

주요 종점은 전반적인 이해 및 진단, 치료, 다음 단계, 의학 용어 이해를 평가하는 5항목 척도(10점 리커트, PEMAT 기반)로 측정된 이해 점수입니다. 2차 종점에는 환자 만족도(EORTC QLQ-INFO25 하위 척도), 주관적 불확실성 감소, 형식 선호도, 의사 검토 시간, 수정률 및 번역 품질이 포함됩니다.

통계 분석:

주요 종점은 t-검정 또는 Mann-Whitney U-검정을 사용하여 분석됩니다. 10점 척도에서 1.5점의 임상적으로 관련된 차이가 가정됩니다. 표준 편차 2.5, 검정력 80%, 알파 0.05(양측)로 136명의 무작위 환자가 필요합니다(중재군 91명, 대조군 45명). 10% 탈락률을 고려하여 무작위 군에 150명의 환자를 모집하고, 번역 군에 30명을 추가 모집합니다(총 n=180).

데이터 보호:

모든 데이터는 가명화되어 안전한 병원 서버에 저장됩니다. 환자 데이터는 외부 서버나 클라우드 서비스로 전송되지 않습니다. 이 연구는 GDPR을 준수합니다.