Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Kunstmatig intelligent klinisch beslissingsondersteunend systeem Simulatiecentrum Studie voor acceptatie van technologie

8 november 2023 bijgewerkt door: Yale University

Kunstmatig intelligent klinisch beslissingsondersteunend systeem Simulatiecentrumonderzoek: vertrouwen en bruikbaarheid van machinaal leren Risicostratificatietool voor acute gastro-intestinale bloedingen met behulp van het technologie-acceptatiemodel

Het doel van dit onderzoek is het meten van bruikbaarheid, attitudes en het vertrouwen van de zorgverlener bij interactie met een machine learning-algoritme en een klinisch beslissingsondersteunend systeem in de setting van bloedingen uit het bovenste deel van het maagdarmkanaal (bovenste GIB). De onderzoekers kijken met name naar de optimale implementatie van dergelijke machine learning-algoritmen in simulatiescenario's om het gebruik zo goed mogelijk te vergroten en de resultaten te verbeteren. Deelnemers worden gerandomiseerd naar verschillende implementatie-instellingen voor het machine learning-algoritme en blootgesteld aan simulatiegevallen van de bovenste GIB om te bepalen hoe ze omgaan met het machine learning-algoritme.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Het eerste experiment zal een eerder gevalideerd machine learning-algoritme inzetten dat is getraind op bestaande klinische datasets binnen simulatiescenario's waarin een patiënt met acute gastro-intestinale bloedingen (met laag, matig en hoog risico op slechte uitkomst) wordt geëvalueerd.

Voorafgaand aan de simulatie wordt aan alle deelnemers een educatieve basismodule over kunstmatige intelligentie, machine learning en klinische beslissingsondersteuning gegeven. De onderzoekers zullen de psychologische veiligheid vaststellen door in detail te beschrijven wat er in de kamer beschikbaar is, de mogelijkheid om een ​​adviseur te bellen en de beschikbaarheid van laboratorium- en radiografische onderzoeken. Elk klinisch scenario duurt ongeveer 10 minuten en is gebaseerd op echte patiëntencasussen waarbij vitale functies in de loop van de tijd veranderen en laboratoriumwaarden beschikbaar worden gesteld op specifieke punten in de beoordeling. De studie volgt een 3 (scenariorisico: laag, gemiddeld, vs. hoog) bij 2 (AI-framing: tool vs. teamlid) bij 2 (transparantie: laag vs. hoog) factorieel ontwerp. Elke deelnemer krijgt alle drie de scenario's in oplopende volgorde van risico (binnen-proefpersoon-factor), maar wordt gerandomiseerd naar één AI-framing en één transparantiebehandelingsvoorwaarde (tussen-proefpersonen-factoren).

Voor de framing-behandeling van het AI-teamlid krijgen de deelnemers tijdens de pre-simulatiebriefing een raamwerk van kunstmatige intelligentie / machine learning-algoritmen als teamlid, en niet alleen een hulpmiddel, met de introductie van het concept van een theory of mind voor algoritmen om te begrijpen hoe hun redenering de menselijke redenering kan aanvullen. Bovendien wordt het computerwerkstation waarop het algoritme wordt uitgevoerd naast het bed van de patiënt geplaatst. Bovendien zal de AI-CDSS worden gepresenteerd in een ChatGPT/GPT-4 chatbot-achtige interface waarmee providers op natuurlijke wijze aan het bed kunnen communiceren. In de tool framing-conditie krijgen ze een typische uitleg van AI-CDSS als tool. In dit geval wordt de computer met het algoritme in een hoek van de patiënt verwijderd geplaatst. Als zodanig zal het worden gepresenteerd als een krukje van het type rekenmachine.

Voor de behandeling van transparantie heeft de algoritmische uitvoer een "lage" transparantie (met alleen de risicobeoordeling en aanbeveling) of "hoge" transparantie (met een uitleg van de modelinvoer en de mogelijkheid om invoer op te vragen via door de gebruiker gestuurde klikken in een web-app in de tool framing-conditie of rechtstreeks met de van ChatGPT afgeleide interface die door de gebruiker gestuurde vragen kan verwerken in een gebruiksvriendelijke chatbot in natuurlijke taal in het teamlid-framework, resulterend in een presentatie van invoer die de modeluitvoer beïnvloedt om een ​​mentaal model van het algoritme).

Studietype

Ingrijpend

Inschrijving (Geschat)

85

Fase

  • Niet toepasbaar

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

Studie Locaties

  • Verenigde Staten
    • Connecticut
      • New Haven, Connecticut, Verenigde Staten, 06510
        • Werving
        • Yale New Haven Hospital
        • Contact:

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Kind
  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Ja

Beschrijving

Inclusiecriteria:

  • Stagiair Interne Geneeskunde bij studie instelling
  • Stagiair spoedeisende geneeskunde bij studie instelling

Uitsluitingscriteria:

  • NVT

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

  • Primair doel: Onderzoek naar gezondheidsdiensten
  • Toewijzing: Gerandomiseerd
  • Interventioneel model: Parallelle opdracht
  • Masker: Geen (open label)

Wapens en interventies

Deelnemersgroep / Arm
Interventie / Behandeling
Experimenteel: Interactie op basis van grote taalmodellen
LLM-aangedreven chatbot met het machine learning-dashboard om de risicobeoordeling te bieden en een onderbouwing te geven op basis van interpreteerbaarheidsstatistieken die worden geleverd door het dashboard waarin studiedeelnemers rechtstreeks kunnen communiceren met behulp van natuurlijke taal. Deelnemers krijgen het door een Generative Pre-trained Transformer (GPT) chatbot-aangedreven machine learning-modeldashboard aangeboden.
Ander: LLM
Gebruik van een LLM-chatbotinterface (Large Language Model) voor interactie met het machine learning-algoritme en het interpreteerbaarheidsdashboard.
Geen tussenkomst: Machine Learning-dashboard
Machine learning-algoritme-output met een interactief dashboard dat kan worden gebruikt om de inputfactoren die het meest bijdragen aan de gegenereerde risicoscore uit te leggen of te interpreteren. Deelnemers hebben alleen toegang tot het machine learning-dashboard.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Verandering in de houding ten opzichte van machine learning-algoritmen in de klinische zorg met behulp van UTAUT
Tijdsspanne: Ongeveer 60 minuten
De studie zal een gemeenschappelijke set van afhankelijke variabelen gebruiken om de basislijn en post-interventie-attitudes ten opzichte van machine learning-algoritmen in de klinische zorg te beoordelen met behulp van een aangepaste Unified Theory of Acceptance and Use of Technology (UTAUT)-enquête die het waargenomen nut van het systeem, het waargenomen gemak van gebruik, attitudes ten opzichte van het gebruik ervan, gedragsintenties en vertrouwen, gemeten met een 5-punts Likertschaal. Verandering in UTAUT-enquêterespons bij werving voorafgaand aan het beheer van scenario's en onmiddellijk na voltooiing van scenario's. Het tijdsverschil tussen beide zal ongeveer 60 minuten bedragen.
Ongeveer 60 minuten
Besluitvorming door de arts van triage van gastro-intestinale bloedingen
Tijdsspanne: Ongeveer 60 minuten
Deze studie zal het aantal studiedeelnemers bepalen (van alle studiedeelnemers in de groep) die nauwkeurig de juiste klinische beslissing kiezen voor elk simulatiescenario van acute bovenste GI-bloeding voor elke behandelingsconditie. Onmiddellijk na voltooiing van de scenario's (60 minuten vanaf het begin van de studie voor elke deelnemer). Geen verdere opvolging achteraf.
Ongeveer 60 minuten

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Yale University

Medewerkers

National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK)

Onderzoekers

  • Hoofdonderzoeker: Dennis Shung, MD, Yale School of Medicine Section of Digestive Diseases

Publicaties en nuttige links

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

Algemene publicaties

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

23 mei 2023

Primaire voltooiing (Geschat)

31 augustus 2024

Studie voltooiing (Geschat)

31 augustus 2024

Studieregistratiedata

Eerst ingediend

13 maart 2023

Eerst ingediend dat voldeed aan de QC-criteria

14 april 2023

Eerst geplaatst (Werkelijk)

18 april 2023

Updates van studierecords

Laatste update geplaatst (Geschat)

9 november 2023

Laatste update ingediend die voldeed aan QC-criteria

8 november 2023

Laatst geverifieerd

1 november 2023

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 2000034521
  • 1K23DK125718-01A1 (Subsidie/contract van de Amerikaanse NIH)

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Klinische onderzoeken op LLM

Zoek naar vergelijkbare onderzoeken

Sponsors en medewerkers

Medische omstandigheden

Geneesmiddelinterventies

CROs by country

CROs in Jamaica

Voorwaarden

Zeldzame ziekten

Geneesmiddelinterventies

Voedingssupplementen

Sponsor / medewerkers

Locaties

3
Abonneren