Voorkom fouten bij het verstrekken van medicijnen in de apotheekpraktijk met interpreteerbare machine-intelligentie
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Apothekers voeren momenteel een onafhankelijke dubbele controle uit om fouten in de geneesmiddelenselectie te identificeren voordat deze de patiënt kunnen bereiken. Het gebruik van machine-intelligentie (MI) ter ondersteuning van dit cognitieve besluitvormingswerk door apothekers bestaat in de praktijk echter niet. In plaats daarvan vertrouwen apothekers uitsluitend op referentiebeelden van de medicatie die ze kunnen vergelijken met de inhoud van de voorgeschreven injectieflacon. Eerder onderzoek heeft aangetoond dat beslissingsondersteunende systemen de efficiëntie en nauwkeurigheid van de gezondheidszorg effectief kunnen verbeteren en tegelijkertijd bijwerkingen van geneesmiddelen kunnen voorkomen. Er is echter weinig bekend over de manier waarop MI-technologieën de werkprestaties en de cognitieve vraag van apothekers beïnvloeden.
Om de symbiotische relatie op lange termijn tussen de apothekers en het MI-systeem te faciliteren, moet er een goed vertrouwen worden opgebouwd. Hoewel vertrouwen is geïdentificeerd als de centrale factor voor effectief mens-machine-teaming, ontstaan er problemen wanneer mensen ongerechtvaardigd vertrouwen stellen in geautomatiseerde technologieën en er niet genoeg vertrouwen in stellen. Een te groot vertrouwen in automatisering kan leiden tot zelfgenoegzaamheid en automatiseringsvooroordelen. Apothekers kunnen bijvoorbeeld zo op het MI-systeem vertrouwen dat ze blindelings elke aanbeveling van het systeem accepteren. Te weinig vertrouwen kan resulteren in het niet meer gebruiken van apothekers en het mogelijk verlaten van het MI-systeem.
Bovendien is er weinig bekend over de timing van het MI-advies over de werkprestaties van apothekers. Het tonen van het advies van de MI terwijl de apotheker de medicatieverificatietaak uitvoert, kan bijvoorbeeld andere resultaten opleveren dan het tonen van het advies van de MI nadat de apotheker zijn beslissing heeft genomen.
De onderzoekers van het onderzoek hebben een MI-systeem ontwikkeld voor de classificatie van medicatiebeelden. Het doel van deze studie is om de effectiviteit van de timing van MI-advies te onderzoeken om te bepalen of dit resulteert in een kortere taaktijd, grotere nauwkeurigheid en een groter vertrouwen in de MI.
Studietype
Inschrijving (Werkelijk)
Fase
- Niet toepasbaar
Contacten en locaties
Studie Locaties
-
-
Michigan
-
Ann Arbor, Michigan, Verenigde Staten, 48109
- University of Michigan
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Beschrijving
Inclusiecriteria:
- Erkende apotheker in de Verenigde Staten
- Leeftijd 18 jaar en ouder bij screening
- Pc/laptop met Microsoft Windows 10 of Mac (Macbook, iMac) met MacOS met Google Chrome, Edge, Opera, Safari of Firefox webbrowser geïnstalleerd op het apparaat
- Schermresolutie van 1024 x 968 pixels of meer
- Voor eye-tracking is ook een in een laptop geïntegreerde webcam of USB-webcam vereist.
Uitsluitingscriteria:
- Deelgenomen aan Wave 1 of Wave 2
- Bril
- Ongecorrigeerde cataract, intraoculaire implantaten, glaucoom of permanent verwijde pupil
- Vereist een schermlezer/vergrootglas of andere ondersteunende technologie om de computer te kunnen gebruiken
- Afwijkingen in oogbewegingen of uitlijning (lui oog, scheelzien, nystagmus)
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: Ander
- Toewijzing: Gerandomiseerd
- Interventioneel model: Crossover-opdracht
- Masker: Geen (open label)
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
Experimenteel: Geen MI-hulp
Er wordt geen MI-hulp aangeboden tijdens de verificatietaken
|
Deelnemers voltooien de medicatieverificatietaak zonder enige MI-hulp
Deelnemers ontvangen MI in de vorm van een pop-upbericht als hun beslissing afwijkt van de beslissing van de MI.
MI-hulp wordt gelijktijdig met de ingevulde en referentiebeelden weergegeven.
|
|
Experimenteel: Scenario 1
MI-hulp wordt gepresenteerd in de vorm van een pop-upbericht. De beslissing van de deelnemer verschilt van de beslissing van de MI.
|
Deelnemers voltooien de medicatieverificatietaak zonder enige MI-hulp
Deelnemers ontvangen MI in de vorm van een pop-upbericht als hun beslissing afwijkt van de beslissing van de MI.
MI-hulp wordt gelijktijdig met de ingevulde en referentiebeelden weergegeven.
|
|
Experimenteel: Scenario #2
MI-hulp wordt gelijktijdig met de ingevulde en referentiebeelden weergegeven.
|
Deelnemers voltooien de medicatieverificatietaak zonder enige MI-hulp
Deelnemers ontvangen MI in de vorm van een pop-upbericht als hun beslissing afwijkt van de beslissing van de MI.
MI-hulp wordt gelijktijdig met de ingevulde en referentiebeelden weergegeven.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Reactietijd
Tijdsspanne: Gedurende de verificatietaak
|
Verschil in taaktijd gemeten door het aantal seconden vanaf het starten van de taak tot het accepteren of afwijzen van een medicatie-afbeelding
|
Gedurende de verificatietaak
|
|
Beslissingsnauwkeurigheid
Tijdsspanne: Gedurende de verificatietaak
|
Verschil in detectiepercentage gemeten door het aantal medicatieverificatiefouten bij alle deelnemers in de Arm/Groep.
|
Gedurende de verificatietaak
|
|
Vertrouwen Verandering
Tijdsspanne: Na elke proef in Scenario 1 en 2
|
Deelnemers zullen 100 mock-medicatieverificatietrials voltooien in elk van de studiearmen (d.w.z. Scenario 1, Scenario 2 en Geen Hulp). Na elke trial in Scenario 1 en Scenario 2 zullen deelnemers een visuele analoge schaal (VAS) gebruiken om te antwoorden op de vraag: "Hoeveel vertrouwt u het AI-advies?" De eindpunten van de 100-punts VAS zijn 'Helemaal niet' tot 'Volledig vertrouwen'. Deelnemers geven hun mate van vertrouwen in het MI-advies aan na elke trial op een schaal van 1-100, waarbij hogere scores een groter vertrouwen aangeven. De vertrouwensverandering, gemeten met de visuele analoge schaal, wordt berekend met de volgende formule: Vertrouwensverandering (i) = Vertrouwen(i) - Vertrouwen(i - 1), waarbij i=2, 3, ..., 100. Om een enkele, samengevatte waarde voor de variabele Vertrouwensverandering binnen een specifiek scenario te berekenen, worden de individuele Vertrouwensveranderingsscores gemeten uit de trials gemiddeld. Deze gemiddelde methode biedt een uitgebreide maatstaf voor hoe het vertrouwen verschuift gedurende het scenario. |
Na elke proef in Scenario 1 en 2
|
|
Vertrouwen
Tijdsspanne: Na interventie in Scenario 1 en 2.
|
Vertrouwen wordt beoordeeld met behulp van de Trust in Automation-schaal van Muir & Moray (1996).
Scores variëren van 0 tot 100, waarbij hogere scores wijzen op een groter vertrouwensniveau.
|
Na interventie in Scenario 1 en 2.
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Cognitieve Inspanning
Tijdsspanne: Gedurende de verificatietaak
|
De oogbewegingen van deelnemers werden gevolgd met een op een browser gebaseerd online eye tracking-systeem.
De uitkomstmaat is het verschil in cognitieve inspanning zoals gemeten door fixatietelling in de gedefinieerde interessegebieden: invulafbeelding, referentieafbeelding of MI-plot.
Hogere fixatiepercentages wijzen op herhaalde interesse in een bepaald gebied.
|
Gedurende de verificatietaak
|
|
Cognitieve Inspanning
Tijdsspanne: Gedurende de verificatietaak
|
De oogbewegingen van de deelnemers werden gevolgd met een op een browser gebaseerd online oogvolgsysteem.
De uitkomstmaat is het verschil in cognitieve inspanning zoals gemeten door de duur van fixaties in de gedefinieerde interessegebieden: invulafbeelding, referentieafbeelding of MI-plot.
Langere fixatieduur duidt op een hogere cognitieve belasting.
|
Gedurende de verificatietaak
|
|
Werkbelasting
Tijdsspanne: Na het voltooien van 100 mock-verificatietrials in elke arm
|
Deelnemers zullen 100 mock-medicatieverificatietests voltooien in elk van de 3 armen. De werklast van elke arm wordt gemeten met de NASA Task Load Index (TLX). De 5 beoordeelde TLX-dimensies zijn: mentale belasting, inspanning, temporele belasting, prestatie en frustratie. Voor elke dimensie geven deelnemers hun antwoord op een enkele vraag aan. Voor 4 van de dimensies zijn de uiteinden van de Likert-schaal 'zeer laag' en 'zeer hoog'. De prestatie-dimensie wordt omgekeerd gescoord, en de uiteinden zijn 'perfect' en 'falen'. Vervolgens voltooien deelnemers 10 paarsgewijze vergelijkingen van de dimensies door aan te geven welke dimensie zij als een belangrijker factor beschouwen (bijv. inspanning versus frustratie). Elke categoriescore vermenigvuldigd met het respectievelijke aantal paarsgewijze vergelijkingen wordt opgeteld en gedeeld door 10 om een algemene gewogen werklastscore te krijgen. Het resultaat is een algemene werklastscore tussen 1 en 20, waarbij hogere scores een hogere werklast aangeven. |
Na het voltooien van 100 mock-verificatietrials in elke arm
|
|
Bruikbaarheid
Tijdsspanne: Na voltooiing van 100 mock-verificatietesten in elke arm
|
Deelnemers zullen 100 mock-medicatieverificatietesten voltooien in elk van de 3 armen (Geen MI-hulp, Scenario 1 en Scenario 2).
Na het voltooien van 100 testen zullen deelnemers de mock-verificatie-interface beoordelen met behulp van de Systeem Bruikbaarheidsschaal (SUS).
De SUS bestaat uit 10 stellingen waarmee deelnemers hun overeenstemming aangeven op een 5-punts Likertschaal variërend van sterk mee eens tot sterk mee oneens.
Oneven genummerde vragen hebben een positieve respons en even genummerde vragen worden omgekeerd gescoord.
Scores worden opgeteld en vermenigvuldigd met 2,5 om een uiteindelijke SUS-score te verkrijgen.
SUS-scores variëren van 0 tot 100, waarbij hogere scores een grotere bruikbaarheid aangeven.
Een gemiddelde SUS-score wordt beschouwd als 68.
Alles onder de 50 is "Niet Acceptabel".
Scores tussen 51-70 worden beschouwd als "Marginaal", scores boven 71 worden beschouwd als "Acceptabel", en scores van 80 of hoger duiden op hoge bruikbaarheid.
|
Na voltooiing van 100 mock-verificatietesten in elke arm
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Corey A Lester, PharmD, PhD, University of Michigan
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Andere studie-ID-nummers
- HUM00241223
- 5R01LM013624 (Subsidie/contract van de Amerikaanse NIH)
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
product vervaardigd in en geëxporteerd uit de V.S.
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 .