LLM-gegenereerde samenvattingen in begrijpelijke taal voor hersenscanrapporten (CLEAR-HEAD)

Achtergrond Hoofdpijn is goed voor ongeveer 2% tot 4% van de bezoeken aan de spoedeisende hulp, wat neerkomt op ongeveer 450.000 consulten per jaar in Frankrijk. Hoewel 95% van deze gevallen goedaardige primaire hoofdpijn betreft, is het identificeren van secundaire oorzaken die dringende behandeling vereisen cruciaal, wat vaak leidt tot een toegenomen gebruik van neuroimaging zoals MRI. Radiologieverslagen bevatten echter vaak complex medisch jargon dat moeilijk te begrijpen kan zijn voor patiënten en niet-specialistische artsen, wat mogelijk tot verwarring of angst leidt. Grote Taalmodellen (LLM's) hebben het potentieel aangetoond om complexe medische tekst te vereenvoudigen. Hoewel er commerciële modellen bestaan, bieden open-gewichten modellen (die lokaal kunnen worden geïmplementeerd om gegevensbeveiliging te waarborgen) een veelbelovende weg voor klinische integratie. Deze studie heeft tot doel de effectiviteit te evalueren van een door AI gegenereerde samenvatting in begrijpelijke taal bij het verbeteren van het begrip van patiënten van hersenscan (MRI) verslagen.

Studieontwerp Dit is een gerandomiseerde, gecontroleerde, enkelblinde studie genest binnen de COMPARE e-cohort. De studie gebruikt een parallelgroepontwerp met een 1:1 toewijzingsratio. De gehele studie wordt op afstand uitgevoerd via beveiligde online formulieren.

Deelnemers De studie werft volwassen vrijwilligers die al zijn ingeschreven in het COMPARE e-cohort. Deelnemers moeten voldoende beheersing hebben van het geschreven Frans om de verslagen te lezen en de vragenlijsten in te vullen. Er is geen specifieke medische aandoening vereist voor inclusie, aangezien de studie gebruikmaakt van fictieve casusscenario's.

Interventie en Procedures Deelnemers worden via een minimalisatieprocedure gerandomiseerd naar een van de twee groepen, waarbij de voorgeschiedenis van hersenscan (MRI) en bekende neurologische pathologie in evenwicht worden gebracht. Elke deelnemer wordt gevraagd zes fictieve hersenscan (MRI) verslagen te lezen die veelvoorkomende spoedhoofdpijnscenario's simuleren. De zes verslagen beslaan drie klinische situaties: twee met normale resultaten, twee met toevalsbevindingen die de hoofdpijn niet verklaren, en twee met afwijkingen die de hoofdpijn verklaren. In de experimentele groep ontvangen deelnemers het standaard MRI-verslag verrijkt met een gestructureerde samenvattingalinea gegenereerd door een open-gewichten LLM, ingevoegd onder de sectie Synthese voor de patiënt en de niet-radioloog arts. In de controlegroep ontvangen deelnemers het standaard MRI-verslag in zijn oorspronkelijke versie zonder de door AI gegenereerde samenvatting.

Uitkomstmaten Direct na het lezen van elk verslag vullen deelnemers een gestandaardiseerde vragenlijst in. De primaire uitkomst is het begrip van het verslag, gemeten aan de hand van de nauwkeurigheid van het antwoord op de binaire vraag: Wordt er in dit verslag een waarschijnlijke verklaring voor de hoofdpijn gevonden? Secundaire uitkomsten zijn onder meer de tevredenheid van de deelnemer gemeten op een Likertschaal, de waargenomen behoefte aan professionele opheldering, het waargenomen vermogen om de resultaten aan een familielid uit te leggen en de verwachte angstniveaus.

Statistische Analyse De primaire analyse vergelijkt het aandeel correcte antwoorden tussen groepen met behulp van een gemengd logistisch regressiemodel. Dit model zal de interventiegroep als vast effect omvatten en rekening houden met gekruiste random effecten (deelnemer en verslag) om de intra-individuele correlatie en variabiliteit tussen klinische casussen te beheren. De steekproefomvang is berekend op 412 deelnemers (206 per groep) om een verschil van 10% in begrip te detecteren met 95% power.