Kunstmatige Intelligentie-ondersteund Leren voor Verpleegkundige Medicijnberekening
Verpleegkundige Praktijk Transformeren door Kunstmatige Intelligentie: De Effectiviteit van Kunstmatige Intelligentie-Gestuurd Leren bij Medicijndoseringberekeningen op Kennis, Klinische Beslissingen en Zelfeffectiviteit
Het doel van deze studie is om te evalueren hoe een kunstmatige intelligentie-ondersteund leerplatform de nauwkeurigheid van verpleegkundigen bij het berekenen van medicatiedoseringen beïnvloedt. Medicatieberekening is een cruciale vaardigheid in de verpleegkunde, en fouten kunnen de patiëntveiligheid aanzienlijk beïnvloeden.
Hoewel traditionele onderwijsmethoden standaard zijn, bieden ze mogelijk niet de gepersonaliseerde feedback die nodig is voor een dergelijke risicovolle taak. Deze studie vergelijkt twee groepen verpleegkundigen: één groep die gebruikmaakt van kunstmatige intelligentie-gestuurde software die interactieve scenario's en realtime begeleiding biedt, en een andere groep die traditioneel klassikaal onderwijs volgt.
De onderzoekers willen vaststellen of de AI-aanpak leidt tot:
Verbeterde theoretische kennis van medicatieberekeningen. Verbeterde klinische besluitvorming tijdens medicatietoediening. Verhoogd zelfvertrouwen (zelfeffectiviteit) van verpleegkundigen bij het uitvoeren van deze taken in echte klinische omgevingen.
Daarnaast wordt een kwalitatieve component uitgevoerd met behulp van focusgroepdiscussies om de acceptatie, waargenomen nut, bruikbaarheid en algemene percepties van de deelnemers ten aanzien van het AI-ondersteunde leerplatform te onderzoeken. Dit kwalitatieve onderzoek biedt een dieper inzicht in de ervaringen van verpleegkundigen, hun houding ten opzichte van AI-integratie in het onderwijs en hun meningen over de effectiviteit van de onderwijsmethoden die binnen het platform worden gebruikt.
Studie Overzicht
Toestand
Gedetailleerde beschrijving
Medicatietoedieningsfouten vormen een aanzienlijke uitdaging in de verpleegkundige praktijk, met name in hoogcomplexe omgevingen zoals cardiovasculaire en intensive care-afdelingen. Deze studie evalueert de effectiviteit van een op Kunstmatige Intelligentie gebaseerde educatieve interventie die is ontworpen om de kloof tussen theoretische kennis en klinische toepassing bij geneesmiddelenberekeningen te overbruggen.<\/p>
Studieopzet<\/p>
Deze studie hanteerde een mixed-methods ontwerp bestaande uit een quasi-experimentele voor-na-meting benadering met een controlegroep, aangevuld met een kwalitatieve focusgroepcomponent. Deelnemers werden toegewezen aan een experimentele groep die Kunstmatige Intelligentie-ondersteund leren ontving of een controlegroep die traditionele instructie kreeg.<\/p>
De Interventie (Studiegroep)<\/p>
Deelnemers in de experimentele groep gebruikten Kunstmatige Intelligentie-ondersteunde leersoftware die is ontworpen om hun educatieve ervaring te verbeteren door middel van verschillende geavanceerde functies. De software biedt Adaptieve Leerpaden, die de rekencomplexiteit aanpassen aan de hand van de prestaties van de verpleegkundige. Daarnaast biedt het Real-Time Feedback, wat directe correcties en stapsgewijze begeleiding voor complexe geneesmiddelendosering garandeert. Ten slotte bevat de software op Kunstmatige Intelligentie gebaseerde Klinische Simulaties die hoogdruk klinische besluitvormingsscenario's voor leerlingen creëren.<\/p>
De Controlegroep<\/p>
Deelnemers in de controlegroep ontvingen traditionele onderwijsmethoden die standaardcolleges en papieren oefensessies omvatten, specifiek gericht op geneesmiddelenberekening. Deze aanpak behandelde dezelfde kerncurricula als de experimentele groep, maar omvatte geen enkele Kunstmatige Intelligentie-ondersteuning.<\/p>
De studie evalueerde drie belangrijke gebieden voor en na de interventie:<\/p>
Verpleegkundige Kennis, beoordeeld met een gestandaardiseerd geneesmiddelenberekeningsonderzoek.<\/p>
Klinische Besluitvorming, gemeten met een gevalideerde verpleegkundige besluitvormingsschaal.<\/p>
Zelfeffectiviteit, geëvalueerd via een gestandaardiseerde zelfeffectiviteitsschaal om het vertrouwen in klinische berekeningen te beoordelen.<\/p>
Gegevens werden geanalyseerd met behulp van het Statistical Package for the Social Sciences om de gemiddelde scores tussen de experimentele en controlegroep te vergelijken.<\/p>
Kwalitatieve Component (Focusgroepstudie)<\/p>
Om de kwantitatieve bevindingen aan te vullen, werd een kwalitatieve focusgroepstudie uitgevoerd met deelnemers uit de experimentele groep. Het doel was om de acceptatie van de Kunstmatige Intelligentie-platform door verpleegkundigen, de waargenomen bruikbaarheid, gebruiksvriendelijkheid, zichtbaarheid van leerprogressie en algemene meningen over de Kunstmatige Intelligentie-ondersteunde onderwijsstrategieën te onderzoeken.<\/p>
Focusgroepdiscussies werden opgenomen, getranscribeerd en geanalyseerd met behulp van thematische analyse om terugkerende patronen en thema's te identificeren met betrekking tot gebruikerservaring, waargenomen educatieve waarde en bereidheid om AI-gebaseerd leren in klinisch onderwijs te integreren. Deze kwalitatieve component bood dieper inzicht in de houding van deelnemers ten opzichte van AI-integratie in verpleegkundig onderwijs en verrijkte de interpretatie van de kwantitatieve resultaten.<\/p>
Studietype
Inschrijving (Werkelijk)
Fase
- Niet toepasbaar
Contacten en locaties
Studie Locaties
-
-
Alexandria Governorate
-
Alexandria, Alexandria Governorate, Egypte, 2500
- Faculty of Nursing, Alexandria University
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Beschrijving
Inclusiecriteria:
Verpleegkundigen werkzaam in meerdere klinische settingen, waaronder medisch-chirurgische, cardiovasculaire of intensive care-afdelingen, enz.
Verpleegkundigen zijn verantwoordelijk voor medicatietoediening en doseringsberekeningen als onderdeel van hun dagelijkse klinische taken.
Bereidheid om deel te nemen aan het Kunstmatige Intelligentie-ondersteunde leerprogramma en de geïnformeerde toestemming te ondertekenen.
Exclusiecriteria:
Verpleegkundigen die onlangs specifieke training in medicijnberekening hebben gevolgd of eerder blootstelling hebben gehad aan AI-gebaseerde educatieve tools (binnen de laatste 6 maanden)
Studie plan
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: Kunstmatige Intelligentie-ondersteunde Leergroep
Gebruik een op kunstmatige intelligentie ondersteund platform dat scenario-gebaseerd leren en real-time feedback biedt voor geneesmiddelenberekeningen.
|
Een innovatieve kunstmatige intelligentie software verbetert de nauwkeurigheid van verpleegkundigen bij medicijnberekeningen en klinisch redeneren door middel van scenario-gebaseerd leren, waarbij real-time feedback en adaptieve leerpaden worden geboden.
|
|
Experimenteel: Traditionele Leergroep
Deelnemers ontvangen het standaardcurriculum via traditionele colleges en op papier gebaseerde praktijksessies.
|
Standaard klassikale instructie bestaat uit theoretische colleges en op papier gebaseerde oefeningen die zich richten op medicatiedoseringberekeningen.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Kennis van verpleegkundigen over medicijnberekeningen
Tijdsspanne: Baseline (Pre-test) en 2 weken na interventie (Post-test)
|
Een evaluatie-instrument met 16 items, ontworpen om de theoretische en praktische kennis van verpleegkundigen te beoordelen met betrekking tot medicijnberekeningsprincipes (bijv. eenheden omrekenen, toedieningssnelheid en doseringsberekeningen). Elk correct antwoord krijgt een score van "1" en elk incorrect antwoord een score van "0". Schaalbereik: De totale score varieert van een minimum van 0 tot een maximum van 16. Interpretatie: Hogere scores duiden op een beter resultaat (grotere beheersing van de berekeningsprincipes). Hoog (13-16): Competent niveau (> 80%). Matig (10-12): Acceptabele maar onvolledige kennis (60%-80%). Laag (0-9): Onvoldoende begrip (< 60%). |
Baseline (Pre-test) en 2 weken na interventie (Post-test)
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Schaal voor het Berekenen van Geneesmiddelen door Verpleegkundigen
Tijdsspanne: Baseline (Pre-test) en 2 weken na interventie (Post-test)
|
Deze schaal is een zelfrapportage-instrument met 8 items, ontworpen om het klinisch oordeel en het vertrouwen van verpleegkundigen te beoordelen met betrekking tot medicatiedoseringberekeningen. Elk item wordt beoordeeld op een 5-punts Likertschaal variërend van 1 (Helemaal niet mee eens) tot 5 (Helemaal mee eens). Minimale en maximale waarden: De totaalscore varieert van een minimum van 8 tot een maximum van 40. Interpretatie: Hogere scores duiden op een beter resultaat (grotere klinische competentie en veiligere besluitvorming). Hoog (30-40): Hoge competentie. Matig (19-29): Matig vermogen; vereist toezicht. Laag (8-18): Slecht vertrouwen en oordeel. |
Baseline (Pre-test) en 2 weken na interventie (Post-test)
|
|
Algemene Self-Efficacy Schaal
Tijdsspanne: Baseline (Pre-test) en 2 weken na interventie (Post-test)
|
Beschrijving: Een psychometrische schaal van 10 items die wordt gebruikt om het waargenomen vertrouwen en zelfvertrouwen van verpleegkundigen te beoordelen in hun vermogen om medicijnberekeningen en klinische taken effectief uit te voeren onder verschillende omstandigheden. Elk item wordt gescoord op een 4-punts Likertschaal: 1 (Helemaal niet waar), 2 (Nauwelijks waar), 3 (Matig waar) en 4 (Precies waar). Schaalbereik: De totale score varieert van een minimum van 10 tot een maximum van 40. Interpretatie: Hogere scores duiden op een beter resultaat (sterker waargenomen competentie en hogere zelfeffectiviteit). Hoog (31-40): Sterk waargenomen competentie en zelfvertrouwen. Matig (21-30): Matig vertrouwen in het omgaan met eisen. Laag (10-20): Laag geloof in het vermogen om uitdagingen aan te kunnen. |
Baseline (Pre-test) en 2 weken na interventie (Post-test)
|
|
Verpleegkundigen' Perceptie en Tevredenheid met Kunstmatige Intelligentie-ondersteund Leren (Kwalitatief)
Tijdsspanne: 2 weken na voltooiing van de AI-ondersteunde training
|
Beschrijving: Evaluatie van de acceptatie, waargenomen nuttigheid, bruikbaarheid en tevredenheid van de deelnemers met het op kunstmatige intelligentie ondersteunde leerplatform. Data zal worden verzameld via focusgroepdiscussies. Analysemethode: Resultaten zullen worden geanalyseerd met thematische analyse om terugkerende patronen en thema's te identificeren. Meeteenheid: Dit is een kwalitatieve uitkomst; resultaten zullen worden gerapporteerd als narratieve thema's (bijvoorbeeld: "Verbeterd Rekenvertrouwen" of "Tevredenheid over Gebruikersinterface"). |
2 weken na voltooiing van de AI-ondersteunde training
|
Medewerkers en onderzoekers
Sponsor
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
Trefwoorden
Andere studie-ID-nummers
- AU-20-6-393
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Bestudeer gegevens/documenten
-
Leerprotocool
Informatie opmerkingen: Beschikbaar op aanvraag bij de hoofdonderzoeker voor legitieme onderzoeksdoeleinden
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
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 .