- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05495438
Påvirkning og sikkerhet av AI i beslutningstaking i ICU: et simuleringseksperiment (ICU)
Virkningen av å distribuere kunstig intelligens (AI) i helsevesenet er uklar, spesielt med hensyn til hvordan det vil påvirke menneskelige beslutningstakere. Tidligere forskning viste at AI-varsler ofte ble ignorert (Kamal et al., 2020) eller kunne føre til uventet oppførsel med forverring av pasientresultater (Wilson et al., 2021). På den annen side kan overdreven tillit og tillit til AI ha flere uheldige konsekvenser, inkludert evnen til å oppdage skadelige AI-avgjørelser, noe som kan føre til pasientskade så vel som menneskelig dekompetanse. Noen av disse aspektene er knyttet til automatiseringsbias.
I denne simuleringsstudien har etterforskerne til hensikt å måle om medisinske beslutninger i områder med høy klinisk usikkerhet endres ved bruk av et AI-basert klinisk beslutningsstøtteverktøy. Hvordan dosen av intravenøse væsker (IVF) og vasopressorer administrert av leger hos voksne pasienter med sepsis (alvorlig infeksjon med organsvikt) på intensivavdelingen, endres som følge av avsløring av dosene foreslått av en hypotetisk AI, vil bli målt. Området for gjenoppliving av sepsis er dårlig kodifisert, med høy usikkerhet som fører til stor variasjon i praksis. Denne studien vil ikke spesifikt nevne AI-klinikeren (Komorowski et al., 2018). I stedet vil etterforskerne beskrive en hypotetisk kunstig intelligens som det er bevis for effektivitet på retrospektive data i en annen klinisk setting (f.eks. en modell som ble retrospektivt validert ved bruk av data fra et annet land enn kildedataene som ble brukt til modellopplæring), men ingen prospektiv bevis på effektivitet eller sikkerhet. Som sådan er det mulig for denne hypotetiske AI å gi usikre forslag. Etterforskerne vil med vilje introdusere usikre AI-forslag (i tilfeldig rekkefølge), for å måle følsomheten til deltakerne våre for å oppdage disse.
Studieoversikt
Detaljert beskrivelse
Virkningen av å distribuere kunstig intelligens (AI) i helsevesenet er uklar, spesielt med hensyn til hvordan det vil påvirke menneskelige beslutningstakere. Tidligere forskning viste at AI-varsler ofte ble ignorert (Kamal et al., 2020) eller kunne føre til uventet oppførsel med forverring av pasientresultater (Wilson et al., 2021). På den annen side kan overdreven tillit og tillit til AI ha flere uheldige konsekvenser, inkludert evnen til å oppdage skadelige AI-avgjørelser, noe som kan føre til pasientskade så vel som menneskelig dekompetanse. Noen av disse aspektene er knyttet til automatiseringsbias.
I denne simuleringsstudien har etterforskerne til hensikt å måle om medisinske beslutninger i områder med høy klinisk usikkerhet endres ved bruk av et AI-basert klinisk beslutningsstøtteverktøy. Hvordan dosen av intravenøse væsker (IVF) og vasopressorer administrert av leger hos voksne pasienter med sepsis (alvorlig infeksjon med organsvikt) på intensivavdelingen, endres som følge av avsløring av dosene foreslått av en hypotetisk AI, vil bli målt. Området for gjenoppliving av sepsis er dårlig kodifisert, med høy usikkerhet som fører til stor variasjon i praksis. Denne studien vil ikke spesifikt nevne AI-klinikeren (Komorowski et al., 2018). I stedet vil etterforskerne beskrive en hypotetisk kunstig intelligens som det er bevis for effektivitet på retrospektive data i en annen klinisk setting (f.eks. en modell som ble retrospektivt validert ved bruk av data fra et annet land enn kildedataene som ble brukt til modellopplæring), men ingen prospektiv bevis på effektivitet eller sikkerhet. Som sådan er det mulig for denne hypotetiske AI å gi usikre forslag. Etterforskerne vil med vilje introdusere usikre AI-forslag (i tilfeldig rekkefølge), for å måle følsomheten til deltakerne våre for å oppdage disse.
Etterforskerne skal undersøke hvilke deltakeregenskaper som er knyttet til økt sannsynlighet for å bli påvirket av AI, og gjennomføre en rekke forhåndsspesifiserte undergruppeanalyser, f.eks. junior kontra senior ICU leger, og skille de med en positiv eller en negativ holdning til AI.
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
-
London, Storbritannia, W2 1PG
- Imperial College Hospitals NHS Trust
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Junior (senior husoffiser) eller senior (registrar/stipendiat/konsulent) intensivlege
Ekskluderingskriterier:
- Deltakere som ikke oppfyller inkluderingskriteriene.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
ICU klinikere
|
n/a - Det er ingen intervensjon.
Klinikere vil vurdere forslagene til en hypotetisk AI
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Innflytelse av AI på ICU-klinikere
Tidsramme: 3 måneder
|
Påvirkning av AI på ICU-klinikere, vil dette deles inn i følgende kategorier: samlet og lagdelt etter trygg/utrygg, junior/senior og positiv/negativ holdning til AI.
|
3 måneder
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Deltakernes egenskaper
Tidsramme: 3 måneder
|
Hva kjennetegner de som deltar i simuleringen og hvordan påvirker dette beslutningstaking.
|
3 måneder
|
|
Stol på AI
Tidsramme: 3 måneder
|
Hvor mye stoler ICU-klinikere på AI-systemet.
|
3 måneder
|
|
Tillit til deltakernes beslutninger
Tidsramme: 3 måneder
|
Hvor mye tillit har klinikere til AI-systemet
|
3 måneder
|
|
Andel tid med oppmerksomhet på AI-forklaring
Tidsramme: 3 måneder
|
Hvor er oppmerksomheten rettet under simuleringen
|
3 måneder
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Anslag)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- 22CX7592
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .