Stor språklig modell for klinisk reaoning av fysioterapi -studenter
Mulighet for en randomisert kontrollert studie av store kunstige intelligensbaserte språklige modeller for klinisk resonnementstrening av fysioterapi-studenter. En randomisert kontrollert studie
Klinisk resonnement er en grunnleggende ferdighet for studenter i fysioterapi, slik at de kan samle inn og tolke pasientinformasjon for å ta nøyaktige diagnoser og behandlingsbeslutninger. Tradisjonelle treningsmetoder begrenser ofte studentenes eksponering for et mangfoldig utvalg av kliniske tilfeller, noe som kan begrense utviklingen av disse ferdighetene. Integrasjonen av store språkmodeller (LLM), for eksempel ChatGPT, i fysioterapiutdanning, tilbyr en ny tilnærming for å forbedre klinisk resonnement ved å simulere interaktive og realistiske pasientscenarier.
Denne randomiserte kontrollerte studien tar sikte på å evaluere effektiviteten av et LLM-basert pedagogisk intervensjon for å forbedre kliniske resonnementferdigheter hos fysioterapi-studenter. Studien vil rekruttere totalt 200 tredjeårs fysioterapi studenter fra flere universitetsinstitusjoner. Deltakerne vil bli tilfeldig tildelt en av to grupper:
- Eksperimentell gruppe-Studentene vil motta LLM-basert opplæring, og engasjere seg i en samtale kunstig intelligensmodell for å løse kliniske tilfeller over en 8 ukers periode. Modellen vil gi sanntids svar på spørsmålene deres, slik at de kan avgrense diagnostikk- og behandlingsresonnementet.
- Kontrollgruppe-Studentene vil følge standardplanen, delta i konvensjonell saksbasert læring og overvåket kliniske resonnementøvelser uten AI-basert assistanse.
Det primære resultatet av studien er forbedringen i kliniske resonnementferdigheter, vurdert gjennom standardiserte skriftlige saksevalueringer og strukturerte praktiske undersøkelser. Sekundære utfall inkluderer endringer i digital kompetanse, studentengasjementnivå, generell tilfredshet med den pedagogiske tilnærmingen og kostnadseffektiviteten av intervensjonen.
Ved å vurdere effekten av LLMer på klinisk resonnementstrening, søker denne studien å avgjøre om AI-drevne pedagogiske verktøy effektivt kan utfylle tradisjonell fysioterapiopplæring og forbedre studentenes beredskap for klinisk praksis i den virkelige verden.
Studieoversikt
Status
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Klinisk resonnement er en nøkkelkompetanse for studenter i fysioterapi, slik at de kan vurdere, diagnostisere og lage behandlingsplaner basert på pasientinformasjon. Til tross for dens betydning, begrenser tradisjonelle pedagogiske tilnærminger ofte studentenes eksponering for et bredt utvalg av kliniske tilfeller, og begrenser deres evne til å utvikle omfattende resonnementferdigheter. Fremskritt innen kunstig intelligens, spesielt store språkmodeller (LLM) som ChatGPT, tilbyr en lovende løsning ved å simulere realistiske og interaktive kliniske scenarier.
Denne randomiserte kontrollerte studien (RCT) har som mål å evaluere effektiviteten av en LLM-basert intervensjon sammenlignet med tradisjonelle treningsmetoder for å forbedre kliniske resonnementferdigheter blant fysioterapi-studenter. Tredjeårsstudentene vil bli tilfeldig tildelt enten den eksperimentelle gruppen, og mottar AI-drevet saksbasert opplæring, eller kontrollgruppen, etter konvensjonelle læreplanbaserte saksdiskusjoner.
Intervensjonen vil vare 8 uker, hvor studenter i eksperimentgruppen vil samhandle med en LLM for å løse ukentlige kliniske tilfeller, og etterligne pasientmøter i den virkelige verden. Modellen vil fungere som en virtuell pasient, svare på studentenes henvendelser og la dem foredle sin diagnostiske resonnement og behandlingsplanlegging. Derimot vil kontrollgruppen delta i tradisjonelle skriftlige og veiledede saksdiskusjoner.
Statistisk analyseplan
Data vil bli analysert ved bruk av SPSS versjon 29.0 (SPSS Inc., Chicago, IL, USA). Beskrivende statistikk vil bli brukt til å oppsummere baselineegenskaper for deltakere, med kontinuerlige variabler uttrykt som gjennomsnitt ± standardavvik (SD) eller median [interkvartilt område], avhengig av normalitet, og kategoriske variabler presentert som frekvens (n) og prosent (%). Normalitet av distribusjoner vil bli vurdert ved bruk av Kolmogorov-Smirnov-test og Shapiro-Wilk-testen. Sammenligninger mellom grupper vil bli utført ved hjelp av; Uavhengige t-tester eller Mann-Whitney U-tester for kontinuerlige variabler; Chi-square-tester eller Fishers eksakte test for kategoriske variabler; ANOVA eller lineære blandede modeller med gjentatt måler vil bli brukt til å evaluere endringer over tid i kliniske resonnementspoeng, digital kompetanse og tilfredshetsnivå.
Logistiske regresjonsmodeller vil bli brukt for å utforske prediktorer for engasjement med den LLM-baserte intervensjonen. Effektstørrelser (Cohens D, Rosenthals R) vil bli beregnet for å måle størrelsen på observerte forskjeller. En kostnadseffektivitetsanalyse vil bli utført ved å sammenligne kostnadene for å implementere det LLM-baserte intervensjonen med forbedringen i kliniske resonnementspoeng og studentengasjementnivå.
Statistisk betydning vil bli satt til p <0,05, og alle analyser vil bli utført ved hjelp av en to-tailed tilnærming.
Studietype
Registrering (Antatt)
Fase
- Fase 2
Kontakter og plasseringer
Studiekontakt
- Navn: Alfredo Lerín Calvo, Professor
- Telefonnummer: +34620187457
- E-post: alfredo.lerin@lasallecampus.es
Studiesteder
-
-
Madrid
-
Madrid, Madrid, Spania, 28023
- Rekruttering
- Centro Superior de Estudios Universitarios La Salle
-
Ta kontakt med:
- Alfredo Lerín Calvo, Professor
- Telefonnummer: +34620187457
- E-post: alfredo.lerin@lasallecampus.es
-
Hovedetterforsker:
- Raúl Ferrer Peña, PhD
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
Tar imot friske frivillige
Beskrivelse
Inkluderingskriterier:
- Studenter meldte seg inn i det tredje året av fysioterapiprogrammet ved La Salle Center for Higher University Studies (LCHUS)
- Deltakerne må være mellom 18 og 30 år gamle.
- Studentene må gå med på å delta i studien ved å signere et informert samtykkeskjema etter å ha blitt orientert om studiens mål, prosedyrer og potensielle risikoer.
- Deltakerne må være villige til å engasjere seg med den LLM-baserte plattformen (for den eksperimentelle gruppen) eller delta i tradisjonelle læringsaktiviteter (for kontrollgruppen) i løpet av studien.
Eksklusjonskriterier:
- Studenter med tidligere klinisk erfaring utover det tredje året av fysioterapiopplæring.
- Fysiske eller kognitive funksjonshemninger som kan forstyrre evnen til å delta i eller dra nytte av intervensjonen (f.eks. Visjon, hørsel eller motorisk svekkelse).
- Studenter som ikke gir informert samtykke til å delta i studien.
- Studenter som ikke har tilstrekkelig ferdighet i spansk eller engelsk til å forstå materialene og intervensjonen.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Primært formål: Behandling
- Tildeling: Randomisert
- Intervensjonsmodell: Parallell tildeling
- Masking: Dobbelt
Våpen og intervensjoner
Deltakergruppe / Arm |
Intervensjon / Behandling |
|---|---|
|
Eksperimentell: LLM Group
Deltakere i den eksperimentelle gruppen vil gjennomgå en 8 ukers intervensjon som inkluderer LT-utdanning av Lar Language (LLM) i sin kliniske resonnementutdanning. Studentene vil delta i ukentlige kliniske casesimuleringer ved hjelp av en LLM-drevet plattform (ChatGPT), der de vil samhandle med modellen for å skaffe pasientinformasjon, formulere diagnoser og foreslå behandlingsplaner. LLM vil gi sanntids svar, simulere et virtuelt pasientmøte. Opplæringen vil utfylle standardplanen, slik at studentene kan øve på kliniske resonnementferdigheter i et strukturert og interaktivt AI-assistert miljø. På slutten av intervensjonen vil deltakerne fullføre en endelig saksbasert vurdering for å evaluere forbedringer i klinisk resonnement, digital kompetanse og engasjement med teknologien. |
Intervensjonen i den eksperimentelle gruppen kjennetegnes ved integrering av en stor språkmodell (LLM) -basert interaktiv plattform (ChatGPT) i klinisk resonnementstrening for fysioterapi-studenter.
I motsetning til tradisjonelle pedagogiske tilnærminger, gir denne intervensjonen sanntids, AI-genererte pasientinteraksjoner, slik at studentene aktivt kan delta i virtuelle kliniske case-simuleringer.
|
|
Aktiv komparator: Konvensjonell læringsgruppe
Deltakere i kontrollgruppen vil følge standardplanen for klinisk resonnementstrening over en 8 ukers periode, uten eksponering for den LLM-baserte intervensjonen. Studentene vil delta i ukentlige saksbaserte diskusjoner ved hjelp av tradisjonelle læringsmetoder, inkludert skriftlige saksanalyser og overvåkede diskusjoner med instruktører. Disse øktene vil følge de vanlige pedagogiske rammene som brukes i treningsprogrammer for fysioterapi, og understreker diagnostisk resonnement og behandlingsplanlegging gjennom instruktørledet veiledning. På slutten av treningsperioden vil deltakerne fullføre en endelig saksbasert vurdering for å evaluere sine kliniske resonnementferdigheter, digital kompetanse og generell engasjement med læringsprosessen. |
Intervensjonen i kontrollgruppen følger en tradisjonell saksbasert læringsmetode, som ofte brukes i fysioterapiopplæring.
I motsetning til den eksperimentelle gruppen, er denne treningsmetoden bare avhengig av menneskelig-ledet instruksjon og skriftlig saksanalyse, uten integrering av kunstig intelligens eller interaktive digitale verktøy.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Klinisk resonnementytelse
Tidsramme: Vurdert i begynnelsen og slutten av 8-ukers intervensjon gjennom saksbaserte vurderinger og praktiske evalueringer.
|
Dette utfallet måler forbedringen i studentenes kliniske resonnementferdigheter etter intervensjonen.
Studentene vil bli vurdert basert på deres evne til å samle inn, tolke og analysere pasientinformasjon og formulere nøyaktige diagnoser og behandlingsplaner.
Dette vil bli evaluert gjennom både skriftlige casestudier og praktiske eksamener ved bruk av Lasater -rubrikken, og er denne skalaen instrumentet som brukes til å evaluere dette resultatet.
|
Vurdert i begynnelsen og slutten av 8-ukers intervensjon gjennom saksbaserte vurderinger og praktiske evalueringer.
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Studentengasjement med intervensjonen
Tidsramme: Overvåket gjennom hele 8-ukers intervensjonsperiode med ukentlig sporing av studentinteraksjoner og fullføringer.
|
Dette utfallet måler nivået av aktivt engasjement av studenter med den LLM-baserte plattformen (eksperimentell gruppe) og den tradisjonelle saksbaserte læring (kontrollgruppe).
Engasjement vil bli vurdert basert på hyppigheten av interaksjoner, varighet av bruk og fullføringshastighet for de tildelte tilfellene.
|
Overvåket gjennom hele 8-ukers intervensjonsperiode med ukentlig sporing av studentinteraksjoner og fullføringer.
|
|
Tilfredshet med den pedagogiske tilnærmingen
Tidsramme: Beregnet ved slutten av intervensjonsperioden ved å bruke kostnadene forbundet med å gi tilgang til den LLM-baserte plattformen og sammenligne den med forbedringene som er observert i andre utfall.
|
Dette utfallet vurderer generell studenttilfredshet med læringsopplevelsen deres, med fokus på effektivitet, brukervennlighet og opplevd verdi av intervensjonen.
Tilfredshet vil bli målt ved hjelp av en visuell analog skala (VAS), der studentene vurderer nivået av tilfredshet med treningsmetoden.
|
Beregnet ved slutten av intervensjonsperioden ved å bruke kostnadene forbundet med å gi tilgang til den LLM-baserte plattformen og sammenligne den med forbedringene som er observert i andre utfall.
|
|
Digitale kompetanser
Tidsramme: Evaluert ved starten og slutten av 8-ukers intervensjon via ad hoc digital kompetanse spørreskjema.
|
Dette resultatet evaluerer studentenes evne til effektivt å bruke digitale verktøy, spesielt AI-drevne plattformer som ChatGPT, i sammenheng med klinisk resonnement.
Studentene vil fylle ut et spørreskjema for digital kompetanse som vurderer ferdighetene sine på tvers av flere domener, for eksempel datahåndtering, helsekommunikasjon og oppretting av digitalt innhold.
Det vil bli vurdert med digitale kompetansespørreskjema utviklet av Montero-Delgado et al. (2020)
|
Evaluert ved starten og slutten av 8-ukers intervensjon via ad hoc digital kompetanse spørreskjema.
|
Samarbeidspartnere og etterforskere
Sponsor
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Lasater K. Clinical judgment development: using simulation to create an assessment rubric. J Nurs Educ. 2007 Nov;46(11):496-503. doi: 10.3928/01484834-20071101-04.
- Milad D, Antaki F, Milad J, Farah A, Khairy T, Mikhail D, Giguere CE, Touma S, Bernstein A, Szigiato AA, Nayman T, Mullie GA, Duval R. Assessing the medical reasoning skills of GPT-4 in complex ophthalmology cases. Br J Ophthalmol. 2024 Sep 20;108(10):1398-1405. doi: 10.1136/bjo-2023-325053.
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Antatt)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- ALC001NR005
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
I denne studien vil ikke de individuelle deltakerdataene (IPD) bli delt offentlig. Dataene som er samlet inn, inkludert kliniske resonnementvurderinger, digital kompetanseevalueringer og poengsum, vil bli brukt utelukkende til formålene med denne forskningsstudien. Tilgang til deltakerdata vil være begrenset til forskerteamet og vil ikke bli gjort tilgjengelig for deling med eksterne parter.
Personvernet og konfidensialiteten til deltakerne vil bli strengt opprettholdt gjennom hele studien. Alle data vil bli anonymisert, og all identifiserbar informasjon vil bli lagret og beskyttet sikkert i samsvar med gjeldende databeskyttelsesforskrifter. I tillegg vil studiens resultater bli delt i samlet form, noe som sikrer at ingen persons data blir avslørt eller identifiserbar i eventuelle offentlige rapporter eller publikasjoner.
Som en del av det etiske engasjementet for å ivareta deltakernes personvern, vil ikke eventuelle forespørsler om tilgang til IPD bli gitt.
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. .