Evaluering av AI-genererte vanlige språkoppsummeringer om pasientforståelse av oftalmologi-merknader blant engelsktalende pasienter

Denne studien benytter en to-arm randomisert kontrollert studie for å evaluere om kunstig intelligens (AI) -generert vanlig språkoppsummeringer (PLSS) kan forbedre pasientforståelsen av oftalmologiske merknader. Kvalifiserte deltakere rekrutteres under sine rutinemessige besøk ved Jules Stein Eye Institute, og når de er vist ved bruk av standardiserte kliniske kriterier, blir de tilfeldig tildelt å enten motta standard oftalmologi-notatet (SON) eller sønnen supplert med en AI-generert PLS. Randomiseringsprosessen bruker en datamaskingenerert sekvens med skjult tildeling for å sikre objektiv gruppeoppgave.

AI -systemet som ble brukt i denne studien er distribuert lokalt på et sikret UCLA -intranett. Den utnytter en stor språkmodell (LLM) som er tilpasset og validert for å generere vanlige språkforklaringer av kompleks oftalmologisk informasjon. All behandling skjer på UCLA-godkjente, krypterte enheter, og ingen data overføres eksternt. Før PLS blir gitt til deltakerne, blir hvert sammendrag gjennomgått av en øyelege for å bekrefte nøyaktighet og sikre at essensielle kliniske detaljer blir riktig og tydelig kommunisert.

Datainnsamling utføres ved hjelp av undersøkelsesinstrumenter. Undersøkelsen inkluderer en serie med 5-punkts Likert-skalaelementer, åpne spørsmål og strukturerte responsseksjoner designet for å vurdere forståelse av diagnose, behandlingsplaner og oppfølgingsinstruksjoner. Deltakerne fullfører undersøkelsen umiddelbart etter klinikkbesøket, og et oppfølgingstelefonintervju gjennomføres omtrent syv dager senere av trent forskningspersonell for å fange ytterligere tilbakemelding om klarhet og oppbevaring av informasjonen som er gitt. Studien bruker ikke lyd- eller videoopptak; Alle svarene blir enten direkte registrert av forskningspersonell eller inngått elektronisk i en sikret database.

Statistiske analyser vil bli utført ved hjelp av standard programvarepakker for å sammenligne resultatene mellom intervensjons- og kontrollgruppene. Primære analyser inkluderer uavhengige t-tester eller Mann-Whitney U-tester for kontinuerlige variabler, chi-square-tester for kategoriske variabler, og multivariable regresjonsmodeller for å justere for forvirrende variabler som alder, utdanningsnivå og baseline helseferdighet. Utvalgsstørrelsen ble beregnet for å oppdage klinisk meningsfulle forskjeller i forståelsesresultater, med effektanalyser som indikerte et behov for mellom 460 og 2030 deltakere avhengig av effektstørrelse.

Datasikkerhet opprettholdes gjennom strenge tiltak. Elektroniske data lagres på krypterte, UCLA-sikrede bærbare datamaskiner og i et sikkert bokselager. All databehandling følger UCLA -retningslinjer og IRB -retningslinjer for dataoppbevaring og ødeleggelse, med identifiserbar informasjon ødelagt ved hjelp av sikre metoder når den ikke lenger er nødvendig.

Prosedyrer for kvalitetskontroll inkluderer periodiske revisjoner av datainnføring, regelmessige gjennomgangsmøter med studiepersonell og kryssjekker av undersøkelsesresponsene mot kliniske poster der det er aktuelt. En uavhengig overvåkningsprosess er på plass for å sikre overholdelse av studieprotokollen og for å adressere eventuelle avvik omgående.

Totalt sett er denne studien designet for å gi robuste bevis på muligheten og effektiviteten til AI-generert PLSS for å styrke pasientforståelsen av kompleks medisinsk informasjon. Ved å integrere tekniske garantier, strenge statistiske metoder og en strømlinjeformet datainnsamlingsprosess, har forskningen som mål å levere innsikt som kan føre til forbedrede pasientkommunikasjonsstrategier og mer effektiv levering av helsehjelp på tvers av flere spesialiteter.