Centrum symulacji sztucznego inteligentnego systemu wspomagania decyzji klinicznych w celu akceptacji technologii
Centrum Symulacji Sztucznego Inteligentnego Systemu Wspomagania Decyzji Klinicznych Badanie: Zaufanie i przydatność uczenia maszynowego Narzędzie do stratyfikacji ryzyka w przypadku ostrego krwawienia z przewodu pokarmowego przy użyciu modelu akceptacji technologii
Przegląd badań
Szczegółowy opis
W początkowym eksperymencie wykorzystany zostanie wcześniej zweryfikowany algorytm uczenia maszynowego przeszkolony na istniejących zestawach danych klinicznych w ramach scenariuszy symulacyjnych, w których oceniany jest pacjent z ostrym krwawieniem z przewodu pokarmowego (o niskim, umiarkowanym i wysokim ryzyku złego wyniku).
Przed symulacją wszyscy uczestnicy otrzymają podstawowy moduł edukacyjny dotyczący sztucznej inteligencji, uczenia maszynowego i wspomagania decyzji klinicznych. Badacze ustalą bezpieczeństwo psychiczne, wyszczególniając, co jest dostępne w pokoju, możliwość wezwania konsultanta, dostępność badań laboratoryjnych i radiograficznych. Każdy scenariusz kliniczny będzie realizowany przez około 10 minut w oparciu o rzeczywiste przypadki pacjentów, w których parametry życiowe zmieniają się w czasie, a wartości laboratoryjne są udostępniane w określonych punktach oceny. Badanie opiera się na schemacie czynnikowym 3 (ryzyko scenariusza: niskie, średnie, vs. wysokie) x 2 (ramki AI: narzędzie vs. członek zespołu) x 2 (przejrzystość: niskie vs. wysokie). Każdy uczestnik otrzymuje wszystkie trzy scenariusze w kolejności rosnącego ryzyka (czynnik wewnątrzobiektowy), ale jest losowo przydzielany do jednej ramki AI i jednego warunku leczenia przezroczystości (czynniki międzyobiektowe).
W przypadku leczenia kadrowania członków zespołu AI, podczas odprawy przed symulacją, uczestnicy otrzymają ramy algorytmów sztucznej inteligencji / uczenia maszynowego jako członek zespołu, a nie tylko narzędzie, wraz z wprowadzeniem koncepcji teorii umysłu aby algorytmy zrozumiały, w jaki sposób ich rozumowanie może uzupełniać rozumowanie człowieka. Ponadto stanowisko komputerowe, na którym wykonywany jest algorytm, zostanie umieszczone przy łóżku pacjenta. Ponadto AI-CDSS zostanie zaprezentowany w interfejsie chatbota ChatGPT/GPT-4, z którym dostawcy mogą naturalnie wchodzić w interakcje przy łóżku pacjenta. W warunkach ramowania narzędzia otrzymają typowe wyjaśnienie AI-CDSS jako narzędzia. W takim przypadku komputer z algorytmem zostanie umieszczony w rogu z dala od pacjenta. W związku z tym będzie prezentowany jako stołek typu kalkulator.
W przypadku traktowania przezroczystości dane wyjściowe algorytmu będą miały „niską” przejrzystość (tylko z oceną ryzyka i zaleceniami) lub „wysoką” przejrzystość (z wyjaśnieniem danych wejściowych modelu i możliwością zapytania danych wejściowych poprzez kliknięcia kierowane przez użytkownika w aplikacja internetowa w stanie ramkowania narzędzia lub bezpośrednio z interfejsem wywodzącym się z ChatGPT, która może przetwarzać zapytania kierowane przez użytkownika w przyjaznym dla użytkownika chatbocie języka naturalnego w ramach członków zespołu, co skutkuje prezentacją danych wejściowych, które wpływają na dane wyjściowe modelu, aby zapewnić mentalny model algorytm).
Typ studiów
Zapisy (Rzeczywisty)
Faza
- Nie dotyczy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Connecticut
-
New Haven, Connecticut, Stany Zjednoczone, 06510
- Yale New Haven Hospital
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Opis
Kryteria przyjęcia:
- Praktykanci rezydentury z chorób wewnętrznych w instytucji badawczej
- Stażyści rezydenci medycyny ratunkowej w instytucji badawczej
Kryteria wyłączenia:
- Nie dotyczy
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Badania usług zdrowotnych
- Przydział: Nie dotyczy
- Model interwencyjny: Przydział równoległy
- Maskowanie: Brak (otwarta etykieta)
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Eksperymentalny: Interakcja oparta na modelu dużego języka
Chatbot oparty na LLM z pulpitem nawigacyjnym uczenia maszynowego, który zapewnia ocenę ryzyka i przedstawia uzasadnienie w oparciu o metryki interpretowalności zapewniane przez pulpit nawigacyjny, w którym uczestnicy badania mogą bezpośrednio wchodzić w interakcje przy użyciu języka naturalnego.
Uczestnicy otrzymają pulpit nawigacyjny modelu uczenia maszynowego opartego na chatbocie Generative Pre-trained Transformer (GPT).
|
Korzystanie z interfejsu chatbota modelu dużego języka (LLM) do interakcji z algorytmem uczenia maszynowego i pulpitem nawigacyjnym interpretowalności.
|
|
Brak interwencji: Pulpit nawigacyjny uczenia maszynowego
Dane wyjściowe algorytmu uczenia maszynowego z interaktywnym pulpitem nawigacyjnym, którego można użyć do wyjaśnienia lub zinterpretowania czynników wejściowych, które w największym stopniu przyczyniają się do wygenerowanej oceny ryzyka.
Uczestnicy będą mieli dostęp tylko do pulpitu nawigacyjnego uczenia maszynowego.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Median Change in Attitudes Towards Machine Learning Algorithms in Clinical Care Using UTAUT
Ramy czasowe: Approximately 60 minutes
|
The study will use a common set of dependent variables to assess baseline and post-intervention attitudes towards machine learning algorithms in clinical care using an adapted Unified Theory of Acceptance and Use of Technology (UTAUT) survey assessing perceived usefulness of the system, perceived ease of use, attitudes towards using it, behavioral intentions, and trust, measured with a 5-point Likert scale.
Percent change in UTAUT survey response between Large Language Model-based Interaction and Machine Learning Dashboard at recruitment prior to administration of scenarios and immediately after completion of scenarios.
The difference in time between the two will be approximately 60 minutes.
Higher change indicates greater acceptance/intention to use the GutGPT+Dashboard.
|
Approximately 60 minutes
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Clinician Decision Making of Triage of GI Bleeding
Ramy czasowe: Approximately 60 minutes
|
Mean percentage of decision accuracy per participant.
Accuracy is defined as the percentage of times participants accurately choose the correct clinical decision for each simulation scenario of acute upper GI bleeding for each treatment condition.
Immediately after completion of scenarios (60 minutes from initiation of study for each participant).
No further follow up afterwards.
|
Approximately 60 minutes
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Dennis Shung, MD, Yale School of Medicine Section of Digestive Diseases
Publikacje i pomocne linki
Publikacje ogólne
- Laine L, Jensen DM. Management of patients with ulcer bleeding. Am J Gastroenterol. 2012 Mar;107(3):345-60; quiz 361. doi: 10.1038/ajg.2011.480. Epub 2012 Feb 7.
- Laine L. Risk Assessment Tools for Gastrointestinal Bleeding. Clin Gastroenterol Hepatol. 2016 Nov;14(11):1571-1573. doi: 10.1016/j.cgh.2016.08.003. Epub 2016 Aug 10. No abstract available.
- Leonardi, P. M. 2009. Why do people reject new technologies and stymie organizational changes of which they are in favor? Exploring misalignments between social interactions and materiality. Human Communication Research, 35(3): 407-441.
- Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27(3), 425-478
- Chung S, Giuffre M, Rajashekar N, Pu Y, Shin YE, Kresevic S, Chan C, Nakamura-Sakai S, You K, Saarinen T, Hsiao A, Wong AH, Evans L, McCall T, Kizilcec RF, Sekhon J, Laine L, Shung DL. Usability and adoption in a randomized trial of GutGPT a GenAI tool for gastrointestinal bleeding. NPJ Digit Med. 2025 Aug 18;8(1):527. doi: 10.1038/s41746-025-01896-5.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 2000034521
- 1K23DK125718-01A1 (Grant/umowa NIH USA)
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .