Duże modele językowe ułatwiające leczenie onkologii ginekologiczne (EASING)
Studenci medycyny i ich postrzeganie dużych modeli językowych (LLM) w ginekologii onkologii
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Technologie Advanced Artificial Intelligence (AI), szczególnie duże modele językowe, takie jak Chatgpt Openai, mają znaczący potencjał do poprawy podejmowania decyzji medycznych. Chociaż CHATGPT nie był specjalnie zaprojektowany do zastosowań medycznych, wykazał użyteczność w różnych scenariuszach opieki zdrowotnej, w tym w odpowiedzi na pytania pacjentów, opracowywanie dokumentacji medycznej i pomoc w konsultacjach klinicznych. Pomimo tych postępów jego rola we wspieraniu leczenia decyzyjnego podejmowania decyzyjnych w złożonych przypadkach onkologicznych-renemenach niedostosowanych.
Podejmowanie decyzji dotyczących leczenia w onkologii ginekologicznej jest wieloaspektowym procesem, który integruje wytyczne oparte na dowodach, biologię nowotworu, czynniki specyficzne dla pacjenta i wiedzę kliniczną. Narzędzia AI, takie jak CHATGPT, mogą potencjalnie pomóc w syntezy odpowiednich zaleceń opartych na wytycznych, poprawie dokładności decyzji i ułatwianiu bardziej wydajnych klinicznych przepływów pracy. Jednak chatgpt nie jest specjalnie dostosowany do decyzji o leczeniu onkologicznym i nie ma kompleksowej walidacji w tej dziedzinie. Ponadto może generować dezinformację lub prawdopodobne, ale niedokładne zalecenia, które mogą wpłynąć na osąd kliniczny. Dlatego zrozumienie, w jaki sposób lekarze, w tym studenci i lekarze wczesnej kariery, wchodzą w interakcje z takimi narzędziami AI, jest niezbędne przed szerszą integracją z praktyką kliniczną. Modele lokalne, takie jak LAMA, umożliwiają bezpieczne, lokalne użycie, podczas gdy generacja odzysku zapewnia zalecenia zgodne z wytycznymi.
To badanie zbada wpływ modeli językowych na wsparcie decyzji o leczeniu dla studentów medycyny zarządzających przypadkami onkologii ginekologicznej. Jest to badanie crossover, w którym uczestnicy będą losowo losowo w dwie grupy. Wszyscy uczestnicy zaczynają od dostępu do Chatgpt dla dwóch winiet. Następnie kontynuują dwa przypadki przy użyciu albo lokalnie wdrażanego modelu języka, a następnie dwa przypadki oparte na wytycznych PDF lub odwrotnie.
Każdy uczestnik przeanalizuje przypadki kliniczne, proponuje plany leczenia i oceni swoje zaufanie do swoich decyzji i użyteczności systemu wsparcia decyzji. To badanie ma na celu zapewnienie wglądu w potencjalne korzyści i ograniczenia integracji narzędzi AI, takich jak Chatgpt w podejmowaniu decyzji o leczeniu onkologicznym.
Typ studiów
Zapisy (Rzeczywisty)
Faza
- Nie dotyczy
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Marburg, Niemcy, 35043
- Institute for Digital Medicine, University Hospital of Giessen and Marburg, Philipps University Marburg
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Opis
Kryteria włączenia:
- studenci medycyny rozpoczęli od osób klinicznych
Kryteria wykluczenia:
- Nie będąc studentem medycyny
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Główny cel: Leczenie
- Przydział: Randomizowane
- Model interwencyjny: Zadanie krzyżowe
- Maskowanie: Pojedynczy
Broń i interwencje
Grupa uczestników / Arm |
Interwencja / Leczenie |
|---|---|
|
Inny: Najpierw lokalny model języka
Grupa otrzyma dostęp do lokalnego modelu języka po użyciu chatgpt
|
Grupa otrzyma najpierw dostęp do lokalnego modelu języka po użyciu Chatgpt, a następnie uzyska dostęp do pliku PDF
|
|
Inny: Wytyczne PDF Najpierw
Grupa otrzyma dostęp do wytycznych PDF najpierw po użyciu chatgpt
|
Grupa otrzyma dostęp do pliku PDF po Chatgpt, a następnie do lokalnego modelu języka
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Zgodność leczenia za pomocą decyzji rady nowotworowej
Ramy czasowe: bezpośrednio (w ciągu 10 minut) po interwencji
|
Uczestnicy każdej grupy wybierają metody leczenia dla winiet przypadku
|
bezpośrednio (w ciągu 10 minut) po interwencji
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Zaufanie leczeniem
Ramy czasowe: bezpośrednio (w ciągu 10 minut) po interwencji
|
W każdym przypadku uczestnicy zostaną poproszeni o ich zaufanie do leczenia (VAS 0-10).
Średni wynik zostanie porównany między grupami wsparcia decyzji.
|
bezpośrednio (w ciągu 10 minut) po interwencji
|
|
Czas spędzony na decyzję o leczeniu
Ramy czasowe: bezpośrednio (w ciągu 10 minut) po interwencji
|
Czas (w sekundach) uczestnicy wydają na przypadek między grupami wsparcia decyzji.
|
bezpośrednio (w ciągu 10 minut) po interwencji
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Sebastian Griewing, MD PhD, Philipps University Marburg
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
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 25-29 ANZ (Inny identyfikator: Philipps University Marburg)
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 .