LLM-Generowane Podsumowania dla Raporów z MRI Mózgu (CLEAR-HEAD)

Tło Bóle głowy stanowią około 2% do 4% wizyt na oddziałach ratunkowych, co odpowiada około 450 000 konsultacji rocznie we Francji. Podczas gdy 95% tych przypadków to łagodne pierwotne bóle głowy, kluczowe jest zidentyfikowanie wtórnych przyczyn wymagających pilnego postępowania, co często prowadzi do zwiększonego wykorzystania neuroobrazowania, takiego jak MRI. Jednak raporty radiologiczne często zawierają złożony żargon medyczny, który może być trudny do zrozumienia dla pacjentów i lekarzy niespecjalistów, potencjalnie powodując zamieszanie lub niepokój. Duże modele językowe (LLM) wykazały potencjał w upraszczaniu złożonych tekstów medycznych. Chociaż istnieją modele komercyjne, modele open-weights (które można wdrożyć lokalnie, aby zapewnić bezpieczeństwo danych) oferują obiecującą drogę do integracji klinicznej. Niniejsze badanie ma na celu ocenę skuteczności streszczenia w języku prostym wygenerowanego przez sztuczną inteligencję w poprawie zrozumienia przez pacjentów raportów z badania MRI mózgu.

Projekt badania Jest to randomizowane, kontrolowane, pojedynczo zaślepione badanie zagnieżdżone w kohorcie elektronicznej COMPARE. Badanie wykorzystuje projekt równoległych grup z alokacją w stosunku 1:1. Całe badanie jest przeprowadzane zdalnie za pośrednictwem bezpiecznych formularzy online.

Uczestnicy Badanie rekrutuje dorosłych ochotników już zapisanych do kohorty elektronicznej COMPARE. Uczestnicy muszą posiadać wystarczającą znajomość języka francuskiego w piśmie, aby czytać raporty i wypełniać kwestionariusze. Do włączenia nie jest wymagany żaden konkretny stan medyczny, ponieważ badanie wykorzystuje fikcyjne scenariusze przypadków.

Interwencja i procedury Uczestnicy są randomizowani do jednej z dwóch grup za pomocą procedury minimalizacji równoważącej historię MRI mózgu i znaną patologię neurologiczną. Każdy uczestnik jest proszony o przeczytanie sześciu fikcyjnych raportów z badania MRI mózgu symulujących typowe scenariusze nagłego bólu głowy. Sześć raportów obejmuje trzy sytuacje kliniczne: dwa z normalnymi wynikami, dwa z przypadkowymi znaleziskami niewyjaśniającymi bólu głowy oraz dwa z nieprawidłowościami wyjaśniającymi ból głowy. W grupie eksperymentalnej uczestnicy otrzymują standardowy raport MRI wzbogacony o ustrukturyzowany akapit podsumowujący wygenerowany przez model LLM typu open-weights, wstawiony w sekcji Synteza dla pacjenta i lekarza nieradiologa. W grupie kontrolnej uczestnicy otrzymują standardowy raport MRI w jego oryginalnej wersji bez podsumowania wygenerowanego przez AI.

Miary wyników Natychmiast po przeczytaniu każdego raportu uczestnicy wypełniają ustandaryzowany kwestionariusz. Głównym wynikiem jest zrozumienie raportu, mierzone dokładnością odpowiedzi na binarne pytanie: Czy w tym raporcie znaleziono prawdopodobne wyjaśnienie bólu głowy? Wyniki drugorzędne obejmują satysfakcję uczestnika mierzoną na skali Likerta, postrzeganą potrzebę wyjaśnienia przez profesjonalistę, postrzeganą zdolność do wyjaśnienia wyników krewnemu oraz prognozowany poziom lęku.

Analiza statystyczna Główna analiza porówna proporcję poprawnych odpowiedzi między grupami za pomocą mieszanego modelu regresji logistycznej. Model ten będzie obejmował grupę interwencyjną jako efekt stały i uwzględniał skrzyżowane efekty losowe (uczestnik i raport), aby zarządzać korelacją wewnątrzosobniczą i zmiennością między przypadkami klinicznymi. Wielkość próby obliczono na 412 uczestników (206 na grupę), aby wykryć 10% różnicę w zrozumieniu z mocą 95%.