Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Centro de Simulação de Sistema de Apoio à Decisão Clínica Inteligente Artificial Estudo para Aceitação de Tecnologia

20 de maio de 2026 atualizado por: Yale University

Estudo do Centro de Simulação do Sistema de Apoio à Decisão Clínica Inteligente Artificial: Confiança e Utilidade da Ferramenta de Estratificação de Risco de Machine Learning para Hemorragia Gastrointestinal Aguda Usando o Modelo de Aceitação de Tecnologia

O objetivo deste estudo de pesquisa é medir a usabilidade, as atitudes e a confiança do provedor ao interagir com um algoritmo de aprendizado de máquina e um sistema de suporte à decisão clínica no cenário de sangramento do trato gastrointestinal superior (GIB superior). Especificamente, os investigadores estão procurando avaliar a implementação ideal de tais algoritmos de aprendizado de máquina em cenários de simulação para melhor aumentar a utilização e melhorar os resultados. Os participantes serão randomizados para diferentes configurações de implementação do algoritmo de aprendizado de máquina e expostos a casos de simulação do GIB superior para determinar como eles interagem com o algoritmo de aprendizado de máquina.

Visão geral do estudo

Status

Concluído

Intervenção / Tratamento

Descrição detalhada

O experimento inicial implantará um algoritmo de aprendizado de máquina previamente validado, treinado em conjuntos de dados clínicos existentes em cenários de simulação nos quais um paciente com sangramento gastrointestinal agudo (com risco baixo, moderado e alto de mau resultado) é avaliado.

Antes da simulação, um módulo educacional básico sobre inteligência artificial, aprendizado de máquina e suporte à decisão clínica será fornecido a todos os participantes. Os investigadores estabelecerão segurança psicológica detalhando o que está disponível na sala, a oportunidade de chamar um consultor e a disponibilidade de estudos laboratoriais e radiográficos. Cada cenário clínico será executado por aproximadamente 10 minutos com base em casos reais de pacientes em que os sinais vitais mudam com o tempo e os valores laboratoriais são disponibilizados em pontos específicos da avaliação. O estudo segue um projeto fatorial 3 (risco do cenário: baixo, médio, vs. alto) por 2 (enquadramento AI: ferramenta vs. membro da equipe) por 2 (transparência: baixo vs. alto). Cada participante recebe todos os três cenários em ordem crescente de risco (fator dentro do sujeito), mas é randomizado para um enquadramento AI e uma condição de tratamento de transparência (fatores entre os sujeitos).

Para o tratamento de enquadramento do membro da equipe de IA, durante o briefing de pré-simulação, os participantes receberão uma estrutura de algoritmos de inteligência artificial / aprendizado de máquina como um membro da equipe, e não apenas uma ferramenta, com a introdução do conceito de uma teoria da mente para algoritmos entender como seu raciocínio pode complementar o raciocínio humano. Além disso, a estação de trabalho do computador na qual o algoritmo é executado será colocada ao lado do leito do paciente. Além disso, o AI-CDSS será apresentado em uma interface estilo chatGPT/GPT-4 chatbot com a qual os provedores podem interagir naturalmente ao lado do leito. Na condição de enquadramento da ferramenta, será fornecida uma explicação típica do AI-CDSS como uma ferramenta. Nesse caso, o computador com o algoritmo será colocado em um canto afastado do paciente. Como tal, será apresentado como um banquinho tipo calculadora.

Para o tratamento de transparência, a saída algorítmica terá "baixa" transparência (com apenas a avaliação de risco e recomendação) ou "alta" transparência (com uma explicação das entradas do modelo e a capacidade de consultar as entradas por meio de cliques direcionados ao usuário em um aplicativo da web na condição de enquadramento da ferramenta ou diretamente com a interface derivada do ChatGPT que pode processar consultas direcionadas ao usuário em um chatbot de linguagem natural amigável na estrutura do membro da equipe, resultando na apresentação de entradas que afetam a saída do modelo para fornecer um modelo mental de o algoritmo).

Tipo de estudo

Intervencional

Inscrição (Real)

108

Estágio

  • Não aplicável

Contactos e Locais

Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.

Locais de estudo

    • Connecticut
      • New Haven, Connecticut, Estados Unidos, 06510
        • Yale New Haven Hospital

Critérios de participação

Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.

Critérios de elegibilidade

Idades elegíveis para estudo

  • Filho
  • Adulto
  • Adulto mais velho

Aceita Voluntários Saudáveis

Sim

Descrição

Critério de inclusão:

  • Estagiários de residência em Medicina Interna na instituição de estudo
  • Estagiários da residência em Medicina de Emergência na instituição de estudo

Critério de exclusão:

  • N / D

Plano de estudo

Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.

Como o estudo é projetado?

Detalhes do projeto

  • Finalidade Principal: Pesquisa de serviços de saúde
  • Alocação: N / D
  • Modelo Intervencional: Atribuição Paralela
  • Mascaramento: Nenhum (rótulo aberto)

Armas e Intervenções

Grupo de Participantes / Braço
Intervenção / Tratamento
Experimental: Interação baseada em modelo de linguagem grande
Chatbot com tecnologia LLM com o painel de aprendizado de máquina para fornecer a avaliação de risco e fundamentar com base nas métricas de interpretabilidade fornecidas pelo painel no qual os participantes do estudo podem interagir diretamente usando linguagem natural. Os participantes receberão o painel do modelo de aprendizado de máquina alimentado por chatbot Generative Pre-trained Transformer (GPT).
Uso de uma interface de chatbot de modelo de linguagem grande (LLM) para interagir com o algoritmo de aprendizado de máquina e o painel de interpretabilidade.
Sem intervenção: Painel de aprendizado de máquina
Saída do algoritmo de aprendizado de máquina com um painel interativo que pode ser usado para explicar ou interpretar os fatores de entrada que mais contribuem para a pontuação de risco gerada. Os participantes terão acesso apenas ao painel de aprendizado de máquina.

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Median Change in Attitudes Towards Machine Learning Algorithms in Clinical Care Using UTAUT
Prazo: 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

Medidas de resultados secundários

Medida de resultado
Descrição da medida
Prazo
Clinician Decision Making of Triage of GI Bleeding
Prazo: 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

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Patrocinador

Investigadores

  • Investigador principal: Dennis Shung, MD, Yale School of Medicine Section of Digestive Diseases

Publicações e links úteis

A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.

Datas de registro do estudo

Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados ​​pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.

Datas Principais do Estudo

Início do estudo (Real)

23 de maio de 2023

Conclusão Primária (Real)

31 de dezembro de 2024

Conclusão do estudo (Real)

31 de dezembro de 2024

Datas de inscrição no estudo

Enviado pela primeira vez

13 de março de 2023

Enviado pela primeira vez que atendeu aos critérios de CQ

14 de abril de 2023

Primeira postagem (Real)

18 de abril de 2023

Atualizações de registro de estudo

Última Atualização Postada (Real)

22 de maio de 2026

Última atualização enviada que atendeu aos critérios de controle de qualidade

20 de maio de 2026

Última verificação

1 de maio de 2026

Mais Informações

Termos relacionados a este estudo

Plano para dados de participantes individuais (IPD)

Planeja compartilhar dados de participantes individuais (IPD)?

NÃO

Informações sobre medicamentos e dispositivos, documentos de estudo

Estuda um medicamento regulamentado pela FDA dos EUA

Não

Estuda um produto de dispositivo regulamentado pela FDA dos EUA

Não

Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .

Se inscrever