Avaliando a eficácia e a aceitabilidade de um GPT-4O e chatbot de voz à base de trava para triagem de depressão usando PHQ-9 (GPT4-RAG-PHQ)
Este estudo tem como objetivo avaliar a viabilidade e a aceitabilidade de um chatbot baseado em voz, alimentado pelo GPT-4O e geração de recuperação de recuperação (RAG), para realizar a triagem de depressão usando o Questionário de Saúde do Paciente-9 (PHQ-9). O PHQ-9 é um instrumento de autorrelato validado amplamente usado para rastrear, diagnosticar e monitorar a gravidade da depressão. Consiste em nove perguntas que correspondem ao manual de diagnóstico e estatística dos critérios de transtornos mentais (DSM-5) para o transtorno depressivo maior. Os entrevistados classificam a frequência dos sintomas experimentados nas últimas duas semanas em uma escala de 0 ("de todo") a 3 ("quase todos os dias"). A pontuação total (variando de 0 a 27) indica a gravidade dos sintomas depressivos, categorizados em depressão mínima, leve, moderada, moderadamente grave ou grave. O PHQ-9 também é usado para avaliar o comprometimento funcional e orientar as decisões de tratamento em ambientes clínicos e de pesquisa.
O chatbot baseado em voz integra o GPT-4O, com o RAG para aprimorar sua capacidade de fornecer respostas informadas e contextualizadas durante as interações. O GPT-4O serve como motor de conversação, capaz de gerar diálogo humano, empático e contextualmente apropriado. O RAG, por outro lado, permite que o chatbot recupere e incorpore conhecimento externo e atualizado de um banco de dados ou repositório de conhecimento com curadoria, garantindo a precisão e a confiabilidade de suas respostas.
Visão geral do estudo
Status
Intervenção / Tratamento
Descrição detalhada
A depressão é um desafio de saúde mental predominante, com custos pessoais, sociais e econômicos significativos. Os recursos tradicionais de saúde mental enfrentam barreiras como estigma, disponibilidade limitada e longos tempos de espera. A tecnologia, particularmente as ferramentas movidas a IA, oferece uma oportunidade para preencher essas lacunas. Este estudo utiliza GPT-4O e RAG para criar um chatbot interativo de voz capaz de engajamento de conversação, administrar o questionário PHQ-9 e fornecer feedback personalizado.
Os participantes preencherão o PHQ-9 para o autoteste antes de interagir com o chatbot (os resultados não serão divulgados ao público e serão usados apenas para comparações de precisão), e os resultados de seus autotestes serão comparados com as Resultados fornecidos pelo chatbot em termos de precisão.
A interação chatbot compreende três fases:
Conversas de aquecimento para construção de relacionamento e apoio geral.
- O chatbot inicia diálogos casuais e empáticos para criar relacionamento com os usuários, ajudando-os a se sentirem confortáveis e à vontade antes de fazer a transição para a triagem PHQ-9.
- Os usuários podem fazer perguntas gerais relacionadas à saúde mental, e o chatbot fornece respostas informadas e de apoio.
Administração do questionário PHQ-9 para triagem de depressão.
- O chatbot apresenta o questionário PHQ-9, explicando seu objetivo e como os resultados ajudarão a avaliar a saúde mental do usuário.
- Através da interação da voz, os usuários respondem às nove perguntas PHQ-9 e o chatbot registra suas respostas. O chatbot pode esclarecer perguntas ou fornecer um contexto adicional se os usuários tiverem dificuldade em entender itens específicos.
Análise dos resultados e entrega de recomendações personalizadas.
- Depois que o usuário concluir o PHQ-9, o chatbot analisa as respostas, calcula a pontuação total e categoriza os resultados em níveis de gravidade (por exemplo, leve, moderado).
- Com base na pontuação, o chatbot fornece recomendações personalizadas, como estratégias de auto-ajuda para sintomas leves ou sugerindo serviços profissionais de saúde mental para casos mais graves.
Os participantes interagem com o chatbot e depois participarão de uma entrevista semiestruturada de 1 hora para fornecer feedback sobre sua experiência. O estudo concentra-se na avaliação da aceitabilidade e viabilidade do uso desses chatbots baseados em LLM na triagem de saúde mental e identificação de possíveis melhorias e riscos.
Objetivos de estudo Objetivos Primários
Avaliar a aceitabilidade, viabilidade e precisão de um GPT-4O e chatbot de voz baseado em RAG (Hopebot) para triagem de depressão usando PHQ-9.
Hipótese: os participantes mostraram alta aceitação do Hopebot (superior a 65%) e alta disposição de usar esse chatbot baseado em LLM para triagem de saúde mental no futuro (superior a 65%), indicando o reconhecimento da credibilidade do LLM como uma ferramenta de suporte em Triagem de saúde mental (superior a 65%). Os participantes usam o Hopebot para a triagem de depressão correspondiu aos seus resultados de autoteste PHQ-9 em 100%
- Analisar a eficácia do chatbot na identificação de sintomas depressivos e na entrega de recomendações acionáveis.
Hipótese: HopeBot pode ajudar os usuários a fazer o teste PHQ-9 de uma maneira amigável, ajudar os usuários a categorizar as respostas com precisão e fornecer resultados precisos dos testes, os conselhos que eles fornecem são baseados nas diretrizes oficiais do PHQ-9 e mais de 70% de Os usuários dizem que suas respostas são muito eficazes e úteis.
Objetivos secundários
Para avaliar a viabilidade e o desempenho da integração do RAG com o LLM na criação de um chatbot interativo de voz para a saúde mental.
Hipótese: Mais de 65% dos participantes reconheceram que as respostas usando RAG foram mais úteis e eficazes.
- Explorar os pontos fortes, limitações e riscos de implantar LLMs no domínio da saúde mental.
Hipótese: mais de 65% dos usuários dizem que a Hopebot é muito conveniente, mais acessível e isenta de custos para fornecer conselhos sem julgamento. No entanto, 50% ainda expressaram preocupações sobre sua privacidade e segurança de dados.
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Locais de estudo
-
-
-
London, Reino Unido, NW1 2DA
- UCL Institute of Health Informatics
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
A população do estudo é composta por indivíduos saudáveis de 18 a 65 anos que não têm doenças mentais graves. Congratulamo -nos com participantes que têm interesse em tecnologias de inteligência artificial. O recrutamento será realizado online e offline.
Os participantes se envolverão com um sofisticado AI Chatbot, projetado para simular uma consulta com um profissional de saúde mental. Essa interação lhes permite concluir uma avaliação psicométrica, como o teste PHQ-9, de maneira estruturada e conversacional. Ao contrário das versões on-line convencionais do teste PHQ-9, o chatbot oferece interatividade aprimorada. Para indivíduos que podem ter dificuldades em articular ou resumir suas respostas, o chatbot fornece esclarecimentos e assistência usando um modelo de linguagem abrangente.
Após a avaliação, os participantes receberão uma interpretação dos resultados dos testes, juntamente com os conselhos personalizados, entregues de acordo com as diretrizes estabelecidas de saúde mental.
Descrição
Critérios de inclusão:
- Adultos com idades entre 18 e 65 anos.
- Fluente em inglês.
- Acesso a um dispositivo capaz de interação de voz e conexão estável à Internet.
- Disposto a participar da interação chatbot e uma entrevista de acompanhamento.
Critérios de exclusão:
- Diagnóstico psiquiátrico grave atual (por exemplo, psicose, transtorno bipolar).
- Participantes submetidos a tratamento ativo para depressão com um psiquiatra.
- Desconforto com tecnologia baseada em voz ou incapacidade de fornecer consentimento informado.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Viabilidade e aceitabilidade do GPT-4O e Rag Voice Chatbot
Prazo: As entrevistas são realizadas imediatamente após a interação do chatbot.
|
As percepções dos participantes sobre a viabilidade, aceitabilidade e eficácia do chatbot são avaliadas por meio de entrevistas semiestruturadas realizadas após a sessão de interação.
Essas entrevistas exploram temas como a empatia, a usabilidade do chatbot e a experiência geral do usuário.
|
As entrevistas são realizadas imediatamente após a interação do chatbot.
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão da pontuação PHQ-9 pelo chatbot
Prazo: Medido imediatamente após a sessão de interação, uma vez que o chatbot gerou pontuações PHQ-9
|
A precisão das pontuações PHQ-9 geradas pelo chatbot é medida comparando os resultados do chatbot com as pontuações de PHQ-9 auto-relatadas dos participantes coletadas antes da interação.
O acordo será avaliado usando métodos estatísticos como o Kappa de Cohen ou o coeficiente de correlação intraclasse (ICC).
|
Medido imediatamente após a sessão de interação, uma vez que o chatbot gerou pontuações PHQ-9
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Diretor de estudo: Kezhi Li, University College, London
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Estimado)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 26133.001 (Outro identificador: UCL Research Ethics Committee)
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
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 .