Simulação Baseada em IA Generativa para Comunicação de Diagnóstico em Diabetes Tipo 2 (DIALOGUE-DM2) (DIALOGUE-DM2)
Simulação de IA Generativa para Comunicação Diagnóstica na Diabetes Tipo 2: Um Ensaio Controlado Randomizado (DIALOGUE-DM2)
Este ensaio controlado randomizado avalia a eficácia de um programa de simulação baseado em inteligência artificial (IA) generativa na melhoria das competências de comunicação diagnóstica entre estudantes de medicina. O estudo é realizado na Faculdade de Estudos Superiores Iztacala, da Universidade Nacional Autónoma do México (UNAM).
Um total de 120 estudantes de medicina são randomizados para um grupo de intervenção que utiliza a plataforma de simulação de IA DIALOGUE-DM2 ou para um grupo de controlo que segue métodos educativos tradicionais. Os participantes realizam um pré-teste, recebem formação de acordo com a atribuição do grupo e, em seguida, são submetidos a uma avaliação pós-teste.
O resultado primário é a melhoria nas competências de comunicação diagnóstica, medida por cenários de pacientes padronizados e grelhas de avaliação validadas. Os resultados secundários incluem a confiança autorrelatada, os domínios de comunicação e o acordo inter-avaliadores entre os avaliadores da faculdade e a pontuação da IA.
Este ensaio visa fornecer evidências de alta qualidade sobre o potencial da IA generativa para melhorar a formação em comunicação na educação médica, especificamente no contexto do diagnóstico de diabetes tipo 2.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Este estudo baseia-se num ensaio piloto anterior (publicado em 2024) que demonstrou a viabilidade de utilizar inteligência artificial (IA) generativa para treinar estudantes de medicina em comunicação diagnóstica. O ensaio atual estende esse trabalho com um desenho randomizado, cego e controlado e um tamanho de amostra maior.
Desenho:
O estudo é um ensaio randomizado, cego, de grupos paralelos e controlado, conduzido na Faculdade de Estudos Superiores Iztacala (FES Iztacala), UNAM. Um total de 120 estudantes de medicina estão inscritos e randomizados (1:1) para o grupo de intervenção (treino de simulação baseado em IA) ou para o grupo de controlo (treino tradicional com doentes padronizados e feedback do corpo docente).
Intervenção:
- Grupo de intervenção: Os estudantes interagem com a plataforma DIALOGUE-DM2, que fornece doentes simulados baseados em IA generativa. Eles completam múltiplos cenários de divulgação diagnóstica e recebem feedback imediato sobre o desempenho, com base em rubricas de comunicação padronizadas.
- Grupo de controlo: Os estudantes recebem treino padrão, incluindo palestras e prática supervisionada com role-play entre pares e feedback guiado pelo corpo docente.
Avaliações:
- Pré-teste: Todos os estudantes completam um cenário de doente padronizado com avaliação do corpo docente e da IA antes da intervenção.
- Fase de treino: Os participantes completam o treino atribuído (IA vs. padrão).
- Pós-teste: Os estudantes completam um cenário padronizado de divulgação diagnóstica. Avaliadores independentes do corpo docente (cegos para a atribuição do grupo) e a plataforma de IA classificam o desempenho.
Resultados:
- Resultado primário: Alteração na pontuação de desempenho da comunicação diagnóstica do pré-teste para o pós-teste, medida por rubricas validadas (quadro Kalamazoo, MRS).
- Resultados secundários:
- Autoavaliação do estudante sobre a confiança na comunicação.
- Melhorias específicas por domínio (entrega de informação, empatia, explicação de risco, tomada de decisão partilhada).
- Concordância entre avaliadores humanos e pontuação da IA.
Ética e Supervisão:
O estudo foi revisto e aprovado pelo Comité de Ética de Investigação da FES Iztacala, UNAM (Número de Aprovação CE/FESI/042025/1915). Os riscos são mínimos, uma vez que a intervenção é educacional e não invasiva.
Significância:
Este é o primeiro ensaio controlado randomizado no México a avaliar uma simulação baseada em IA generativa para comunicação diagnóstica. Os resultados irão informar a integração de ferramentas de treino baseadas em IA nos currículos de educação médica e poderão contribuir para inovações escaláveis na formação de profissionais de saúde para a gestão de doenças crónicas, começando com a diabetes tipo 2.
Tipo de estudo
Inscrição (Real)
Estágio
- Não aplicável
Contactos e Locais
Locais de estudo
-
-
-
Tlalnepantla, México
- Universidad Nacional Autónoma de México, Faculty of Higher Studies Iztacala (FES Iztacala)
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
Aceita Voluntários Saudáveis
Descrição
Critérios de Inclusão:
- Estudantes de medicina atualmente inscritos na Faculdade de Medicina (Programa de Médico Cirurgião), UNAM-FES Iztacala.
- Idade entre 18 e 30 anos.
- Capaz de fornecer consentimento informado.
- Disposto a participar em todas as fases do estudo (pré-teste, intervenção, pós-teste).
Critérios de Exclusão:
- Participação anterior no estudo piloto DIALOGUE.
- Formação formal prévia em comunicação diagnóstica além do currículo médico padrão.
- Disponibilidade incompleta para as sessões agendadas.
- Recusa ou incapacidade de fornecer consentimento informado.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Pesquisa de serviços de saúde
- Alocação: Randomizado
- Modelo Intervencional: Atribuição Paralela
- Mascaramento: Triplo
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Experimental: Formação por Simulação Baseada em IA (DIALOGUE-DM2)
Os estudantes de medicina atribuídos a este grupo receberão formação utilizando a plataforma DIALOGUE-DM2, que fornece pacientes simulados baseados em IA generativa.
Os participantes irão envolver-se em múltiplos cenários de divulgação de diagnóstico focados na diabetes tipo 2 e receberão feedback imediato gerado pelo sistema de IA.
O feedback está alinhado com estruturas de comunicação validadas (Kalamazoo, MRS).
A formação é conduzida ao longo de várias sessões antes da avaliação pós-teste.
|
Os estudantes de medicina interagem com a plataforma DIALOGUE-DM2, um sistema de simulação baseado em IA generativa.
A plataforma proporciona encontros com pacientes virtuais focados na divulgação do diagnóstico de diabetes tipo 2.
Os estudantes completam múltiplos cenários simulados e recebem feedback imediato gerado por IA, alinhado com rubricas de comunicação padronizadas (Kalamazoo, MRS).
A formação visa melhorar as competências de comunicação de diagnóstico antes da avaliação pós-teste.
|
|
Comparador Ativo: Formação Tradicional
Os estudantes de medicina atribuídos a este braço receberão formação tradicional em competências de comunicação.
Isto inclui palestras, dramatização entre pares e sessões de feedback supervisionadas por docentes que abrangem a divulgação diagnóstica na diabetes tipo 2.
Os participantes completarão o mesmo número de sessões de formação que o grupo de intervenção antes da avaliação pós-teste.
|
Os estudantes de medicina recebem formação tradicional em comunicação de diagnóstico.
Isto inclui palestras, role-play entre pares e sessões de feedback supervisionadas por docentes que abrangem a divulgação de diagnóstico em diabetes tipo 2.
A duração da formação e o número de sessões são correspondidos ao grupo de intervenção.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Alteração na Pontuação de Performance de Comunicação de Diagnóstico
Prazo: Aproximadamente 12 semanas (do pré-teste ao pós-teste por participante).
|
Melhoria nas competências de comunicação de diagnóstico, medida através de rubricas validadas - a Kalamazoo Essential Elements Communication Checklist e a Medical Communication Rating Scale (MCRS) - aplicadas a cenários de pacientes padronizados.
Serão utilizados avaliadores independentes da faculdade cegos e pontuação por IA.
As pontuações variam de 0 a 100, com valores mais altos indicando um melhor desempenho na comunicação de diagnóstico.
|
Aproximadamente 12 semanas (do pré-teste ao pós-teste por participante).
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Alteração na Confiança Auto-Reportada pelos Estudantes na Comunicação de Diagnóstico
Prazo: Aproximadamente 12 semanas (do pré-teste ao pós-teste por participante).
|
Alteração na confiança auto-relatada dos alunos ao divulgar um diagnóstico de diabetes tipo 2, medida através de um questionário estruturado utilizando uma escala de Likert de 5 pontos (1 = confiança muito baixa, 5 = confiança muito alta).
Pontuações mais elevadas indicam maior confiança auto-percebida na comunicação do diagnóstico.
|
Aproximadamente 12 semanas (do pré-teste ao pós-teste por participante).
|
|
Alteração nos Pontuções de Comunicação Diagnóstica Específica do Domínio (Estrutura Kalamazoo e Escala de Avaliação da Comunicação Médica)
Prazo: Aproximadamente 12 semanas (do pré-teste ao pós-teste por participante).
|
Melhoria em domínios de comunicação específicos - entrega de informação, empatia, explicação de riscos e tomada de decisão partilhada - avaliados usando a Lista de Verificação de Elementos Essenciais de Comunicação de Kalamazoo e a Escala de Classificação de Comunicação Médica (MCRS).
Cada domínio é pontuado de 0 a 100, com pontuações mais altas a indicar melhor desempenho.
|
Aproximadamente 12 semanas (do pré-teste ao pós-teste por participante).
|
|
Acordo Entre Avaliadores Humanos e Pontuação por IA
Prazo: Avaliado no pós-teste, aproximadamente 12 semanas após a linha de base por participante.
|
Nível de concordância entre avaliadores humanos cegos e a pontuação baseada em IA do desempenho da comunicação diagnóstica, avaliado através do coeficiente kappa de Cohen (κ).
As pontuações variam de -1,0 a +1,0, em que valores mais próximos de +1,0 indicam uma concordância mais forte entre os avaliadores.
|
Avaliado no pós-teste, aproximadamente 12 semanas após a linha de base por participante.
|
|
Satisfação do Estudante com o Método de Formação Atribuído
Prazo: Avaliado imediatamente após a conclusão do pós-teste, aproximadamente 12 semanas após a linha de base por participante.
|
Satisfação com o método de treino atribuído (simulação baseada em IA vs. treino tradicional), medida através de um questionário de satisfação estruturado de 5 pontos de Likert (1 = muito insatisfeito; 5 = muito satisfeito).
Pontuações mais elevadas indicam maior satisfação com o método de treino.
|
Avaliado imediatamente após a conclusão do pós-teste, aproximadamente 12 semanas após a linha de base por participante.
|
Colaboradores e Investigadores
Patrocinador
Publicações e links úteis
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Estimado)
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
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- UNAM-DIALOGUE-DM2-2025
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Prazo de Compartilhamento de IPD
Critérios de acesso de compartilhamento IPD
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- SEIVA
- CIF
- ANALYTIC_CODE
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 .