Efeito das Intervenções Baseadas na Perceção na Aceitação Pública do Uso de Modelos de Linguagem de Grande Escala em Medicina
11 de dezembro de 2025 atualizado por: Liu Jue, Peking University
Intervenções Baseadas na Perceção Afetam a Aceitação Pública do Uso de Modelos de Linguagem de Grande Escala na Medicina: Ensaio Controlado Aleatorizado
Os modelos de linguagem de grande escala (LLMs) mostram promessa na medicina, mas persistem preocupações sobre a sua precisão, coerência, transparência e ética.
Até à data, as perceções públicas sobre o uso de LLMs na medicina e se desempenham um papel na aceitabilidade das aplicações de saúde dos LLMs ainda não são totalmente compreendidas.
Este estudo visa investigar as perceções públicas sobre o uso de LLMs na medicina e se intervenções nas perceções afetam a aceitabilidade das aplicações de saúde dos LLMs.
Visão geral do estudo
Status
Ativo, não recrutando
Intervenção / Tratamento
Descrição detalhada
Devido aos rápidos avanços na inteligência artificial, os modelos de linguagem de grande escala (LLMs) estão a ser cada vez mais utilizados numa variedade de contextos clínicos, como triagem, diagnóstico de doenças, planeamento de tratamento e automonitorização.
Apesar do seu potencial, a utilização dos LLMs continua restrita nos contextos de saúde devido à falta de precisão, coerência e transparência, e a preocupações éticas.
As perceções do público, como a utilidade e os riscos percebidos, desempenham um papel crucial na formação das suas atitudes face à inteligência artificial, o que pode facilitar ou dificultar a sua adoção.
No entanto, tanto quanto sabemos, há falta de consciencialização sobre as intervenções baseadas em perceções na saúde e nenhum estudo anterior examinou se as perceções do público desempenham um papel na aceitabilidade das aplicações médicas dos LLMs.
Por conseguinte, este estudo visa investigar as perceções do público sobre a utilização dos LLMs na medicina e se as intervenções para as perceções afetam a aceitabilidade das aplicações de saúde dos LLMs.
Tipo de estudo
Intervencional
Inscrição (Estimado)
3000
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
-
-
Beijing Municipality
-
Beijing, Beijing Municipality, China, 100191
- Jue Liu
-
-
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
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Sim
Descrição
Critérios de Inclusão:
- ≥18 anos
- Capaz de completar um inquérito online
- Concorda em assinar um formulário de consentimento informado
Critérios de Exclusão:
- Incapaz de responder a perguntas ou comunicar
- Não disposto a participar neste estudo
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: Outro
- Alocação: Randomizado
- Modelo Intervencional: Atribuição Paralela
- Mascaramento: Solteiro
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Sem intervenção: Ao controle
Sem intervenção
|
|
|
Experimental: Vantagens percebidas dos grandes modelos de linguagem na medicina
Foi pedido aos participantes que lessem "Em abril de 2023, o Hospital Geral de Massachusetts lançou um programa piloto que utiliza modelos de linguagem médicos (LLMs) para auxiliar na triagem do departamento de emergência e no diagnóstico inicial, tendo observado uma redução nos tempos de espera dos doentes e uma melhoria na eficiência clínica."
|
Os participantes alocados ao grupo de intervenção receberam intervenções baseadas na perceção.
As intervenções para os Grupos 1-3 foram, respetivamente, os benefícios percecionados dos LLMs na medicina, o preconceito racial percecionado nos LLMs na medicina e os conflitos éticos percecionados nos LLMs na medicina.
|
|
Experimental: Perceção de preconceito racial em grandes modelos de linguagem na medicina
Os participantes foram convidados a ler "Em novembro de 2022, uma equipa de investigação da Universidade da Califórnia, em São Francisco, descobriu que os modelos de linguagem médica de ponta exibiam preconceito racial ao recomendar planos de tratamento."
|
Os participantes alocados ao grupo de intervenção receberam intervenções baseadas na perceção.
As intervenções para os Grupos 1-3 foram, respetivamente, os benefícios percecionados dos LLMs na medicina, o preconceito racial percecionado nos LLMs na medicina e os conflitos éticos percecionados nos LLMs na medicina.
|
|
Experimental: Conflitos éticos percebidos em grandes modelos de linguagem na medicina
Os participantes foram obrigados a ler "Em fevereiro de 2023, uma grande rede hospitalar europeia divulgou inadvertidamente dados de pacientes parcialmente anonimizados, mas ainda sensíveis, durante os testes de LLMs médicos devido a um erro de configuração do sistema.
Embora não tenha ocorrido nenhum dano direto aos pacientes, isso aumentou as preocupações públicas em relação à privacidade e segurança dos dados e obrigou as instituições relevantes a realizarem revisões urgentes das suas medidas de proteção de dados."
|
Os participantes alocados ao grupo de intervenção receberam intervenções baseadas na perceção.
As intervenções para os Grupos 1-3 foram, respetivamente, os benefícios percecionados dos LLMs na medicina, o preconceito racial percecionado nos LLMs na medicina e os conflitos éticos percecionados nos LLMs na medicina.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Número de participantes que mudarão as suas atitudes relativamente às aplicações médicas de grandes modelos de linguagem
Prazo: Até à conclusão do estudo, em média 1 ano
|
A aceitação pública da aplicação de grandes modelos de linguagem na medicina será categorizada em sim, não tenho a certeza e não, que será recolhida antes das intervenções baseadas na perceção e após as intervenções.
|
Até à conclusão do estudo, em média 1 ano
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Jue Liu, Peking University
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)
25 de novembro de 2025
Conclusão Primária (Estimado)
31 de outubro de 2026
Conclusão do estudo (Estimado)
31 de dezembro de 2026
Datas de inscrição no estudo
Enviado pela primeira vez
1 de dezembro de 2025
Enviado pela primeira vez que atendeu aos critérios de CQ
11 de dezembro de 2025
Primeira postagem (Real)
26 de dezembro de 2025
Atualizações de registro de estudo
Última Atualização Postada (Real)
26 de dezembro de 2025
Última atualização enviada que atendeu aos critérios de controle de qualidade
11 de dezembro de 2025
Última verificação
1 de dezembro de 2025
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- NNSF72474005
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 .