Оценка сгенерированных AI Работа с простой языком по пониманию пациентов с офтальмологическими заметками среди англоязычных пациентов

В этом исследовании используется рандомизированное контролируемое исследование с двумя руками, чтобы оценить, могут ли повышенные краткие обзоры искусственного интеллекта (ИИ) (PLSS), чтобы улучшить понимание пациента офтальмологии. Приемлемые участники набираются во время их обычных посещений в Институте глаз Жюля Стейн, и после скрининга с использованием стандартизированных клинических критериев они случайным образом назначены либо для получения стандартной офтальмологической примечания (сын), либо сын, дополненного сгенерированной AI PLS. В процессе рандомизации используется компьютерная последовательность с скрытым распределением, чтобы обеспечить непредвзятое назначение группы.

Система ИИ, используемая в этом исследовании, развернута локально на защищенной интрасети UCLA. Он использует большую языковую модель (LLM), которая была настроена и проверена для создания простого языка объяснений сложной офтальмологической информации. Вся обработка происходит на одобренных UCLA, зашифрованных устройствах, и данные не передаются извне. Прежде чем PLS предоставлена ​​участникам, каждая резюме рассматривается офтальмологом для проверки точности и обеспечения того, чтобы основные клинические детали были правильно и четко сообщены.

Сбор данных выполняется с использованием инструментов опроса. Опрос включает в себя серию 5-балльных элементов масштаба Лайкерта, открытых вопросов и разделов структурированного ответа, предназначенные для оценки понимания диагноза, планов лечения и последующих инструкций. Участники завершают опрос сразу после посещения клиники, и последующее телефонное интервью проводится примерно через семь дней спустя обученным исследовательским персоналом для получения дополнительной обратной связи о ясности и удержании предоставленной информации. В исследовании не используется аудио или видеозапись; Все ответы либо непосредственно регистрируются исследовательским персоналом, либо введены в электронном виде в защищенную базу данных.

Статистический анализ будет проводиться с использованием стандартных программных пакетов для сравнения результатов между группами вмешательства и контроля. Основные анализы включают независимые t-тесты или U-тесты Манна-Уитни для непрерывных переменных, тесты хи-квадрат для категориальных переменных и модели многофункциональной регрессии для корректировки смешанных переменных, таких как возраст, уровень образования и базовая медицинская грамотность. Размер выборки был рассчитан для обнаружения клинически значимых различий в показателях понимания, при этом анализ мощности указывает на необходимость между 460 и 2030 участниками в зависимости от величины эффекта.

Безопасность данных поддерживается через строгие меры. Электронные данные хранятся на зашифрованных, UCLA-защищенных ноутбуках и в безопасном репозитории. Вся обработка данных следует за политикой UCLA и руководящими принципами IRB для хранения и разрушения данных, при этом идентифицируемая информация уничтожена с использованием безопасных методов, как только это больше не требуется.

Процедуры контроля качества включают периодические проверки ввода данных, регулярные встречи с персоналом с персоналом обучения и перекрестные проверки ответов на обследование в отношении клинических записей, где это применимо. Существует независимый процесс мониторинга для обеспечения соответствия протоколу исследования и быстрого решения любых отклонений.

В целом, это исследование предназначено для предоставления надежных доказательств осуществимости и эффективности AI-сгенерированных PLS для улучшения понимания пациентов сложной медицинской информации. Интегрируя технические гарантии, строгие статистические методы и оптимизированный процесс сбора данных, исследование направлено на предоставление понимания, которые могут привести к улучшению стратегий связи пациентов и более эффективной оказании медицинской помощи по нескольким специальностям.