Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Stor språklig modell för klinisk reaoning av fysioterapistudenter

3 december 2025 uppdaterad av: Alfredo Lerín Calvo, Neuron, Spain

Möjlighet av en randomiserad kontrollerad studie av stora konstgjorda intelligensbaserade språkliga modeller för klinisk resonemangsträning av fysioterapistudenter. En randomiserad kontrollerad studie

Klinisk resonemang är en grundläggande färdighet för fysioterapistudenter, vilket gör att de kan samla in och tolka patientinformation för att fatta exakta diagnoser och behandlingsbeslut. Traditionella träningsmetoder begränsar ofta elevernas exponering för ett brett spektrum av kliniska fall, vilket kan begränsa utvecklingen av dessa färdigheter. Integrationen av stora språkmodeller (LLM), såsom chatgpt, i fysioterapiutbildning erbjuder en ny metod för att förbättra klinisk resonemang genom att simulera interaktiva och realistiska patientscenarier.

Denna randomiserade kontrollerade studie syftar till att utvärdera effektiviteten hos en LLM-baserad utbildningsintervention för att förbättra kliniska resonemang hos fysioterapistudenter. Studien kommer att rekrytera totalt 200 tredjeårs fysioterapistudenter från flera universitetsinstitutioner. Deltagarna kommer att tilldelas slumpmässigt till en av två grupper:

  1. Experimental Group-Studenter kommer att få LLM-baserad utbildning och engagera sig i en konversationell konstgjord intelligensmodell för att lösa kliniska fall under en 8-veckors period. Modellen kommer att ge realtidssvar på deras frågor, vilket gör att de kan förfina deras diagnostiska och behandlingsresonemang.
  2. Kontrollgrupp-Studenter kommer att följa den vanliga läroplanen och delta i konventionellt fallbaserat lärande och övervakade kliniska resonemang utan AI-baserad hjälp.

Det primära resultatet av studien är förbättringen av kliniska resonemang, bedömda genom standardiserade skriftliga fallutvärderingar och strukturerade praktiska undersökningar. Sekundära resultat inkluderar förändringar i digital kompetens, studentengagemangsnivåer, övergripande tillfredsställelse med utbildningsmetoden och kostnadseffektiviteten i interventionen.

Genom att bedöma effekterna av LLM: er på klinisk resonemangsutbildning försöker denna studie avgöra om AI-driven utbildningsverktyg effektivt kan komplettera traditionell fysioterapiutbildning och förbättra studenternas beredskap för verklig klinisk praxis.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Klinisk resonemang är en viktig kompetens för fysioterapistudenter, vilket gör att de kan bedöma, diagnostisera och skapa behandlingsplaner baserade på patientinformation. Trots dess betydelse begränsar traditionella utbildningsmetoder ofta elevernas exponering för ett brett utbud av kliniska fall, vilket begränsar deras förmåga att utveckla omfattande resonemang. Framsteg inom artificiell intelligens, särskilt stora språkmodeller (LLM) som chatgpt, erbjuder en lovande lösning genom att simulera realistiska och interaktiva kliniska scenarier.

Denna randomiserade kontrollerade studie (RCT) syftar till att utvärdera effektiviteten hos en LLM-baserad intervention jämfört med traditionella träningsmetoder för att förbättra klinisk resonemang bland fysioterapistudenter. Tredjeårsstudenterna kommer att tilldelas slumpmässigt till antingen den experimentella gruppen, som tar emot AI-driven fallbaserad utbildning, eller kontrollgruppen, efter konventionella läroplanbaserade falldiskussioner.

Interventionen kommer att pågå i 8 veckor, under vilka studenter i experimentgruppen kommer att interagera med en LLM för att lösa kliniska fall varje vecka, vilket efterliknar verkliga patientmöten. Modellen kommer att fungera som en virtuell patient, svara på elevernas förfrågningar och låta dem förfina deras diagnostiska resonemang och behandlingsplanering. Däremot kommer kontrollgruppen att delta i traditionella skriftliga och handledarledda falldiskussioner.

Statistisk analysplan

Data will be analyzed using SPSS version 29.0 (SPSS Inc., Chicago, IL, USA). Beskrivande statistik kommer att användas för att sammanfatta baslinjegenskaperna hos deltagarna, med kontinuerliga variabler uttryckta som medelvärde ± standardavvikelse (SD) eller median [interkvartilt intervall], beroende på normalitet och kategoriska variabler presenterade som frekvens (N) och procent (%). Normality of distributions will be assessed using the Kolmogorov-Smirnov test and Shapiro-Wilk test. Jämförelser mellan gruppen kommer att utföras med; Oberoende t-test eller Mann-Whitney U-test för kontinuerliga variabler; Chi-kvadrat-test eller Fishers exakta test för kategoriska variabler; Upprepade mätningar ANOVA eller linjära blandade modeller kommer att användas för att utvärdera förändringar över tid i kliniska resonemangsresultat, digital kompetens och tillfredsställelsesnivåer.

Logistiska regressionsmodeller kommer att tillämpas för att utforska prediktorer för engagemang med den LLM-baserade interventionen. Effektstorlekar (Cohen's D, Rosenthals R) kommer att beräknas för att mäta storleken på observerade skillnader. En kostnadseffektivitetsanalys kommer att genomföras genom att jämföra kostnaden för att implementera den LLM-baserade interventionen med förbättringen av kliniska resonemangsresultat och studentengagemangsnivåer.

Statistisk betydelse kommer att ställas in på P <0,05, och alla analyser kommer att genomföras med hjälp av en två-tailed metod.

Studietyp

Interventionell

Inskrivning (Beräknad)

60

Fas

  • Fas 2

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Studieorter

  • Spanien
    • Madrid
      • Madrid, Madrid, Spanien, 28023
        • Rekrytering
        • Centro Superior de Estudios Universitarios La Salle
        • Kontakt:
        • Huvudutredare:
          • Raúl Ferrer Peña, PhD

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • Vuxen

Tar emot friska volontärer

Ja

Beskrivning

Inkluderingskriterier:

  • Studenter som är inskrivna i det tredje året av fysioterapiprogrammet vid La Salle Center for Higher University Studies (LCHUS)
  • Deltagarna måste vara mellan 18 och 30 år gamla.
  • Studenter måste gå med på att delta i studien genom att underteckna ett informerat samtyckesformulär efter att ha informerats om studiens mål, förfaranden och potentiella risker.
  • Deltagarna måste vara villiga att engagera sig i den LLM-baserade plattformen (för experimentgruppen) eller delta i traditionella inlärningsaktiviteter (för kontrollgruppen) under studiens varaktighet.

Uteslutningskriterier:

  • Studenter med tidigare klinisk erfarenhet utöver det tredje året av fysioterapiutbildning.
  • Fysiska eller kognitiva funktionsnedsättningar som kan störa förmågan att delta i eller dra nytta av interventionen (t.ex. syn, hörsel eller motoriska nedskrivningar).
  • Studenter som inte ger informerat samtycke till att delta i studien.
  • Studenter som inte har tillräcklig kunskaper i spanska eller engelska för att förstå materialen och interventionen.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Behandling
  • Tilldelning: Randomiserad
  • Interventionsmodell: Parallellt uppdrag
  • Maskning: Dubbel

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Experimentell: LLM -grupp

Deltagare i den experimentella gruppen kommer att genomgå en 8-veckors intervention med stor språkmodell (LLM) -baserad utbildning i sin kliniska resonemangsutbildning.

Studenter kommer att delta i veckovisa kliniska fallsimuleringar med en LLM-driven plattform (chatgpt), där de kommer att interagera med modellen för att få patientinformation, formulera diagnoser och föreslå behandlingsplaner. LLM kommer att ge realtidssvar och simulera ett virtuellt patientmöte.

Utbildningen kommer att komplettera den vanliga läroplanen, vilket gör att eleverna kan utöva kliniska resonemang i en strukturerad och interaktiv AI-assisterad miljö. I slutet av interventionen kommer deltagarna att genomföra en slutlig fallbaserad bedömning för att utvärdera förbättringar i klinisk resonemang, digital kompetens och engagemang med tekniken.
Övrig: Stor språkmodell
Interventionen i den experimentella gruppen kännetecknas av integrationen av en stor språkmodell (LLM) -baserad interaktiv plattform (CHATGPT) i klinisk resonemangsträning för fysioterapistudenter. Till skillnad från traditionella utbildningsmetoder ger denna intervention realtid, AI-genererade patientinteraktioner, vilket gör att eleverna aktivt kan delta i virtuella kliniska fallsimuleringar.
Aktiv komparator: Konventionell inlärningsgrupp

Deltagare i kontrollgruppen kommer att följa standardplanen för klinisk resonemangsträning under en 8-veckors period, utan exponering för den LLM-baserade interventionen.

Studenter kommer att delta i veckobaserade diskussioner med traditionella inlärningsmetoder, inklusive skriftliga ärendeanalyser och övervakade diskussioner med instruktörer. Dessa sessioner kommer att följa det vanliga utbildningsramen som används i utbildningsprogram för fysioterapi, och betonar diagnostisk resonemang och behandlingsplanering genom instruktörsledda vägledning.

I slutet av träningsperioden kommer deltagarna att genomföra en slutlig fallbaserad bedömning för att utvärdera deras kliniska resonemang, digital kompetens och övergripande engagemang i inlärningsprocessen.
Övrig: Konventionell
Interventionen i kontrollgruppen följer en traditionell fallbaserad inlärningsstrategi, som vanligtvis används i fysioterapiutbildning. Till skillnad från den experimentella gruppen förlitar sig denna träningsmetod enbart på mänsklig ledad instruktion och skriftlig fallanalys, utan integration av konstgjord intelligens eller interaktiva digitala verktyg.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Klinisk resonemang
Tidsram: Utvärderad i början och slutet av 8-veckors intervention genom fallbaserade bedömningar och praktiska utvärderingar.
Detta resultat mäter förbättringen av elevernas kliniska resonemang efter interventionen. Studenter kommer att bedömas utifrån deras förmåga att samla in, tolka och analysera patientinformation och formulera exakta diagnoser och behandlingsplaner. Detta kommer att utvärderas genom både skriftliga fallstudier och praktiska tentor med hjälp av Lasater -rubriken, som är denna skala som instrumentet som används för att utvärdera detta resultat.
Utvärderad i början och slutet av 8-veckors intervention genom fallbaserade bedömningar och praktiska utvärderingar.

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Studentengagemang med interventionen
Tidsram: Övervakad under den 8-veckors interventionsperioden med veckospårning av studentinteraktioner och fall i fallet.
Detta resultat mäter nivån på aktivt engagemang för elever med den LLM-baserade plattformen (experimentgrupp) och det traditionella fallbaserade lärandet (kontrollgrupp). Engagemang kommer att utvärderas utifrån frekvensen av interaktioner, användningstid och slutförande av de tilldelade fallen.
Övervakad under den 8-veckors interventionsperioden med veckospårning av studentinteraktioner och fall i fallet.
Tillfredsställelse med utbildningsmetoden
Tidsram: Beräknades i slutet av interventionsperioden med hjälp av kostnaderna för att ge tillgång till den LLM-baserade plattformen och jämföra den med de förbättringar som observerats i andra resultat.
Detta resultat utvärderar övergripande studenttillfredsställelse med sin inlärningsupplevelse och fokuserar på effektiviteten, användbarheten och det upplevda värdet av interventionen. Tillfredsställelse kommer att mätas med hjälp av en visuell analog skala (VAS), där eleverna betygsätter sin tillfredsställelse med träningsmetoden.
Beräknades i slutet av interventionsperioden med hjälp av kostnaderna för att ge tillgång till den LLM-baserade plattformen och jämföra den med de förbättringar som observerats i andra resultat.
Digitala kompetenser
Tidsram: Utvärderades i början och slutet av 8-veckors intervention via AD HOC Digital Competence-frågeformuläret.
Detta resultat utvärderar elevernas förmåga att effektivt använda digitala verktyg, särskilt AI-drivna plattformar som chatgpt, i samband med klinisk resonemang. Studenter kommer att fylla i ett frågeformulär för digital kompetens som bedömer sina färdigheter inom flera domäner, till exempel datahantering, hälsokommunikation och skapande av digitalt innehåll. Det kommer att bedömas med frågeformuläret för digitala kompetenser utvecklat av Montero-Delgado et al. (2020)
Utvärderades i början och slutet av 8-veckors intervention via AD HOC Digital Competence-frågeformuläret.

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Neuron, Spain

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

1 september 2023

Primärt slutförande (Beräknad)

30 juni 2026

Avslutad studie (Beräknad)

30 juli 2026

Studieregistreringsdatum

Först inskickad

30 januari 2025

Först inskickad som uppfyllde QC-kriterierna

4 februari 2025

Första postat (Faktisk)

5 februari 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Beräknad)

4 december 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

3 december 2025

Senast verifierad

1 februari 2025

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • ALC001NR005

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

IPD-planbeskrivning

I denna studie kommer de enskilda deltagarnas data (IPD) inte att delas offentligt. Uppgifterna som samlats in, inklusive utvärderingar av klinisk resonemang, utvärderingar av digital kompetens och tillfredsställelsepoäng, kommer att användas enbart för denna forskningsstudie. Tillgång till deltagarnas data kommer att begränsas till forskarteamet och kommer inte att göras tillgängligt för att dela med externa parter.

Deltagarnas integritet och konfidentialitet kommer att upprätthållas strikt under hela studien. All data kommer att anonymiseras, och all identifierbar information kommer att lagras och skyddas säkert i enlighet med tillämpliga dataskyddsföreskrifter. Dessutom kommer studiens resultat att delas i sammanlagd form, vilket säkerställer att ingen individs data avslöjas eller identifieras i några offentliga rapporter eller publikationer.

Som en del av det etiska åtagandet att skydda deltagarnas integritet kommer alla förfrågningar om tillgång till IPD inte att beviljas.

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Prenumerera