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

Artificial Intelligence (AI) -teknologi kan hjälpa patienter att förstå tarmberedning bättre innan de går till koloskopi. Denna studie försöker utnyttja AI -chatbot i rådgivningspatienter för att förbättra tarmrenlighet, minska ångest och öka procedurtillfredsställelse

24 mars 2025 uppdaterad av: Nabil Mohammad Azmi, National University of Malaysia

Prospektiv enkel blindad randomiserad kontrollstudie på effektiviteten av att använda stora språkmodell Artificiell intelligens chatbot för att förbättra Boston tarmförberedelse poäng (BBP) för kolonoskopiberedning

Traditionell rådgivning före kolonoskopi kräver betydande tid från sjukvårdspersonal för att förklara förfaranden, begränsa effektiviteten och patientomsättningen. Otillräcklig tarmberedning förvärrar denna fråga, vilket leder till upprepade procedurer och ökade kostnader. Ingen studie har emellertid ännu utvärderat AI: s effektivitet vid förbättring av Boston tarmförberedelseskala (BBP) för beredning av koloskopi. By addressing this gap, AI chatbots could provide personalized guidance, reduce healthcare worker burden, improve preparation quality, and enhance patient experience.This research attempts to evaluate the effectiveness of using Artificial intelligence (AI) chat bot to improve bowel preparation, anxiety level and patient's satisfaction among colonoscopy patients in Hospital Tuanku Muhriz (HCTM), compared to conventional instructions

Studieöversikt

Studietyp

Interventionell

Inskrivning (Beräknad)

96

Fas

  • Inte tillämpbar

Kontakter och platser

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

Studiekontakt

  • Namn: Nabil Mohammad Azmi, Doctor in General Surgery
  • Telefonnummer: +60122177050
  • E-post: nabil@ukm.edu.my

Studieorter

    • Kuala Lumpur
      • Cheras, Kuala Lumpur, Malaysia, 56000
        • Faculty of Medicine, The National University of Malaysia
        • Kontakt:
          • Nabil Mohammad Azmi, Doctor of General Surgery
          • Telefonnummer: +60122177050
          • E-post: nabil@ukm.edu.my

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
  • Äldre vuxen

Tar emot friska volontärer

Ja

Beskrivning

Inkluderingskriterier:

  • All schemalagd koloskopi med indikation
  • Adekvat digital läskunnighet
  • Tillräcklig språkkunskap med malaysiska och engelska

Uteslutningskriterier:

  • Patienter med minnesnedsättning på grund av tidigare stroke, demens eller Alzheimers sjukdom
  • Diagnostiserad med klinisk ångest

Studieplan

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

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Diagnostisk
  • Tilldelning: Randomiserad
  • Interventionsmodell: Parallellt uppdrag
  • Maskning: Enda

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Experimentell: Artificial Intelligence (AI) Chatbot
Patientens som kommer att interagera med AI Chatbot för tarmförberedelser Rådgivning
Interventionsarm måste genomgå tarmberedning med hjälp av standardpolyetylenglykollösning (FORTRANS)
Interventionsarm måste genomgå tarmberedning med hjälp av standardpolyetylenglykollösning (FORTRANS)
Övrig: Konventionell rådgivning av sjukvårdspersonal
Patienter som får konventionellt sätt att rådgivas för tarmberedning före koloskopi
Interventionsarm måste genomgå tarmberedning med hjälp av standardpolyetylenglykollösning (FORTRANS)
Interventionsarm måste genomgå tarmberedning med hjälp av standardpolyetylenglykollösning (FORTRANS)

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
För att bestämma effektiviteten av artificiell intelligens (AI) chattbot vid förbättring av tarmberedning bland kolonoskopipatienter på sjukhuset Tuanku Mukhriz (HCTM), jämfört med konventionella instruktioner
Tidsram: 1 år
Patienter i interventionsarm kommer att få rådgivning via interaktion med AI Chatbot.each interaktionssession begränsades till 15 minuters maximala. Kvaliteten på tarmberedning kommer att graderas av de maskerade endoskopisterna med Boston tarmberedningspoäng (BBP). Var och en av de tre kolonsegmenten (höger, tvärgående och vänster) kommer att tilldelas poäng (0 - 3). 0 - oförberedd kolon medan 3 indikerar bästa möjliga förberedelser. En total poäng kommer att variera från 0 till 9, där högre poäng indikerar bättre tarmberedning.
1 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
För att bestämma effektiviteten av AI -chattbot vid lindra ångest bland koloskopipatienter i HCTM, jämfört med konventionella instruktioner.
Tidsram: 1 år
Ångestnivå för båda armarna kommer att mätas före och efter kolonoskopi med hjälp av den validerade depressionens ångest och stressskala 21 (ångestskala). Är en självrapporterande skala som mäter ångesten.
1 år
För att bestämma effektiviteten av AI -chattbot för att förbättra tillfredsställelse bland koloskopipatienter i HCTM, jämfört med konventionella instruktioner.
Tidsram: 1 år
Patienter från båda armarna kommer att intervjuas efter koloskopi med hjälp av det validerade frågeformuläret för patienttillfredsställelse (PSQ) .PSQ är en uppsättning frågeformulär som hjälper forskare att förstå patientupplevelser och identifiera förbättringsområden. Patients kommer att utvärderas på flera domäner- allmän tillfredsställelse, teknisk kvalitet, interpersonell aspekt, tydlighet i kommunikation, tillgång till vård och förtroende för hälsovård. Varje domän kommer att få poäng enligt Likert -skalan från 1 till 5. 1 betyder mycket missnöjd medan 5 betyder mycket nöjd.
1 år

Samarbetspartners och utredare

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

Utredare

  • Huvudutredare: Nabil Mohammad Azmi, Doctor of General Surgery, Faculty of Medicine, The National University of Malaysia

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 (Beräknad)

1 april 2025

Primärt slutförande (Beräknad)

2 februari 2026

Avslutad studie (Beräknad)

2 februari 2026

Studieregistreringsdatum

Först inskickad

15 mars 2025

Först inskickad som uppfyllde QC-kriterierna

24 mars 2025

Första postat (Faktisk)

1 april 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

1 april 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

24 mars 2025

Senast verifierad

1 mars 2025

Mer information

Termer relaterade till denna studie

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

JA

IPD-planbeskrivning

Studieprotokoll, informerat samtyckesformulär, klinisk studierapport på betydande begäran

Tidsram för IPD-delning

April 2025 - Februari 2026

IPD-delning som stöder informationstyp

  • STUDY_PROTOCOL
  • ICF
  • CSR

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