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

Generativ AI-baserad simulering för diagnostisk kommunikation vid typ 2-diabetes (DIALOGUE-DM2) (DIALOGUE-DM2)

26 december 2025 uppdaterad av: Héctor Iván Saldívar Cerón, Universidad Nacional Autonoma de Mexico

Generativ AI-simulering för diagnostisk kommunikation vid typ 2-diabetes: En randomiserad kontrollerad studie (DIALOGUE-DM2)

Denna randomiserade kontrollerade studie utvärderar effektiviteten av ett generativt artificiell intelligens (AI)-baserat simuleringsprogram för att förbättra diagnostiska kommunikationsfärdigheter bland medicinstudenter. Studien genomförs vid Fakulteten för högre studier Iztacala, Nationala autonoma universitetet i Mexiko (UNAM).

Totalt 120 medicinstudenter randomiseras till antingen en interventionsgrupp som använder DIALOGUE-DM2 AI-simuleringsplattformen eller en kontrollgrupp som följer traditionella utbildningsmetoder. Deltagarna genomgår ett för-test, får utbildning enligt grupptilldelning och genomgår sedan en efter-testutvärdering.

Det primära utfallet är förbättring av diagnostiska kommunikationsfärdigheter, mätt med standardiserade patientscenarier och validerade bedömningsmatriser. Sekundära utfall inkluderar självrapporterad självförtroende, kommunikationsdomäner och överensstämmelse mellan fakultetsutvärderare och AI-poängsättning.

Denna studie syftar till att tillhandahålla högkvalitativt bevis på potentialen hos generativ AI för att förbättra kommunikationsträning inom medicinsk utbildning, specifikt i samband med typ 2-diabetesdiagnos.

Studieöversikt

Detaljerad beskrivning

Denna studie bygger på en tidigare pilotstudie (publicerad 2024) som visade genomförbarheten av att använda generativ artificiell intelligens (AI) för att träna medicinstuderande i diagnostisk kommunikation. Den aktuella studien utökar detta arbete med en randomiserad, blindad, kontrollerad design och ett större urval.

Design:

Studien är en randomiserad, blindad, parallellgrupps, kontrollerad studie som genomförs vid Fakulteten för Högre Studier Iztacala (FES Iztacala), UNAM. Totalt 120 medicinstuderande ingår i studien och randomiseras (1:1) till antingen interventionsgruppen (AI-baserad simulatorträning) eller kontrollgruppen (traditionell träning med standardiserade patienter och lärares feedback).

Intervention:

  • Interventionsgruppen: Studerande interagerar med DIALOGUE-DM2-plattformen, som tillhandahåller generativa AI-drivna simulerade patienter. De genomför flera scenarier för diagnostisk informationsöverföring och får omedelbar feedback på prestation, baserat på standardiserade kommunikationsrubriker.
  • Kontrollgruppen: Studerande får standardutbildning, inklusive föreläsningar och handledd övning med kamratrollspel och lärares vägledande feedback.

Utvärderingar:

  • För-test: Alla studerande genomför ett standardiserat patientscenario med lärares och AI-utvärdering före intervention.
  • Träningsfas: Deltagare genomför sin tilldelade träning (AI kontra standard).
  • Efter-test: Studerande genomför ett standardiserat scenario för diagnostisk informationsöverföring. Oberoende lärarutvärderare (blindade för grupptilldelning) och AI-plattformen poängsätter prestationen.

Utfall:

  • Primärt utfall: Förändring i diagnostisk kommunikationsprestationspoäng från för-test till efter-test, mätt med validerade rubriker (Kalamazoo-ramverket, MRS).
  • Sekundära utfall:
  • Studerandes självbedömning av kommunikationsförtroende.
  • Domänspecifika förbättringar (informationsöverföring, empati, riskförklaring, delat beslutsfattande).
  • Överensstämmelse mellan mänskliga utvärderare och AI-poängsättning.

Etik och tillsyn:

Studien har granskats och godkänts av Forskningsetikkommittén vid FES Iztacala, UNAM (Godkännandenummer CE/FESI/042025/1915). Riskerna är minimala, eftersom interventionen är utbildningsinriktad och icke-invasiv.

Betydelse:

Detta är den första randomiserade kontrollerade studien i Mexiko som utvärderar en generativ AI-baserad simulering för diagnostisk kommunikation. Resultaten kommer att informera integrationen av AI-drivna träningsverktyg i medicinutbildningens läroplaner och kan bidra till skalbar innovation i utbildningen av vårdpersonal för kronisk sjukdomshantering, med start med typ 2-diabetes.

Studietyp

Interventionell

Inskrivning (Faktisk)

120

Fas

  • Inte tillämpbar

Kontakter och platser

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

Studieorter

      • Tlalnepantla, Mexiko
        • Universidad Nacional Autónoma de México, Faculty of Higher Studies Iztacala (FES Iztacala)

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

Inklusionskriterier:

  • Medicinstuderande som för närvarande är inskrivna vid medicinska fakulteten (kirurgprogrammet), UNAM-FES Iztacala.
  • Ålder mellan 18 och 30 år.
  • Kan lämna informerat samtycke.
  • Villig att delta i alla studiefaser (för-test, intervention, efter-test).

Exklusionskriterier:

  • Tidigare deltagande i DIALOGUE-pilotstudien.
  • Tidigare formell utbildning i diagnostisk kommunikation utöver standardläroplanen i medicin.
  • Ofullständig tillgänglighet för schemalagda sessioner.
  • Vägran eller oförmåga att lämna informerat samtycke.

Studieplan

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

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Hälsovårdsforskning
  • Tilldelning: Randomiserad
  • Interventionsmodell: Parallellt uppdrag
  • Maskning: Trippel

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Experimentell: AI-baserad simuleringsutbildning (DIALOGUE-DM2)
Läkarkandidater som tilldelas denna arm kommer att få utbildning med DIALOGUE-DM2-plattformen, som tillhandahåller generativ AI-drivna simulerade patienter. Deltagarna kommer att delta i flera diagnostiska avslöjandescenarier med fokus på typ 2-diabetes och få omedelbar feedback genererad av AI-systemet. Feedbacken är anpassad till validerade kommunikationsramverk (Kalamazoo, MRS). Utbildningen genomförs under flera sessioner före post-testutvärderingen.
Medicinstuderande interagerar med DIALOGUE-DM2-plattformen, ett generativt AI-baserat simuleringssystem. Plattformen levererar virtuella patientmöten fokuserade på typ 2-diabetes diagnostisk avslöjande. Studenter genomför flera simulerade scenarier och får omedelbar AI-genererad feedback anpassad till standardiserade kommunikationsrubriker (Kalamazoo, MRS). Utbildningen syftar till att förbättra diagnostiska kommunikationsfärdigheter före post-test utvärdering.
Aktiv komparator: Traditionell Utbildning
Medicinstuderande som tilldelas denna arm kommer att få traditionell kommunikationsträning. Detta inkluderar föreläsningar, kamratroller och handledarövervakade återkopplingssessioner som täcker diagnostisk avslöjande vid typ 2-diabetes. Deltagarna kommer att genomföra samma antal träningssessioner som interventionsgruppen före utvärderingen efter testet.
Medicinstuderande får traditionell utbildning i diagnostisk kommunikation. Detta inkluderar föreläsningar, kamratrollspel och handledda feedbacksessioner som täcker diagnostisk avslöjande vid typ 2-diabetes. Utbildningens längd och antal sessioner matchar interventionsgruppen.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Förändring i diagnostisk kommunikationsprestandapoäng
Tidsram: Ungefär 12 veckor (från förtest till eftertest per deltagare).
Förbättring av diagnostiska kommunikationsfärdigheter, mätt med validerade rubriker - Kalamazoo Essential Elements Communication Checklist och Medical Communication Rating Scale (MCRS) - tillämpade på standardiserade patientscenarier. Oberoende förblindade fakultetsutvärderare och AI-poängsättning kommer att användas. Poängen sträcker sig från 0 till 100, där högre värden indikerar bättre diagnostisk kommunikationsprestation.
Ungefär 12 veckor (från förtest till eftertest per deltagare).

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Förändring i studenters självrapporterade självförtroende i diagnostisk kommunikation
Tidsram: Ungefär 12 veckor (från förtest till eftertest per deltagare).
Förändring i studenters självrapporterade självförtroende vid avslöjande av en diagnos av typ 2-diabetes, mätt genom ett strukturerat frågeformulär som använder en 5-gradig Likertskala (1 = mycket lågt självförtroende, 5 = mycket högt självförtroende). Högre poäng indikerar större självupplevd självsäkerhet i diagnostisk kommunikation.
Ungefär 12 veckor (från förtest till eftertest per deltagare).
Förändring i domänspecifika diagnostiska kommunikationspoäng (Kalamazoo-ramverket och Medical Communication Rating Scale)
Tidsram: Ungefär 12 veckor (från förtest till eftertest per deltagare).
Förbättring i specifika kommunikationsdomäner - informationsöverföring, empati, riskförklaring och delat beslutsfattande - utvärderat med hjälp av Kalamazoo Essential Elements Communication Checklist och Medical Communication Rating Scale (MCRS). Varje domän poängsätts från 0 till 100, där högre poäng indikerar bättre prestation.
Ungefär 12 veckor (från förtest till eftertest per deltagare).
Överenskommelse mellan mänskliga utvärderare och AI-poängsättning
Tidsram: Utvärderad vid eftertest, cirka 12 veckor efter baslinje per deltagare.
Överensstämmelsenivå mellan förblindade mänskliga utvärderare och AI-baserad poängsättning av diagnostisk kommunikationsprestanda, bedömd med Cohens kappakoefficient (κ). Poängen sträcker sig från -1.0 till +1.0, där värden närmare +1.0 indikerar starkare överensstämmelse mellan utvärderare.
Utvärderad vid eftertest, cirka 12 veckor efter baslinje per deltagare.
Studenternas tillfredsställelse med den tilldelade träningsmetoden
Tidsram: Utvärderad omedelbart efter genomförandet av post-testet, ungefär 12 veckor efter baslinjemätningen per deltagare.
Tillfredsställelse med den tilldelade träningsmetoden (AI-baserad simulering kontra traditionell utbildning), mätt med en strukturerad 5-gradig Likert-undersökning om tillfredsställelse (1 = mycket missnöjd; 5 = mycket nöjd). Högre poäng indikerar större tillfredsställelse med träningsmetoden.
Utvärderad omedelbart efter genomförandet av post-testet, ungefär 12 veckor efter baslinjemätningen per deltagare.

Samarbetspartners och utredare

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

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.

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)

22 september 2025

Primärt slutförande (Faktisk)

18 december 2025

Avslutad studie (Faktisk)

20 december 2025

Studieregistreringsdatum

Först inskickad

2 oktober 2025

Först inskickad som uppfyllde QC-kriterierna

18 november 2025

Första postat (Beräknad)

26 november 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

29 december 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

26 december 2025

Senast verifierad

1 december 2025

Mer information

Termer relaterade till denna studie

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

JA

IPD-planbeskrivning

Avidentifierade individuella deltagardata (IPD) kommer att delas, inklusive rubrikbaserade prestationspoäng från för- och eftertester, självrapporterade självförtroendeenkäter, tillfredsställelseundersökningssvar och AI kontra mänskliga utvärderarpoäng. Demografiska data (ålder, kön, akademiskt år) kommer också att ingå i anonymiserad form. Ingen personligt identifierbar information kommer att delas.

Tidsram för IPD-delning

IPD och stöddokument (studieprotokoll, SAP, ICF, analytisk kod) kommer att göras tillgängliga från och med 6 månader efter publicering av de primära resultaten och under en period av minst 5 år därefter.

Kriterier för IPD Sharing Access

De-identifierade IPD och stöddokument kommer att vara tillgängliga för kvalificerade forskare vid rimlig begäran. Begäranden måste innehålla ett metodologiskt sunt förslag och kommer att kräva ett dataanvändningsavtal. Åtkomst kommer att ges genom direkt kommunikation med huvudundersökaren (Dr. Héctor Iván Saldívar Cerón, UNAM-FES Iztacala).

IPD-delning som stöder informationstyp

  • STUDY_PROTOCOL
  • SAV
  • ICF
  • ANALYTIC_CODE

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