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

Att bestämma överensstämmelsen mellan sjuksköterskor och artificiell intelligens (ChatGPT-5) vid leverans av scenariobaserad utskrivningsundervisning till patienter med kranskärlsbypass: En metodologisk studie (CABG-AI-EDU)

1 april 2026 uppdaterad av: Uğur Akman, Hasan Kalyoncu University

Att fastställa överensstämmelsen mellan sjuksköterskor och artificiell intelligens (ChatGPT-5) vid utförande av scenariobaserad utskrivningsundervisning till patienter med kranskärlsbypassoperation: En metodologisk studie

Denna metodologiska studie syftar till att fastställa graden av överensstämmelse mellan sjuksköterskor och ett artificiellt intelligenssystem (ChatGPT-4.0) vid utarbetande av scenariobaserad utskrivningsundervisning för patienter som genomgått kranskärlsoperation (CABG). Trettio standardiserade patientscenarier som representerar olika demografiska, kliniska och psykosociala egenskaper kommer att användas. För varje scenario kommer både expert-sjuksköterskor och ChatGPT-4.0 att utarbeta utskrivningsundervisningsinnehåll baserat på sex huvudområden och tjugofyra delämnen identifierade från litteraturen och kliniska riktlinjer. Utbildningsmaterialen kommer att utvärderas oberoende av två blindade granskare när det gäller innehållets korrekthet, fullständighet, vetenskaplig konsistens och språkets tydlighet. Överensstämmelsen mellan sjuksköterskornas och AI-genererat innehåll kommer att analyseras med Cohens kappakoefficient och Fishers exakta test. Resultaten förväntas ge evidens för tillförlitligheten och tillämpbarheten av AI-assisterade utskrivningsundervisningssystem inom kardiokirurgisk omvårdnadspraktik.

Studieöversikt

Status

Har inte rekryterat ännu

Detaljerad beskrivning

Denna metodologiska studie syftar till att fastställa överensstämmelsen mellan expertsjuksköterskor och ett artificiellt intelligenssystem (AI) (ChatGPT-5) vid utarbetande av scenariobaserad utskrivningsundervisning för patienter som genomgått kranskärlsoperation (CABG). Syftet med studien är att utvärdera om ChatGPT-5 kan generera utskrivningsundervisningsinnehåll som är jämförbart i noggrannhet, fullständighet och klinisk lämplighet med det som förberetts av erfarna kardiovaskulära kirurgisjuksköterskor.

Trettio standardiserade patientscenarier kommer att utvecklas för att representera ett brett spektrum av CABG-fall med olika demografiska, socioekonomiska, psykosociala och kliniska egenskaper. Varje scenario kommer att simulera realistiska postoperativa förhållanden, inklusive potentiella komplikationer (t.ex. delirium, sårinfektion, blödning, arytmi), komorbiditeter (t.ex. diabetes, hypertoni, KOL) och psykosociala variabler som ångestnivå, familjestruktur och socialt stöd. Alla scenarier kommer att granskas och valideras av ett multidisciplinärt expertpanel inklusive kardiovaskulära kirurger och akademiska sjuksköterskespecialister för att säkerställa klinisk realism och innehållsvaliditet.

Utskrivningsundervisningen kommer att struktureras kring sex huvuddomäner och tjugofyra underämnen hämtade från nationella och internationella riktlinjer och evidensbaserad litteratur. Dessa domäner inkluderar: (1) medicinsk behandling och uppföljning, (2) vardagsliv och funktionell återhämtning, (3) psykosocialt och socialt stöd, (4) riskfaktorer och förebyggande hälsa, (5) livskvalitet och specifika tillstånd, och (6) religiösa praktiker. För varje scenario kommer både expertsjuksköterskor och ChatGPT-5 oberoende att förbereda skriftligt utskrivningsundervisningsmaterial med detta standardiserade ramverk.

Utbildningsmaterialet kommer att anonymiseras och utvärderas av två blindade granskare vad gäller vetenskaplig noggrannhet, innehållsfullständighet, språklig tydlighet och överensstämmelse med kliniska standarder. Vid oenighet kommer en tredje oberoende granskare att fatta ett slutgiltigt beslut för att säkerställa objektivitet. Statistiska analyser kommer att inkludera Cohens Kappa-koefficient för att mäta överensstämmelse mellan bedömare och Fishers exakta test för kategoriska jämförelser. Diagnostiska prestandamått såsom sensitivitet, specificitet, positivt prediktivt värde (PPV), negativt prediktivt värde (NPV) och F1-poäng kommer också att beräknas.

Data kommer att analyseras med SPSS v25 (IBM Corp., Armonk, NY, USA). Beskrivande statistik (frekvenser, procentandelar, medelvärden och standardavvikelser) kommer att redovisas för att sammanfatta scenariernas och utvärderingarnas egenskaper. Överensstämmelsenivåer kommer att tolkas enligt Landis och Kochs klassificering. Ett p-värde på <0,05 kommer att betraktas som statistiskt signifikant.

Resultaten av denna studie förväntas ge bevis om tillförlitligheten, validiteten och användbarheten hos ChatGPT-5 som ett innovativt och stödjande verktyg för att förbereda individualiserat utskrivningsundervisningsmaterial inom kardiovaskulär kirurgisk omvårdnad. Resultaten kan bidra till att utveckla nya teknologiassisterade utbildningsmodeller som kan minska sjuksköterskors arbetsbörda, förbättra standardiseringen av utskrivningsundervisningen och öka patientens förståelse och tillfredsställelse i den postoperativa perioden.

Studietyp

Observationell

Inskrivning (Beräknad)

30

Kontakter och platser

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

Studieorter

    • Gaziantep
      • Gaziantep, Gaziantep, Turkiet (Türkiye), 27620
        • Hasan Kalyoncu University Faculty of Nursing
        • Kontakt:

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

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Studiepopulationen består av 30 standardiserade patientscenarier som representerar individer som genomgått koronar bypasskirurgi (CABG). Varje scenario återspeglar en unik kombination av demografiska, kliniska och psykosociala egenskaper som vanligtvis observeras hos patienter efter CABG. Scenarierna har utvecklats och validerats av ett multidisciplinärt team som inkluderar hjärt-kärlkirurgiska sjuksköterskor, akademiska sjuksköterskespecialister och kardiovaskulära kirurger för att säkerställa klinisk realism och innehållsvaliditet. Dessa simulerade fall kommer att användas som observationsenheter för att utvärdera överensstämmelsen mellan utskrivningsutbildningsmaterial som förberetts av både sjuksköterskor och ChatGPT-5.

Beskrivning

Inklusionskriterier:

  • Patientscenarier som representerar individer som genomgått koronar bypass-operation (CABG).
  • Scenarier som inkluderar demografisk, socioekonomisk, klinisk och psykosocial information i enlighet med aktuell litteratur och kliniska riktlinjer.
  • Scenarier som beskriver patienter som genomgått mediansternotomi och on-pump CABG-procedur.
  • Scenarier som inkluderar relevanta postoperativa komplikationer (t.ex. delirium, blödning, sårinfektion, arytmi) och komorbiditeter (t.ex. diabetes, hypertoni, KOL).
  • Scenarier som möjliggör för både sjuksköterskor och ChatGPT-5 att förbereda utskrivningsutbildningsmaterial under samma standardiserade ramverk.
  • Scenarier som granskats och validerats av hjärtkirurgiska experter och sjuksköterskeakademiker för innehållsvaliditet.

Exklusionskriterier:

  • Patientscenarier som inte är relaterade till koronar bypass-operation (CABG).
  • Scenarier som saknar tillräcklig demografisk, klinisk eller psykosocial information för att förbereda individualiserad utskrivningsutbildning.
  • Scenarier som inte följer den standardiserade strukturen med sex huvuddomäner och tjugofyra underteman.
  • Scenarier med inkonsekventa eller motsägelsefulla medicinska data (t.ex. oförenliga diagnos- och behandlingsdetaljer).
  • Scenarier som inte validerats av expertgranskningspanelen för klinisk noggrannhet och innehållsvaliditet.
  • Scenarier som inte tillåter jämförelse mellan sjuksköterskegenererade och ChatGPT-5-genererade utskrivningsutbildningsmaterial.

Studieplan

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

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Sjuksköterskans utskrivningsutbildning
Utskrivningsutbildningsinnehåll förberett självständigt av kardiovaskulära kirurgisjuksköterskor med ≥5 års klinisk erfarenhet. Varje sjuksköterska skapade skriftligt utskrivningsutbildningsmaterial för 30 standardiserade post-CABG-scenarier enligt det förutbestämda ramverket.
ChatGPT-5-genererad utskrivningsinformation
Utskrivningsutbildningsmaterial automatiskt genererat av ChatGPT-5 baserat på samma standardiserade post-CABG-patientscenarier och fördefinierade sexdomäners, 24-ämnesramverk.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Avtal mellan sjuksköterske- och ChatGPT-5-genererad utskrivningsutbildningsinnehåll
Tidsram: Under datainsamling (förväntas inom 8 månader efter studiestart).
Överensstämmelsen mellan utskrivningsinformationsmaterial som utarbetats av kardiovaskulära kirurgisjuksköterskor och de som genererats av ChatGPT-5 för standardiserade post-CABG-patientfall.
Under datainsamling (förväntas inom 8 månader efter studiestart).
Överenskommelse mellan sjuksköterske- och ChatGPT-5-genererat utskrivningsinformationsmaterial
Tidsram: Under datainsamling (förväntas inom 12 månader efter studiestart).
Överensstämmelsen mellan utskrivningsinformationsmaterial som utarbetats av kardiovaskulära kirurgisjuksköterskor och det som genererats av ChatGPT-5 för standardiserade post-CABG-patientfall.
Under datainsamling (förväntas inom 12 månader efter studiestart).

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.

Allmänna publikationer

  • Thompson R, Traylor D, Halguist E. Evaluating the clinical accuracy of ChatGPT-generated patient instructions: a review study. Digital Health. 2025;11:2055207625123456.
  • Su H, Vrdoljak J, Busch M, et al. Artificial intelligence in patient discharge education: improving readability and patient understanding. Journal of Medical Internet Research. 2025;27:e45612.
  • Rushton M, Hemmings L, Marsh L, et al. Enhancing recovery after cardiac surgery: discharge education and follow-up. European Journal of Cardiovascular Nursing. 2017;16(2):114-123. doi:10.1177/1474515116643395.
  • Akbari M, Celik S. The effect of discharge training on stress, anxiety, and pain in patients after coronary artery bypass graft surgery. Journal of Perioperative Nursing. 2015;28(3):165-172.
  • Fredericks S, Guruge S, Sidani S, Wan T. Postoperative patient education: a systematic review. Clin Nurs Res. 2010 May;19(2):144-64. doi: 10.1177/1054773810365994.

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 juli 2026

Primärt slutförande (Beräknad)

1 juni 2027

Avslutad studie (Beräknad)

1 december 2027

Studieregistreringsdatum

Först inskickad

23 november 2025

Först inskickad som uppfyllde QC-kriterierna

3 december 2025

Första postat (Faktisk)

4 december 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

2 april 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

1 april 2026

Senast verifierad

1 april 2026

Mer information

Termer relaterade till denna studie

Andra studie-ID-nummer

  • CABG-AI-EDU-PHASE1-2025

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

IPD-planbeskrivning

Denna studie innefattar inga riktiga patientdeltagare. Datat är baserat på standardiserade simulerade patientscenarier utvecklade för metodologisk jämförelse mellan sjuksköterskeledd och ChatGPT-5-genererad utskrivningsinformation. Därför finns inga individuella deltagardata (IPD) att dela.

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