LLM-genererade sammanfattningar för hjärn-MRI-rapporter (CLEAR-HEAD)

Bakgrund Huvudvärk står för ungefär 2 % till 4 % av akutmottagningens besök, vilket motsvarar cirka 450 000 konsultationer årligen i Frankrike. Medan 95 % av dessa fall är godartad primär huvudvärk är det avgörande att identifiera sekundära orsaker som kräver akut hantering, vilket ofta leder till ökad användning av neuroavbildning såsom MRI. Däremot innehåller radiologiska rapporter ofta komplex medicinsk jargong som kan vara svår för patienter och icke-specialistläkare att förstå, vilket potentiellt kan orsaka förvirring eller ångest. Stora språkmodeller (LLM) har visat potential att förenkla komplex medicinsk text. Även om kommersiella modeller finns, erbjuder öppenviktsmodeller (som kan drivas lokalt för att säkerställa datasäkerhet) en lovande väg för klinisk integration. Denna studie syftar till att utvärdera effektiviteten av en AI-genererad sammanfattning i enkelt språk för att förbättra patienters förståelse av hjärn-MRI-rapporter.

Studiedesign Detta är en randomiserad, kontrollerad, enkelblindad studie inbäddad i COMPARE e-kohorten. Studien använder en parallellgruppsdesign med en 1:1-fördelning. Hela studien genomförs på distans via säkra webbformulär.

Deltagare Studien rekryterar vuxna volontärer som redan är med i COMPARE e-kohorten. Deltagarna måste ha tillräckliga kunskaper i skriftlig franska för att läsa rapporterna och fylla i frågeformulären. Inget specifikt medicinskt tillstånd krävs för inkludering, eftersom studien använder fiktiva fallscenarier.

Intervention och procedurer Deltagarna randomiseras till en av två grupper via en minimeringsprocedur som balanserar tidigare hjärn-MRI och känd neurologisk patologi. Varje deltagare ombeds läsa sex fiktiva hjärn-MRI-rapporter som simulerar vanliga akuta huvudvärksscenarier. De sex rapporterna täcker tre kliniska situationer: två med normala resultat, två med tillfälliga fynd som inte förklarar huvudvärken och två med avvikelser som förklarar huvudvärken. I experimentgruppen får deltagarna standard-MRI-rapporten berikad med ett strukturerat sammanfattande stycke genererat av en öppenvikts-LLM, insatt under avsnittet Syntes för patienten och icke-radiologiläkaren. I kontrollgruppen får deltagarna standard-MRI-rapporten i dess ursprungliga version utan den AI-genererade sammanfattningen.

Utfallsmått Omedelbart efter att ha läst varje rapport fyller deltagarna i ett standardiserat frågeformulär. Det primära utfallet är förståelsen av rapporten, mätt genom noggrannheten i svaret på den binära frågan: Hittas en trolig förklaring till huvudvärken i denna rapport? Sekundära utfall inkluderar deltagarnöjdhet mätt på en Likert-skala, upplevt behov av professionell förtydligande, upplevd förmåga att förklara resultat för en anhörig och projicerade ångestnivåer.

Statistisk analys Den primära analysen kommer att jämföra andelen korrekta svar mellan grupperna med hjälp av en blandad logistisk regressionsmodell. Denna modell kommer att inkludera interventionsgruppen som en fix effekt och ta hänsyn till korsade slumpmässiga effekter (deltagare och rapport) för att hantera intraindividuell korrelation och variabilitet mellan kliniska fall. Urvalsstorleken beräknas till 412 deltagare (206 per grupp) för att upptäcka en 10 % skillnad i förståelse med 95 % styrka.