利用可解释的机器智能防止药房实践中的配药错误
研究概览
详细说明
药剂师目前正在执行独立的双重检查，以在药物到达患者手中之前识别药物选择错误。 然而，使用机器智能（MI）来支持药剂师的这种认知决策工作在实践中并不存在。 相反，药剂师仅依赖药物的参考图像，他们可以将其与处方药瓶中的内容物进行比较。 先前的研究表明，决策支持系统可以有效提高医疗保健服务的效率和准确性，同时预防药物不良事件。 然而，人们对 MI 技术如何影响药剂师的工作绩效和认知需求知之甚少。
为了促进药剂师和 MI 系统之间的长期共生关系，需要建立适当的信任。 虽然信任被认为是有效人机协作的核心因素，但当人类对自动化技术产生不合理的信任，而没有给予足够的信任时，就会出现问题。 对自动化的过度信任可能会导致自满和自动化偏见。 例如，药剂师可能会依赖 MI 系统，以至于盲目接受系统的任何建议。 信任不足可能会导致药剂师不再使用以及可能放弃 MI 系统。
此外，人们对 MI 对药剂师工作表现提出建议的时间知之甚少。 例如，在药剂师执行药物验证任务时显示 MI 的建议可能会产生与在药剂师做出决定后显示 MI 的建议不同的结果。
研究人员开发了一种用于药物图像分类的 MI 系统。 本研究的目的是检查 MI 建议的时间安排的有效性，以确定它是否会缩短任务时间、提高准确性并增加对 MI 的信任。
研究类型
注册 (实际的)
阶段
- 不适用
联系人和位置
学习地点
-
-
Michigan
-
Ann Arbor、Michigan、美国、48109
- University of Michigan
-
-
参与标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
描述
纳入标准：
- 美国执业药剂师
- 筛查时年满 18 岁
- 装有 Microsoft Windows 10 的 PC/笔记本电脑或装有 MacOS 且设备上安装有 Google Chrome、Edge、Opera、Safari 或 Firefox Web 浏览器的 Mac（Macbook、iMac）
- 屏幕分辨率为 1024x968 像素或更高
- 出于眼动追踪目的，还需要笔记本电脑集成网络摄像头或 USB 网络摄像头。
排除标准：
- 参加了第 1 波或第 2 波
- 眼镜
- 未矫正的白内障、眼内植入物、青光眼或永久性瞳孔散大
- 需要屏幕阅读器/放大器或其他辅助技术才能使用计算机
- 眼球运动或排列异常（弱视、斜视、眼球震颤）
学习计划
研究是如何设计的？
设计细节
- 主要用途：其他
- 分配：随机化
- 介入模型：交叉作业
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：没有 MI 帮助
验证任务期间不会提供 MI 帮助
|
参与者将在没有任何 MI 帮助的情况下完成药物验证任务
如果参与者的决定与 MI 的决定不同，他们将以弹出消息的形式收到 MI。
MI 帮助将与填充图像和参考图像同时显示。
|
|
实验性的：场景#1
MI 帮助将以弹出消息的形式呈现，参与者的决定与 MI 的决定不同。
|
参与者将在没有任何 MI 帮助的情况下完成药物验证任务
如果参与者的决定与 MI 的决定不同，他们将以弹出消息的形式收到 MI。
MI 帮助将与填充图像和参考图像同时显示。
|
|
实验性的：场景#2
MI 帮助将与填充图像和参考图像同时显示。
|
参与者将在没有任何 MI 帮助的情况下完成药物验证任务
如果参与者的决定与 MI 的决定不同，他们将以弹出消息的形式收到 MI。
MI 帮助将与填充图像和参考图像同时显示。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
反应时间
大体时间：在整个验证任务中
|
任务时间差异通过从开始任务到接受或拒绝药物图像所用的秒数来衡量
|
在整个验证任务中
|
|
决策准确性
大体时间：在整个验证任务过程中
|
通过所有参与者组中的药物验证错误数量测量的检测率差异。
|
在整个验证任务过程中
|
|
信任变化
大体时间：在场景1和2中的每次试验后
|
参与者将在每个研究分支（即场景1、场景2和无帮助）中完成100次模拟药物验证试验。 在场景1和场景2的每次试验后，参与者将使用视觉模拟量表（VAS）回答以下问题：“您对AI建议的信任程度如何？” 100分VAS的端点从“完全不信任”到“完全信任”。 参与者在每次试验后以1-100的评分表示对MI建议的信任程度，分数越高表示信任度越高。 通过视觉模拟量表测量的信任变化将使用以下公式计算： 信任变化(i) = 信任(i) - 信任(i - 1)，其中i=2, 3, ..., 100。 为了计算特定场景内信任变化变量的单一汇总值，对从试验中测量的个体信任变化分数进行平均。 这种平均方法提供了在整个场景期间信任如何变化的综合衡量。 |
在场景1和2中的每次试验后
|
|
信任
大体时间：情景1和情景2中的干预后。
|
信任将通过Muir & Moray（1996）的自动化信任量表进行评估。
分数范围为0到100，分数越高表示信任水平越高。 |
情景1和情景2中的干预后。
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
认知努力
大体时间：在整个验证任务期间
|
参与者的眼球运动通过基于浏览器的在线眼动追踪系统进行跟踪。
结果指标是通过注视次数测量的认知努力差异，具体在以下感兴趣区域：填充图像、参考图像或MI图。
更高的注视率表示对某个区域的重复关注。
|
在整个验证任务期间
|
|
认知努力
大体时间：在整个验证任务中
|
参与者的眼动通过基于浏览器的在线眼动追踪系统进行跟踪。
结果指标是通过在定义的感兴趣区域（填充图像、参考图像或MI图）中的注视持续时间测量的认知努力差异。
注视持续时间越长表明认知负荷越高。
|
在整个验证任务中
|
|
工作量
大体时间：在每组完成100次模拟验证试验后
|
参与者在3个组别中分别完成100次模拟药物验证试验。 每个组别的工作负荷将通过NASA任务负荷指数(TLX)进行测量。 评估的5个TLX维度包括：心理需求、努力程度、时间需求、绩效表现和挫折感。 对于每个维度，参与者将回答一个单一问题。 其中4个维度的Likert量表端点分别为“非常低”和“非常高”。 绩效表现维度采用反向计分，其端点分别为“完美”和“失败”。 随后参与者通过指出哪个维度是他们认为更重要的因素（例如：努力程度 vs 挫折感）来完成10次维度间的两两比较。 每个类别得分乘以其相应的两两比较次数后求和，再除以10得到整体加权工作负荷得分。 最终得到一个1到20之间的整体工作负荷得分，分数越高表示工作负荷越高。 |
在每组完成100次模拟验证试验后
|
|
易用性
大体时间：在每组完成100次模拟验证试验后
|
参与者将在3个组别（无MI辅助、场景1和场景2）中分别完成100次模拟药物验证试验。
完成100次试验后，参与者将使用系统可用性量表（SUS）评估模拟验证界面。
SUS包含10个陈述，参与者使用5点李克特量表（从非常同意到非常不同意）表明他们的同意程度。
奇数编号的问题具有正向回答，偶数编号的问题需反向计分。
分数相加后乘以2.5得到最终SUS分数。
SUS分数范围从0到100，分数越高表示可用性越高。
平均SUS分数被认为是68。
低于50的分数被视为“不可接受”。
51-70之间的分数被视为“边缘”，71以上的分数被视为“可接受”，80或以上的分数表示高可用性。
|
在每组完成100次模拟验证试验后
|
合作者和调查者
调查人员
- 首席研究员：Corey A Lester, PharmD, PhD、University of Michigan
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (实际的)
研究完成 (实际的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.