此页面是自动翻译的，不保证翻译的准确性。请参阅 英文版 对于源文本。

大型语言模型用于物理疗法学生的临床复制

2025年12月3日 更新者：Alfredo Lerín Calvo、Neuron, Spain

大型基于人工智能的语言模型的随机对照试验的可行性用于物理治疗学生的临床推理培训。随机对照试验

临床推理是物理治疗学生的一项基本技能，使他们能够收集和解释患者信息以做出准确的诊断和治疗决策。 传统的培训方法通常会限制学生对各种临床病例的接触，这可能会限制这些技能的发展。 大型语言模型（LLM）（例如CHATGPT）的整合到物理​​疗法教育中，通过模拟互动和现实的患者场景，为增强临床推理提供了一种新颖的方法。

这项随机对照试验旨在评估基于LLM的教育干预措施在提高物理治疗学生中临床推理技能方面的有效性。 该研究将招募来自多个大学机构的200名三年级物理疗法学生。 参与者将被随机分配给两个组之一：

  1. 实验组 - 学生将接受基于LLM的培训，并与对话性人工智能模型合作，以在为期8周的时间内解决临床病例。 该模型将对他们的问题提供实时回答，使他们能够完善自己的诊断和治疗推理。
  2. 对照组 - 学生将遵循标准课程，参加基于案例的传统学习和监督临床推理练习，而无需基于AI的帮助。

该研究的主要结果是通过标准化的书面案例评估和结构化的实际检查来评估临床推理技能的提高。 次要结果包括数字能力的变化，学生参与水平，对教育方法的总体满意度以及干预的成本效益。

通过评估LLM对临床推理培训的影响，本研究旨在确定AI驱动的教育工具是否可以有效地补充传统的物理疗法教育并改善学生为现实世界中的临床实践的准备。

研究概览

地位

招聘中

条件

干预/治疗

详细说明

临床推理是物理治疗学生的关键能力，可以根据患者信息评估，诊断和制定治疗计划。 尽管它很重要，但传统的教育方法通常会限制学生对各种临床病例的接触，从而限制了他们发展全面推理技能的能力。 人工智能的进步，尤其是大型语言模型（LLM），例如Chatgpt，通过模拟现实和互动式临床场景，提供了有希望的解决方案。

与传统培训方法相比，这项随机对照试验（RCT）旨在评估基于LLM的干预措施的有效性，以提高物理治疗学生的临床推理技能。 根据常规的基于课程的案例讨论，将将三年级的学生随机分配给实验组，接受基于AI驱动的案例培训或对照组。

干预措施将持续8周，在此期间，实验组的学生将与LLM相互作用以解决每周的临床病例，从而模仿现实世界中的患者遇到。 该模型将充当虚拟患者，响应学生的询问，并允许他们完善其诊断推理和治疗计划。 相比之下，对照组将参加传统的书面和导师主导的案例讨论。

统计分析计划

数据将使用SPSS版本29.0（SPSS Inc.，美国伊利诺伊州芝加哥）进行分析。 描述性统计数据将用于总结参与者的基线特征，其连续变量表示为平均值±标准偏差（SD）或中位数[四分位间范围]，具体取决于正态性，并以频率（n）和百分比（％）表示的分类变量。 将使用Kolmogorov-Smirnov检验和Shapiro-Wilk检验评估分布的正态性。 将使用组间比较；连续变量的独立t检验或Mann-Whitney U测试；卡方检验或Fisher对分类变量的精确测试；重复测量方差分析或线性混合模型将用于评估临床推理评分，数字能力和满意度水平的随着时间的变化。

逻辑回归模型将用于探索与基于LLM的干预措施的参与预测指标。 将计算效应大小（Cohen's D，Rosenthal的R），以测量观察到的差异的幅度。 通过比较实施基于LLM的干预措施的成本与临床推理分数和学生参与水平的提高，将进行成本效益分析。

统计显着性将设置为p <0.05，所有分析将使用两尾方法进行。

研究类型

介入性

注册 (估计的)

60

阶段

  • 阶段2

联系人和位置

本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。

学习联系方式

学习地点

  • 西班牙
    • Madrid
      • Madrid、Madrid、西班牙、28023
        • 招聘中
        • Centro Superior de Estudios Universitarios La Salle
        • 接触：
        • 首席研究员：
          • Raúl Ferrer Peña, PhD

参与标准

研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

  • 成人

接受健康志愿者

是的

描述

纳入标准：

  • 学生在La Salle高等大学研究中心（LCHUS）参加了物理治疗计划的第三年
  • 参与者必须年满18至30岁。
  • 在向研究的目标，程序和潜在风险介绍后，学生必须同意通过签署知情同意书来参加研究。
  • 参与者必须愿意参与基于LLM的平台（用于实验组），或在研究期间参与传统学习活动（对照组）。

排除标准：

  • 超过物理疗法教育第三年的临床经验的学生。
  • 可能会干扰干预措施或受益的身体或认知障碍（例如，视力，听力或运动障碍）。
  • 不提供知情同意参加研究的学生。
  • 没有足够精通西班牙语或英语的学生来了解材料和干预。

学习计划

本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。

研究是如何设计的？

设计细节

  • 主要用途：治疗
  • 分配：随机化
  • 介入模型：并行分配
  • 屏蔽：双倍的

武器和干预

参与者组/臂
干预/治疗
实验性的：LLM组

实验组的参与者将接受为期8周的干预措施，其中包括大型语言模型（LLM）的培训纳入其临床推理教育中。

学生将使用LLM驱动的平台（CHATGPT）进行每周的临床病例模拟，他们将与模型进行互动以获取患者信息，制定诊断并提出治疗计划。 LLM将提供实时响应，模拟虚拟患者的遇到。

培训将补充标准课程，使学生能够在结构化和互动的AI辅助环境中练习临床推理技能。 干预结束时，参与者将完成基于案例的最终评估，以评估临床推理，数字能力和与技术的参与的改进。
其他：大语言模型
实验组的干预措施是通过将基于大语言模型（LLM）的交互式平台（CHATGPT）整合到物理​​治疗学生临床推理培训中的区分。 与传统的教育方法不同，这种干预措施提供了实时，AI生成的患者互动，使学生可以积极参与虚拟临床病例模拟。
有源比较器：常规学习小组

对照组的参与者将遵循标准课程，以在8周内进行临床推理培训，而不会暴露于基于LLM的干预措施。

学生将使用传统的学习方法进行每周基于案例的讨论，包括书面案例分析和与讲师的监督讨论。 这些课程将遵循物理治疗培训计划中使用的通常的教育框架，强调通过指导指导的诊断推理和治疗计划。

在培训期结束时，参与者将完成基于案例的最终评估，以评估其临床推理技能，数字能力以及与学习过程的整体参与。
其他：传统的
对照组的干预遵循一种传统的基于病例的学习方法，该方法通常用于物理治疗教育。 与实验组不同，这种培训方法仅依靠人工智能或交互式数字工具的整合而依靠人为主导的教学和书面案例分析。

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
临床推理性能
大体时间：通过基于病例的评估和实际评估在8周干预开始时进行评估。
该结果衡量了干预后学生临床推理技能的提高。 将根据他们收集，解释和分析患者信息并制定准确的诊断和治疗计划的能力对学生进行评估。 这将通过书面案例研究和实践考试进行评估，这是该量表用于评估该结果的仪器。
通过基于病例的评估和实际评估在8周干预开始时进行评估。

次要结果测量

结果测量
措施说明
大体时间
学生参与干预
大体时间：在整个8周的干预期内进行监控，每周跟踪学生互动和案例完成。
该结果衡量了学生与基于LLM的平台（实验组）和传统基于案例的学习（对照组）的积极参与水平。 将根据相互作用的频率，使用持续时间和分配案例的完成率进行评估。
在整个8周的干预期内进行监控，每周跟踪学生互动和案例完成。
对教育方法的满意
大体时间：使用与提供对基于LLM的平台的访问相关的成本，并将其与其他结果中观察到的改进进行比较。
该结果评估了学生对学习经验的总体满意度，专注于干预的有效性，可用性和感知价值。 满意度将通过视觉模拟量表（VAS）来衡量，在该量表中，学生对训练方法的满意度进行了评分。
使用与提供对基于LLM的平台的访问相关的成本，并将其与其他结果中观察到的改进进行比较。
数字能力
大体时间：通过临时数字能力问卷调查在为期8周的干预开始和结束时进行评估。
该结果评估了学生在临床推理的背景下有效地使用数字工具，尤其是Chatgpt等AI驱动平台的能力。 学生将填写数字能力问卷，评估他们在数据管理，健康通信和数字内容创建等多个领域的技能。 它将通过Montero-Delgado等人开发的数字能力问卷进行评估。 （2020）
通过临时数字能力问卷调查在为期8周的干预开始和结束时进行评估。

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

赞助

Neuron, Spain

出版物和有用的链接

负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。

一般刊物

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (实际的)

2023年9月1日

初级完成 (估计的)

2026年6月30日

研究完成 (估计的)

2026年7月30日

研究注册日期

首次提交

2025年1月30日

首先提交符合 QC 标准的

2025年2月4日

首次发布 (实际的)

2025年2月5日

研究记录更新

最后更新发布 (估计的)

2025年12月4日

上次提交的符合 QC 标准的更新

2025年12月3日

最后验证

2025年2月1日

更多信息

与本研究相关的术语

关键字

其他相关的 MeSH 术语

其他研究编号

  • ALC001NR005

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)？

不

IPD 计划说明

在这项研究中，个人参与者数据（IPD）将不会公开共享。 收集的数据，包括临床推理评估，数字能力评估和满意度得分，将仅用于本研究的目的。 访问参与者数据将仅限于研究团队，并且不会与外部各方共享。

在整个研究中将严格维护参与者的隐私和机密性。 所有数据都将被匿名化，任何可识别的信息都将符合适用的数据保护法规牢固存储和保护。 此外，该研究的结果将以汇总形式共享，以确保在任何公共报告或出版物中都没有披露或识别个人的数据。

作为保护参与者隐私的道德承诺的一部分，任何访问IPD的请求均不会批准。

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

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.

订阅