人工智能集成混合现实高风险药物管理模拟程序的有效性 (AIMR-HAM)
本临床试验的目的是研究人工智能集成混合现实高警示药品管理模拟程序(AIMR-HAM)是否能帮助医院护士更安全地管理高警示药品(HAMs)。混合现实技术融合真实与虚拟元素,让护士在逼真场景中练习。
主要研究问题包括:
AIMR-HAM是否能提升护士的用药安全技能?AIMR-HAM是否能减少用药错误并改善临床表现?
研究人员将通过比较两组参与者来回答这些问题:
干预组:接受AIMR-HAM培训 对照组:仅接受标准教育
参与资格:
在大型医院工作且具有1至6年临床经验的护士。
约60名护士将参与本研究。
参与者需要完成的任务:
参加指定的培训(AIMR-HAM或仅标准教育)。在培训前后完成简短测试和问卷调查,以评估技能、沟通能力和临床推理能力。报告研究期间发生的任何用药错误。
研究意义:本研究将验证AIMR-HAM培训是否能改善护士处理高警示药品的方式,从而提升患者护理安全性。
研究概览
详细说明
本试验评估人工智能集成混合现实高警示药物管理模拟程序(AIMR-HAM)是否能提高具有1-6年临床经验的医院护士的高警示药物管理技能、临床表现(基于模拟的观察评估)、沟通能力和药物错误率。 该试验旨在评估AIMR-HAM在增强真实临床实践中的实践能力和患者安全方面的有效性。
研究设计与随机化 本研究为单中心、平行组、随机对照试验,约有60名护士参与。 参与者使用计算机生成的随机化计划(例如,区组随机化)按1:1比例随机分配至干预组或对照组。 随机化由独立数据管理员执行,以保持分配隐藏。 结果评估者对分组分配不知情(评估者盲法)。
干预措施 - AIMR-HAM(干预组)
概述:该干预结合了基于MR头显、情景驱动的动手实践。
关键组成部分:
- 定向培训
- 预简报
- AIMR模拟
- 事后简报
技术说明:MR设置将虚拟元素与物理环境整合,提供视觉和听觉提示;设备型号/制造商和软件版本可在协议字段中指定。
对照组:对照组接受医院的标准药物管理教育(讲座、案例讨论和研讨会)。 时间表和总接触时间与干预组匹配,以控制时间和注意力因素。
参与者程序与时间线 研究流程为:筛选 → 书面知情同意 → 基线(干预前)评估 → 随机化 → 指定培训(MR+标准教育或仅标准教育) → 培训后即时评估 → 随访评估(例如,培训后1个月) → 研究完成。 在每个评估点,参与者完成相同的评估集,以便进行时间上的比较。
数据收集方法
:临床表现和技能通过在模拟评估中使用标准化表现检查表和观察者评分量表进行测量。 经过培训、对分配不知情的评估者进行这些评估。
通过电子或纸质问卷收集自我报告工具(信心、沟通、认知负荷),并输入研究数据库。
药物错误数据从医院事件报告系统和研究期间参与者的自我报告中收集;通过数据审查和分类对重复报告进行核对。
MR系统自动记录参与者交互日志(时间戳、操作、决策点),可用作补充分析数据。
分析概述
主要分析遵循意向治疗原则。 使用t检验或线性回归比较连续结果(例如,能力评分);使用混合效应模型分析重复测量,以考虑参与者内部相关性。
使用逻辑回归或风险估计分析二元结果(例如,是否存在药物错误)。
根据需要,在调整分析中包含预先指定的协变量(例如,基线评分或临床科室)。 敏感性分析处理缺失数据(例如,多重插补)和方案偏离。
安全与伦理 本研究已获得机构审查委员会(IRB)批准。 所有参与者在入组前提供书面知情同意。 监测并按照方案管理与MR使用相关的任何不适(如头晕或恶心);严重不良事件及时报告给IRB和医院监督机构。 个人数据经过去标识化或加密处理,并存储在访问受限的环境中。
质量保证与可靠性措施
培训师和评估者接受标准化培训,以确保干预的一致实施和结果的评分一致性。
随机化、数据录入和数据处理遵循标准操作程序。 数据接受定期监测和周期性质量检查;必要时可进行独立的数据质量审计。
结论与潜在影响 本试验将确定与标准教育相比,AIMR-HAM是否能显著提高护士的药物管理能力并减少药物错误。 研究结果可为医院教育实践提供参考,并支持AIMR-HAM在临床技能培训中的更广泛应用。
研究类型
注册 (估计的)
阶段
- 不适用
联系人和位置
学习联系方式
- 姓名:Hwigon Jeon, Ph.D. student
- 电话号码:+82-10-5121-0700
- 邮箱:tjdans779@gmail.com
参与标准
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
描述
纳入标准:
具有至少一年至六年临床经验的护士。
理解本研究目的和程序,并已书面同意参与的人员。
使用混合现实设备无身体或认知障碍的人员。
③ 能够使用韩语交流并理解及回答问题的人员。
排除标准:
不愿参与本研究的人员。 ① 过去六个月内参与过高警示药物相关教育的人员。
因视觉、听觉或神经系统障碍,或头晕、晕动症等不良反应而无法或难以参与混合现实教育计划的人员。
- 研究中途自愿退出的人员。
学习计划
研究是如何设计的?
设计细节
- 主要用途:卫生服务研究
- 分配:随机化
- 介入模型:并行分配
- 屏蔽:三倍
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的:第1组
参与者接受人工智能集成混合现实高警示药品管理模拟程序
|
干预组参与者接受基于人工智能集成的混合现实高风险药物管理模拟程序
|
|
有源比较器:第2组
参与者接受医院的标准药物管理教育
|
参与者接受医院标准的药物管理教育(讲授式讲座、案例讨论和研讨会)
|
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 |
|---|---|---|
|
高风险药物临床绩效
大体时间:基线,干预后即刻
|
高危药物临床操作能力评估将采用我们研究团队开发的问卷。
该工具包含23个问题,其中4个将根据模拟进度而变化,最终评估测量19个问题。
每个项目将由指导老师按0分(失败或错误执行)、1分(执行不足或不充分)和2分(准确执行)进行评分。
开发的项目将由六位专家进行效度评估,然后修订和补充以供使用。
分数越高表示高危药物临床操作能力越强。
|
基线,干预后即刻
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
全球人际沟通能力
大体时间:基线,干预后即刻
|
沟通能力将使用由Heo Kyung-ho(2003)开发的全球人际沟通能力(GICC)量表进行测量,该量表由Lee Hyun-sook和Kim Jong-gyeong(2010)修改和补充。
它包含15个项目,每个项目均采用5点李克特量表进行评分,范围从1(完全不)到5(非常),分数越高表示沟通能力越强。
在Lee Hyun-sook和Kim Jong-gyeong(2010)的研究中,Cronbach's α为.83。
|
基线,干预后即刻
|
|
临床推理能力
大体时间:基线,干预后即刻
|
临床推理能力将采用Bae等人(2023年)开发的临床推理能力量表(CRCS)进行测量。
该量表包含22个项目,每个项目采用5点李克特量表评分,范围从1(完全不)到5(非常符合)。
得分越高,表明临床推理能力越强。
在Bae等人(2023年)的研究中,Cronbach's α系数为0.92。
|
基线,干预后即刻
|
|
药物安全能力
大体时间:基线,干预后立即
|
药物安全能力将使用Park和Seomun(2021年)开发的药物安全能力量表(MSCS)进行测量。
该量表包含36个项目和六个子量表(以患者为中心的药物管理、问题情境改善、管理影响因素、管理危机情境、跨学科协作以及作为护理专业人员的责任)。
每个项目采用5点李克特量表评分(1 = "完全不符合" 到 5 = "非常符合"),总分从36分到最高180分。
总分越高表示药物安全能力水平越高。
MSCS的可靠性为Cronbach's α = .96。
|
基线,干预后立即
|
合作者和调查者
出版物和有用的链接
一般刊物
- Bae, J., Lee, J., Choi, M., Jang, Y., Park, C. G., & Lee, Y. J. (2023). Development of the clinical reasoning competency scale for nurses. BMC nursing, 22(1), 138. Elendu, C., Amaechi, D. C., Okatta, A. U., Amaechi, E. C., Elendu, T. C., Ezeh, C. P., & Elendu, I. D. (2024). The impact of simulation-based training in medical education: A review. Medicine, 103(27), e38813. Fernández-Alcántara, M., Escribano, S., Juliá-Sanchis, R., Castillo-López, A., Pérez-Manzano, A., Macur, M., Kalender-Smajlović, S., García-Sanjuán, S., & Cabañero-Martínez, M. J. (2025). Virtual Simulation Tools for Communication Skills Training in Health Care Professionals: Literature Review. JMIR Medical Education, 11(1), e63082. Frost, J., Delaney, L., & Fitzgerald, R. (2020). Exploring the application of mixed reality in nurse education. BMJ Simulation & Technology Enhanced Learning, 6(4), 214. Fu, Y., Hu, Y., & Sundstedt, V. (2022). A systematic literature review of virtual, augmented, and mixed reality game applications in healthcare. ACM Transactions on Computing for Healthcare (HEALTH), 3(2), 1-27. Gaffney, T. A., Hatcher, B. J., & Milligan, R. (2016). Nurses' role in medical error recovery: an integrative review. Journal of clinical nursing, 25(7-8), 906-917. Han, Y., Chen, J., Xu, Y., Huang, P., & Hou, L. (2024). Nurse-led medication management as a critical component of transitional care for preventing drug-related problems. Aging Clinical and Experimental Research, 36(1), 151. Hodkinson, A., Tyler, N., Ashcroft, D. M., Keers, R. N., Khan, K., Phipps, D., Abuzour, A., Bower, P., Avery, A., & Campbell, S. (2020). Preventable medication harm across health care settings: a systematic review and meta-analysis. BMC medicine, 18(1), 313. Jeon, H. G., & Jeong, H. W. (2025). Effectiveness of a Mixed Reality Simulation Program for Dyspnoea Care on New Nurses' Clinical Competency: A Mixed-Methods Study. Nurse Education in Practice, 104397. Mardani, A., Griffiths, P., & Vaismoradi, M. (202
研究记录日期
研究主要日期
学习开始 (估计的)
初级完成 (估计的)
研究完成 (估计的)
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.