人工智能辅助护理药物计算学习
通过人工智能变革护理实践：人工智能辅助学习在药物剂量计算中对知识、临床决策及自我效能的影响研究
本研究旨在评估人工智能辅助学习平台对护士准确计算药物剂量能力的影响。药物计算是护理工作中的一项关键技能，计算错误可能严重影响患者安全。
尽管传统教学方法已成为标准，但它们可能无法为如此高风险的任务提供所需的个性化反馈。本研究比较两组护士：一组使用提供交互式场景和实时指导的人工智能驱动软件，另一组接受传统课堂教学。
研究人员旨在确定人工智能方法是否能够带来：
药物计算理论知识的提升。 药物管理期间临床决策能力的增强。 护士在实际临床环境中执行这些任务时的信心（自我效能感）提高。
此外，研究还通过焦点小组讨论进行定性分析，以探讨参与者对人工智能辅助学习平台的接受度、感知有用性、可用性以及整体看法。这项定性调查更深入地揭示了护士的使用体验、对人工智能融入教育的态度，以及他们对平台内所用教学策略有效性的意见。
研究概览
详细说明
在护理实践中，尤其是在心血管和重症监护等高危环境中，用药错误是一个重大挑战。本研究评估了一种人工智能驱动的教育干预措施的有效性，该干预旨在弥合药物计算中理论知识与临床应用之间的差距。
研究设计
本研究采用混合方法设计，包括准实验性的前测-后测方法（设有对照组），并辅以定性的焦点小组研究。参与者被分配到接受人工智能辅助学习的实验组或接受传统教学的对照组。
干预措施（研究组）
实验组的参与者使用了人工智能辅助学习软件，该软件通过多项先进功能旨在提升其教育体验。软件提供自适应学习路径，能根据护士的表现调整计算复杂度。此外，它提供实时反馈，确保在复杂药物剂量计算中即时纠正和分步指导。最后，软件还包含基于人工智能的临床模拟，为学习者创建高压临床决策场景。
对照组
对照组的参与者接受传统教学方法，包括针对药物计算的标准讲座和纸质练习课程。这种方法覆盖了与实验组相同的核心课程，但未包含任何人工智能辅助。
研究在干预前后评估了三个关键领域：
护理知识，通过标准化的药物计算考试进行评估。
临床决策能力，使用经过验证的护理决策量表进行测量。
自我效能感，通过标准化的自我效能量表评估临床计算的自信心。
数据使用社会科学统计软件包进行分析，以比较实验组和对照组的平均得分。
定性部分（焦点小组研究）
为了补充定量结果，对实验组的参与者进行了定性焦点小组研究。目的是探索护士对人工智能平台的接受度、感知有用性、可用性、学习进度的可见性，以及对人工智能辅助教学策略的总体意见。
焦点小组讨论被录音、转录，并使用主题分析法进行分析，以识别与用户体验、感知教育价值以及将基于人工智能的学习整合到临床教育的准备度相关的重复模式和主题。这一定性部分更深入地洞察了参与者对人工智能融入护理教育的态度，并丰富了定量结果的解释。
研究类型
注册 (实际的)
阶段
- 不适用
联系人和位置
学习地点
-
-
Alexandria Governorate
-
Alexandria、Alexandria Governorate、埃及、2500
- Faculty of Nursing, Alexandria University
-
-
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：
在多个临床环境中工作的护士，包括内外科、心血管或重症监护病房等。
护士负责药物管理和药物剂量计算，作为其日常临床职责的一部分。
愿意参与人工智能辅助学习项目并签署知情同意书。
排除标准：
最近接受过药物计算特定培训或在过去6个月内接触过基于人工智能的教育工具的护士
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：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：人工智能辅助学习组
使用基于人工智能辅助的平台，提供药物计算的情景式学习和实时反馈。
|
一款创新的人工智能软件通过情景化学习，在药物计算和临床推理方面提升护理准确性，提供实时反馈和自适应学习路径。
|
|
实验性的：传统学习组
参与者通过传统讲座和纸质实践课程接受标准课程。
|
标准的课堂授课包括理论讲座和基于纸张的练习，重点在于药物剂量计算。
|
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 |
|---|---|---|
|
护士药物计算知识
大体时间：基线（前测）和干预后2周（后测）
|
一个包含16个项目的评估工具，旨在评估护士在药物计算原则（例如单位换算、流速和剂量计算）方面的理论和实践知识。 每个正确答案得分为“1”，每个错误答案得分为“0”。 量表范围：总分范围从最低0分到最高16分。 解释：分数越高表明结果越好（对计算原则的掌握更熟练）。 高（13-16分）：能力水平（>80%）。 中等（10-12分）：可接受但不完整的知识（60%-80%）。 低（0-9分）：理解不足（<60%）。 |
基线（前测）和干预后2周（后测）
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
护士药物计算决策量表
大体时间：基线（前测）和干预后2周（后测）
|
该量表是一个包含8个项目的自我报告工具，旨在评估护士在药物剂量计算方面的临床判断和信心。 每个项目采用5点李克特量表评分，范围从1（非常不同意）到5（非常同意）。 最小值和最大值：总分范围从最小值8到最大值40。 解读：分数越高表示结果越好（临床能力更强，决策更安全）。 高（30-40）：高能力。 中（19-29）：中等能力；需要监督。 低（8-18）：信心和判断力较差。 |
基线（前测）和干预后2周（后测）
|
|
一般自我效能感量表
大体时间：基线（前测）和干预后2周（后测）
|
描述：一项包含10个项目的心理测量量表，用于评估护士在不同条件下执行药物计算和临床任务时的感知信心和自我信念能力。 每个项目采用4点李克特量表评分：1（完全不正确），2（几乎不正确），3（中等程度正确），4（完全正确）。 量表范围：总分范围从最低10分到最高40分。 解释：分数越高表明结果越好（感知能力更强，自我效能感更高）。 高（31-40）：感知能力和自我信念较强。 中等（21-30）：处理需求时具有中等信心。 低（10-20）：应对挑战的能力信念较低。 |
基线（前测）和干预后2周（后测）
|
|
护士对人工智能辅助学习的感知与满意度（定性研究）
大体时间：AI辅助训练完成后的2周
|
描述：评估参与者对人工智能辅助学习平台的接受度、感知有用性、可用性和满意度。 数据将通过焦点小组讨论收集。 分析方法：结果将采用主题分析法进行分析，以识别重复出现的模式和主题。 测量单位：这是一个定性结果；结果将以叙述性主题的形式报告（例如：“提高的计算信心”或“用户界面满意度”）。 |
AI辅助训练完成后的2周
|
合作者和调查者
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.