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。

大型语言模型在癌症共同决策中的使用与接受度

2026年4月26日更新者：Technical University of Munich

大型语言模型在肿瘤学共享决策中的使用与接受度：患者、公众及医疗专业人士的视角

本研究探讨癌症患者、普通公众以及医疗专业人员如何运用和看待大型语言模型（例如ChatGPT）在肿瘤学健康相关共同决策中的作用。通过一项经过两轮德尔菲法（涉及44位专家）开发并验证的问卷，我们在30个国家的7,151名参与者中进行了横断面调查。该研究评估了当前使用大型语言模型获取健康信息的模式、采纳障碍（包括对可靠性和隐私的担忧）、对这些工具在未来共同决策中的期望，以及采纳情况的人口统计学预测因素。参与者于2025年3月至5月期间通过Prolific平台招募，采用分层抽样方法覆盖三组人群：过去五年内确诊的癌症患者、来自美国和英国的普通公众成员，以及拥有活跃患者接触的持证医疗专业人员。

研究概览

地位

完全的

条件

详细说明

共享决策是临床医生支持患者达成治疗决策的协作过程。尽管其在肿瘤学中具有重要意义，但在常规临床实践中，结构化的共享决策仍然不常见。大型语言模型为患者获取和理解医学信息提供了新途径，但关键利益相关者如何看待和使用这些工具进行健康决策仍知之甚少。

这项观察性研究采用顺序混合方法设计，将德尔菲共识方法与横断面调查部署相结合。由八个领域（临床人工智能、技术开发、肿瘤学、心理学、流行病学、患者权益倡导、伦理学和法律专业知识）的44名专家组成的小组通过两轮德尔菲法制定并验证了评估工具，就89个项目达成共识。最终工具包含52个定量项目和8个定性提示，区分了通用与医疗专用大型语言模型的使用。

研究招募了三组人群：2,316名五年内自我报告确诊的癌症患者、来自美国和英国的2,000名普通人群成员，以及2,835名持证医疗专业人员。质量控制包括注意力检查、完成时间监控、一致性验证和核查程序，从最初的7,845份回复中排除了694份（8.8%）。

主要分析包括卡方检验和经Bonferroni校正的方差分析、采用分层模型构建的多变量逻辑回归以识别采用预测因素，以及通过交叉表结合k均值聚类进行的用户细分。该研究已获得慕尼黑工业大学机构审查委员会的批准（TUM2024-89-S-SB）。

研究类型

观察性的

注册 (实际的)

7151

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。

学习地点

德国
- Bavaria
  - Munich、Bavaria、德国、81675
    - Technical University Munich

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
年长者

接受健康志愿者

是的

取样方法

非概率样本

研究人群

通过Prolific平台招募的三个队列：过去五年内确诊的癌症患者（n=2,316）、来自美国和英国的一般人群成员（n=2,000），以及拥有活跃患者接触的持证医疗保健专业人员（n=2,835）。在一般人群队列中，分层抽样对年龄、性别、种族和教育程度设定了配额。

描述

入选标准：

年龄18岁或以上英语语言能力定期互联网访问在Prolific研究平台注册对于癌症患者队列：过去五年内自我报告的癌症诊断对于医疗专业人员队列：具有活跃患者接触的持牌医疗从业人员对于普通人群队列：美国或英国居民

排除标准：

嵌入的注意力检查问题失败（4次检查）调查完成时间超出可接受范围（少于5分钟或超过60分钟）一致性验证算法检测到直线回答模式队列验证程序失败

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

团体/队列数

队列和干预

团体/队列
癌症患者过去五年内自我报告确诊癌症的18岁及以上成年人，通过Prolific平台招募，并通过关于确诊日期、癌症类型和治疗状态的筛查问题进行验证。 n=2,316。
普通人群来自美国和英国的18岁及以上成年人，无特定健康状况要求，通过Prolific平台招募，采用分层抽样配额，涵盖年龄、性别、民族和教育程度。 n=2,000。
医疗专业人员通过Prolific平台从美国、英国及其他28个国家招募的、年龄在18岁或以上、拥有活跃患者接触的持证医疗保健从业者，包括医生和护理人员。 n=2,835。

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
医疗领域专用大语言模型使用率大体时间：在完成调查时（单次评估，2025年3月至5月）	报告使用大语言模型专门获取健康相关信息的参与者比例，采用5点李克特频率量表测量，并二分为使用与非使用。	在完成调查时（单次评估，2025年3月至5月）
对未来大语言模型改善共享决策的信念大体时间：在调查完成时（单次评估，2025年3月至5月）	通过李克特量表回答评估，认为大型语言模型将提高肿瘤学领域共享决策质量的参与者比例。	在调查完成时（单次评估，2025年3月至5月）
大型语言模型采用的障碍大体时间：在调查完成时（单次评估，2025年3月至5月）	对使用大型语言模型进行健康决策的担忧普遍性，包括可靠性担忧、隐私担忧以及偏好人际互动，各项均以二元形式（存在或不存在）进行评估。	在调查完成时（单次评估，2025年3月至5月）

次要结果测量

结果测量	措施说明	大体时间
大型语言模型采用的独立预测因素大体时间：在调查完成时（单次评估，2025年3月至5月）	基于分层多变量逻辑回归的比值比，识别影响医疗专用大型语言模型接受度的人口统计学和健康相关预测因素，包括年龄、性别、种族、教育程度、数字素养以及对健康信息理解的自信心。	在调查完成时（单次评估，2025年3月至5月）
用户细分大体时间：在完成调查时（单次评估，2025年3月至5月）	通过交叉制表当前使用情况与感知收益得出数据驱动的用户细分分布，再经k均值聚类法细化：潜在采纳者、相信型用户、抗拒型非用户及怀疑型用户。	在完成调查时（单次评估，2025年3月至5月）
医疗保健专业人员推荐模式大体时间：在调查完成时（单次评估，2025年3月至5月）	与个人使用率相比，推荐大语言模型给患者获取健康信息的医疗专业人员比例。	在调查完成时（单次评估，2025年3月至5月）

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

Technical University of Munich

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)

2025年3月1日

初级完成 (实际的)

2025年5月1日

研究完成 (实际的)

2025年5月1日

研究注册日期

首次提交

2026年4月6日

首先提交符合 QC 标准的

2026年4月6日

首次发布 (实际的)

2026年4月13日

研究记录更新

最后更新发布 (实际的)

2026年4月30日

上次提交的符合 QC 标准的更新

2026年4月26日

最后验证

2026年4月1日