Using Artificial Intelligence to Personalize Caring Contact Messages for Recently Discharged Patients: Protocol for a Mixed-Methods Feasibility Study
Notice bibliographique
Résumé
Abstract Suicide risk is substantially elevated following discharge from a psychiatric hospitalization. Caring Contact (CC) messages are brief messages of hope, support and information sent post-discharge that can improve mental health outcomes, including suicidal ideation and behaviours. Patients who received CCs in previous studies indicated a desire for increased personalization. To support personalization in an efficient and scalable manner, we will pilot the training of a Large Language Model (LLM) that constructs tailored CCs using information extracted from patients’ electronic health records (EHRs) created during the index psychiatric hospitalization. This is a three-phase, mixed-methods study. In phase 1, psychiatric inpatient clinical staff members will be recruited to generate personalized CC messages from representative, de-identified samples of EHRs. This will be considered the control CCs. Clinical staff focus groups will then identify key components of a successful CC message. In phase 2, the control CCs and focus group feedback will be used to train an LLM on a large number of EHRs to produce personalized CC messages. The LLM will be given the same EHRs used in phase 1 to produce CC messages. In phase 3, we will recruit 30 patients with lived experiences (PWLE) of psychiatric hospitalization to evaluate and compare the control CCs with the LLM-generated messages to determine the acceptability of AI-generated CC messages. We hypothesize that LLM-generated CC messages will achieve acceptability ratings at least as positive as the control CC messages. Since CC messages are modifiable and can be altered to suit the needs of various clinical settings, the findings of this study can potentially be broadly generalizable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,053 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».