Dopad digitálního okolního zážitku na dětskou subspecialistickou dokumentaci

Pozadí: Zatímco systémy elektronických zdravotních záznamů (EHR) přispěly k pokroku v oblasti bezpečnosti pacientů a kvality péče, byly také spojeny s významným zvýšením zátěže dokumentace, což přispívá k vyhoření u lékařů [1]. To platí zejména pro lékaře s nedostatečným časem pro dokumentaci. V některých případech to mělo za následek snížení slotů pro jmenování, které umožňuje další dobu dokumentace, což zase snižuje přístup pacienta k péči a produktivitě lékaře [2,3].

Microsoft Nuance © nedávno oznámil obecnou dostupnost nového generativního řešení umělé inteligence (AI) zvaném digitální okolní zážitek (DAX) DAX Copilot [4], ve kterém je návštěva zaznamenána se souhlasem pacienta/rodičů, ale poznámka je generována prostřednictvím AI spolu s přepisem návštěvy v téměř reálném čase, který může poskytovatel použít a upravovat, jak uzná za vhodné. Kromě toho umožňuje poskytovatelům pokračovat v používání jejich šablon dokumentace a přidávat generativní AI do „inteligentních sekcí“ v rámci své poznámky. Tento přístup má potenciál podstatně snížit zátěž dokumentace při zachování preferencí dokumentace mnoha poskytovatelů.

Tento pilotní projekt randomizovaného zlepšení kvality si klade za cíl posoudit, zda implementace generativního softwaru AI pro dokumentaci, Dax Copilot společnosti Microsoft Nuance, může zvýšit účinnost dokumentace lékaře a snížit vyhoření.

Cíle

Zlepšení kvality Globální cíl: Zvýšit efektivitu dokumentace poskytovatele a snížit vyhoření poskytovatele související s dokumentační zátěží.

Operační cíl dětí: Zjistěte, zda jsou náklady na software DAX Copilot nebo související dodavatelský software odůvodněny snížením proxy pro vyhoření lékaře a/nebo by mohly být kompenzovány tím, že uvidí více pacientů ve stejném časovém období za účelem zlepšení příjmů a přístupu pacientů.

Cíle navrhované práce:

- Určete vliv DAX Copilota na proxy pro vyhoření lékaře, včetně pyžamového času, času v poznámkách a subjektivních opatření účinnosti EHR.

Metody: Jedná se o projekt randomizovaného zlepšování kvality, který posoudí změny proxy pro efektivitu dokumentace poskytovatele a vyhoření prostřednictvím návrhu rozdílů v rozdílech.

Účastníci projektu

Projekt najme 20 poskytovatelů, kteří splňují následující kritéria pro zařazení:

1. Postupy u dětí ve specialitě podporované produktem DAX Copilot as dostupnými metrikami účinnosti dokumentace ze signálního produktu EPIC.
2. > 0,5 Klinický ekvivalent na plný úvazek (CFTE)
3. 2 nebo více půl dne v týdnu v průměru, když vidí ambulantní pacienty jako primární poskytovatel (ne dohlíží na účastníky nebo aplikace).
4. Souhlasí s použitím dětské mobilní aplikace EHR (Haiku) na jejich osobním zařízení.
5. Souhlasí s tím, že nabídne používání softwaru DAX Copilot Generative AI pro všechna setkání s návštěvou pacientů po celou dobu trvání projektového období

6. Dostatečné a stabilní údaje EHR o účinnosti dokumentace z produktu EPIC signálního produktu, definované jako:

   1. Mít dostupné údaje k osídlení po dobu nejméně 40 z posledních 52 týdnů.
   2. Mít stabilní metriky pro pyžama čas a čas v poznámkách za posledních 6 měsíců, jak stanoví dva lékaři na základě vizuální kontroly.
   3. > 75% ambulantní dokumentace dokončené samotným poskytovatelem (na rozdíl od převzetí poznámky stážisty nebo poskytovatele pokročilé praxe).

Účastníci budou identifikováni na základě charakteristik, jako je specialita, CFTE, podíl a umístění ambulantní práce a index okolní příležitosti EPIC ze signálu, který je založen na normalizovaném skóre pro podíl stejného dne uzavřeného, ​​pyžama a znaky ručně napsané .

Randomizace bude prováděna v blocích po dvou na úrovni speciality, aby se zajistilo stejné zastoupení specialit do jedné ze dvou následujících skupin pro 3měsíční pilot:

1. Použití generativního softwaru AI DAX Copilot (skupina AI)
2. Pokračování aktuálního pracovního postupu dokumentace (kontrolní skupina)

Výsledky

Naše primární výsledky, které mají být získány prostřednictvím signálního produktu EPIC, budou:

1. „Čajský čas“, definovaný jako průměrný počet minut za plánovaný den strávený v mapování aktivit od 7:00 do 17:30 ve všední dny, čas mimo plánované hodiny o víkendech a čas na neplánované svátky. Tato metrika je spojena s podskupinou vyčerpání inventáře vyhoření Maslach [5].

2. „Čas v poznámkách na schůzku“ v minutách

   Další metriky výsledků budou zahrnovat:

3. Délka Poznámka Poznámka (znaky)
4. Poznámka k příspěvku (napsané poskytovatelem vs. ostatní)
5. Je čas na uzavření jmenování
6. Podíl poznámek dokončených pomocí softwaru DAX Copilot Generative AI
7. Průměrný objem pacienta týdně
8. Odpovědi uživatele před projektem na modifikovaný průzkum účinnosti a spokojenosti KLAS EHR, ověřený benchmarkingový nástroj.
9. Skóre zkušeností s pacientem s předprojekcí a postprojekcí prostřednictvím rutinně zachycuje průzkumy NRC.

Sběr dat

Data budou shromažďována z EPIC © signál a prostřednictvím průzkumů. Data budou zahrnovat:

• Demografické informace účastníků projektu
• Údaje týkající se účinnosti dokumentace, jak je uvedeno ve výše uvedených metrikách kvality

Statistická analýza Naše primární analýza bude analýzou rozdílů pro každý výsledek. Například rozdíl mezi průměrným časem pyžamu poskytovatele před a po intervenčním období bude vypočítán pro všechny účastníky. Poté určíme, jak se tento průměr liší ve skupině AI a v kontrolní skupině, abychom posoudili rozdíly v rozdílech.

Další analýzy budou zahrnovat analýzy upravených nebo stratifikovaných rozdílů v diferencích založené na výše uvedených charakteristikách poskytovatele. Vypočítáme také popisné statistiky pro porovnání výsledků a kovariátů mezi oběma skupinami. V závislosti na povaze dat můžeme k posouzení dopadu generativního softwaru pro dokumentaci AI používat grafy spuštění, t-testy, ANOVA nebo jiné vhodné statistické metody.

Reference

1. Budd, J. Vyhoření související s používáním elektronických zdravotních záznamů v primární péči. J Prim Care Community Health 14, 21501319231166921 (2023).
2. Colicchio, T.K., Cimino, J.J. & Del Fiol, G. Nezamýšlené důsledky celostátního přijetí elektronických zdravotních záznamů: výzvy a příležitosti v době po mírném použití. J Med Internet Res 21, E13313 (2019).
3. Gaffney, A., a kol. V roce 2019 v roce 2019 zatížení lékařské dokumentace mezi lékaři v kanceláři USA: Národní studie. Jama Intern Med 182, 564-566 (2022).
4. Microsoft+Nuance. Automaticky dokumentuje péči o zážitek z Dragon Ambient (DAX). https://www.nuance.com/asset/en_us/collateral/healthcare/data-sheet/ds-ambient-clinical-intelligence-en-us.pdf. (2023).
5. Adler-Milstein, J. & Wang, M.D. Dopad přechodu z dostupnosti vnějších záznamů v elektronických zdravotních záznamech na integraci místních a externích záznamů v elektronických zdravotních záznamech. J Am Med Inform Assoc 27, 606-612 (2020).