Struktureret Overdragelse Ved Brug Af Intelligent Ramme for Overgangsforsøg (SHIFT)

Den Strukturerede Overdragelse ved Brug af Intelligent Framework for Overgange (SHIFT)-forsøget er et pragmatisk, parallel-gruppe randomiseret kontrolleret forsøg, der er designet til at evaluere, om et kunstig intelligens (AI)-værktøj integreret i Carelign-overdragselsplatformen kan reducere dokumentationstid og -byrde blandt indlagte hospitalslæger. AI-funktionen bruger en stor sprogmodel (LLM), der er indstillet til klinisk sammenfatning, til at generere en redigerbar udkast til overdragelsen ved rotationsslutningen. Hospitalslæger, der er randomiseret til interventionsgruppen, vil have adgang til en "Udkast til Overdragelse"-knap i Carelign, som automatisk genererer en struktureret, redigerbar overdragelsesudkast ved hjælp af data fra seneste notater i den elektroniske sundhedsjournal. Klinikere skal gennemgå og redigere alt udkastindhold, før de finaliserer og deler overdragelsen med kolleger. Udbyderne i kontrolgruppen vil fortsætte med at bruge standard overdragelsesarbejdsgange i Carelign uden AI-bistand.

Studiet vil blive udført på generelle medicintjenester på Hospital of the University of Pennsylvania (HUP) og Penn Presbyterian Medical Center (PPMC). Berettigede deltagere inkluderer hospitalslæger planlagt til mindst fem på hinanden følgende dage på tjeneste. Udbyderne vil blive randomiseret 1:1 til interventions- eller kontrolgruppen, stratificeret efter sted og hold. Studiet vil inddrage cirka 90 hospitalslæger, der bidrager med omkring 120 berettigede rotationer over en 12-ugers periode. Det primære resultat er den samlede tid (i minutter) brugt på at udarbejde overdragelsen ved rotationsslutningen, målt ved hjælp af automatiserede Carelign-revisionslogfiler. Sekundære resultater inkluderer dokumentationsbyrde (modificeret NASA Task Load Index), arbejdsudmattelse (Stanford Professional Fulfillment Index) og selvrapporteret udarbejdelsestid. Udforskende mål inkluderer værktøjsbrugbarhed (Net Promoter Score), modtagende udbydervurderinger af overdragelseskvalitet og elektronisk sundhedsjournal (EHR) brugsmetrikker (samlet og efter-arbejdstid "pajama time").

Forsøget er ikke-blindt og vil blive udført under virkelige forhold for at maksimere generaliserbarheden. Analyser vil følge en intention-to-treat-tilgang ved brug af lineære mixed-effekt-modeller med tilfældige intercepts for udbyder for at tage højde for gentagne rotationer. Alle data vil blive opbevaret og analyseret i sikre, HIPAA-overensstemmende institutionelle miljøer. Studiet har modtaget godkendelse fra University of Pennsylvanias Institutional Review Board og Penn Medicines AI Governance Council.