- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT06792890
Eine randomisierte kontrollierte Studie zur Umgebungsstudie für künstliche Intelligenzschreibertechnologien (AIScribe RCT)
Eine randomisierte kontrollierte Studie mit zwei Umgebungsschriftentechnologien für künstliche Intelligenz zur Verbesserung der Dokumentationseffizienz und zur Verringerung des Arztes Burnout
Dies ist eine dreiarmige pragmatische RCT von 238 ambulanten Ärzten in einem großen akademischen Gesundheitssystem, das randomisiert 1: 1: 1 zu einem von zwei AI-Schreiberwerkzeugen oder einer üblichen Kontrollgruppe. In der zweimonatigen Studie wird die Auswirkungen jedes Tools vor dem systemweiten Einsatz aus dem ausgewählten Werkzeug (erwartete Frühjahr 2025) beobachtet und verglichen. Wir werden eine kovariate eingeschränkte Randomisierung verwenden, um die Waffen in Bezug auf die Ausgangszeit in Notizen, die messenversicherten Burnout-Maßstäbe und die Klinik Tage pro Woche auszugleichen.
Der Hauptzweck der Initiative besteht darin, die Gesundheit von Qualität, Effizienz und Geschäftsabläufen an der Gesundheit der Universität von Kalifornien (UCLA) in Los Angeles (UCLA) zu verbessern, und diese Initiative wird nicht zu Forschungszwecken durchgeführt. Die Ergebnisse dieser operativen Initiative werden die weit verbreitete Einführung von AI -Schreiber -Tools für alle Anbieter innerhalb des UCLA -Gesundheitssystems informieren. Dennoch plant das UCLA-Studienteam, die Auswirkungen dieser Intervention im gesamten Gesundheitssystem rigoros zu untersuchen und zu veröffentlichen. Deshalb hat das Studienteam die Initiative vorbereitet.
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
In dieser Studie werden die operativorientierten Ergebnisse in allen Gruppen bewertet. Insbesondere erhalten alle Gruppen in dieser Beobachtungsstudie einer randomisierten Auswahl einer QI -Initiative alle Interventionen im Laufe der Zeit. Darüber hinaus ist der Hauptzweck dieser Initiative betriebsbereit. Mit anderen Worten, basierend auf den Ergebnissen dieser Initiative wird eines dieser Tools schließlich im gesamten Gesundheitssystem ausgewählt und operationalisiert.
Eingeschriebene Teilnehmer werden in eine von drei Gruppen randomisiert. Die Randomisierung war erforderlich, um weltliche Trends, saisonale und Urlaubseffekte im Dezember und andere Faktoren zu überwinden, die die Beziehung zwischen der Exposition gegenüber den KI -Tools und den Ergebnissen verwirren.
Das Hauptziel dieser Studie ist es, die Auswirkungen von zwei Umgebungs -AI -Schriftrippentechnologien auf die Veränderung der Kliniker gegenüber der Ausgangszeit für die EHR -Dokumentation zu bewerten und jeden Schreiber mit einer Kontrollgruppe zu vergleichen. Zu den sekundären Zielen gehört die Beurteilung der Auswirkungen der KI -Schrides auf Klinikermetriken wie Burnout, Zufriedenheit der Ärzte und Produktivität. Darüber hinaus beabsichtigt das Studienteam, eine wirtschaftliche Bewertungsanalyse der Tools zur Leitfaden für die Entscheidungsfindung zu führen. Das Studienteam wird auch den Arzt analysieren, in dem die KI -Tools auf die Sicherheit, Eigenkapital und jegliche unbeabsichtigte Folgen der Initiative ausgewiesen wurden.
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
California
-
Los Angeles, California, Vereinigte Staaten, 90024
- UCLA Health System
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Beschreibung
Einschlusskriterien:
- Ambulatorische Pflege Ärzte innerhalb des UCLA-Gesundheitssystems, das mindestens einen halben Tag Klinik pro Woche abhielt
Ausschlusskriterien:
- Auszubildende Anbieter (z. B. Einwohner, Medizinstudenten) und alliierte Gesundheitsberufe (z. B. RNS, PAS)
- Besucher, die ausschließlich mit Auszubildenden zusammenarbeiten
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Versorgungsforschung
- Zuteilung: Zufällig
- Interventionsmodell: Einzelgruppenzuweisung
- Maskierung: Single
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Sonstiges: NABLA, Anbieter der virtuellen AI -Schriftzeichen -Technologie
Die Teilnehmer an diesem Arm verwenden AI -Schreiber -Tools von NABLA und werden ihre üblichen klinischen Dokumentationsprozesse fortsetzen, die von der Scribe -Software unterstützt werden, die in die EHR integriert ist und den generierten Text automatisch zum Hinweis hinzugefügt wird.
Das NABLA AI -Schriftziehertol ist transkriptionell und bietet keine klinische Entscheidungsunterstützung.
|
AI Scribe-Technologien erfassen Konversationen von Ärzten und Patienten, um ein Transkript zu erstellen, und fassen dann das Transkript in Form einer klinischen Notizen zusammen. Diese Tools sind in das EHR integriert und fügt den generierten Text automatisch dem Anbieternotiz hinzu. Alle Ärzte müssen Patienten über die Aufzeichnung informieren und ihre mündliche Zustimmung einholen, und Fälle von Patienten, die eine Zustimmung abnehmen, werden nachverfolgt. Nabla nutzt seine proprietäre Sprache zu Text, um die Konversation in einen schriftlichen Kontext zu verwandeln, kombiniert mit HIPAA-konformen großen Sprachmodellen (LLM) wie dem GPT-4 von Azure Openai. Nabla speichert kein Audio. |
|
Sonstiges: Anbieter B der virtuellen AI -Schreibertechnologie
Die Teilnehmer an diesem Arm verwenden AI -Schreiber -Tools aus Lieferanten B und werden ihre üblichen klinischen Dokumentationsprozesse fortsetzen, die von der Scribe -Software unterstützt werden und die in das EHR integriert ist und den generierten Text automatisch der Notiz hinzugefügt wird.
Das AI -Schreiber -Tool ist transkriptionell und bietet keine klinische Entscheidungsunterstützung.
|
AI Scribe-Technologien erfassen Konversationen von Ärzten und Patienten, um ein Transkript zu erstellen, und fassen dann das Transkript in Form einer klinischen Notizen zusammen.
Diese Tools sind in das EHR integriert und fügt den generierten Text automatisch dem Anbieternotiz hinzu.
Alle Ärzte müssen Patienten über die Aufzeichnung informieren und ihre mündliche Zustimmung einholen, und Fälle von Patienten, die eine Zustimmung abnehmen, werden nachverfolgt.
|
|
Kein Eingriff: Kein Schreiber
Die Teilnehmer an diesem Arm haben keinen Zugriff auf AI -Schreiber -Tools und setzen ihre üblichen klinischen Dokumentationsprozesse fort
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Änderung der Zeit in Noten pro Note
Zeitfenster: Studienmonat 2
|
Der primäre Endpunkt ist die Änderung der durchschnittlichen Zeit der Leistungserbringer in Notizen pro Notiz im zweiten Monat der Studie, ausgehend von ihrer durchschnittlichen Basiszeit in Notizen pro Notiz in den sechs Monaten vor der Einschreibung.
Diese Änderung wird auf der natürlichen Log-Skala berechnet.
Für diesen Endpunkt werden keine patientenbezogenen Informationen erfasst.
|
Studienmonat 2
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Anbieter Burnout -Score
Zeitfenster: Studienmonat 2
|
Die Mini Z 2.0-Umfrage ist ein validiertes 10-Punkte-Instrument, mit dem Schlüsselfaktoren die Zufriedenheit am Arbeitsplatz und das Burnout unter Angehörigen der Gesundheitsberufe beeinflussen sollen.
Jeder Artikel wird auf einer Likert -Skala (1-5) bewertet, wobei höhere Punktzahlen im Allgemeinen positivere Ergebnisse anzeigen - höhere Arbeitszufriedenheit, Ausreichung von Zeit für die Dokumentation elektronischer Krankenakten und geringere Stressniveaus.
Bei negativ gerahmten Gegenständen (z. B. Belastung aufgrund des Auftrags oder der Frustration mit der elektronischen Krankenakte) weisen höhere Werte auf geringere Unzufriedenheit hin.
Die Gesamtpunktzahl reicht von 10 bis 50, wobei die Punktzahlen ≥ 40 einen freudigen Arbeitsplatz darstellen.
Für diese Ergebnismaßnahme werden keine Informationen auf Patientenebene gesammelt.
|
Studienmonat 2
|
|
Änderung der EHR -Signaldaten (Aktivität) - Pyjama -Zeit
Zeitfenster: Studienmonat 2
|
Wir werden die Veränderungen von einer retrospektiven Basis 6 Monate vor der Einschreibung in Signalmetriken einschließlich Pyjama -Zeit pro geplanter Tag untersuchen.
Die Verwendung dieser Daten bestimmt, wie eine Anbieterzeit im EHR genutzt wird.
Für diese Ergebnismaßnahme werden keine Informationen auf Patientenebene gesammelt.
|
Studienmonat 2
|
|
Anbieteraufgabenbelastungswert
Zeitfenster: Studienmonat 2
|
Die Anbieter-Aufgabenbelastung wurde vom NASA Task Load Index (TLX) übernommen, einem validierten Instrument zur Bewertung der wahrgenommenen Arbeitsbelastung über sechs Subskalen: geistige Anforderung, körperliche Anforderung, zeitliche Anforderung, Leistung, Anstrengung und Frustration.
Für diese Studie haben wir den TLX angepasst, um uns auf die Arbeitsbelastung beim Schreiben von Notizen zu konzentrieren, einschließlich vier Subskalen (geistige Anforderung, zeitliche Anforderung, körperliche Anforderung und Anstrengung), wie zuvor durchgeführt. Jede Subskala wird von 0 (niedrige Aufgabenbelastung) bis 100 (hohe Aufgabenbelastung) bewertet und zu einer Gesamtskala von 0 (niedrige Aufgabenbelastung) bis 400 (hohe Aufgabenbelastung) summiert, wobei niedrigere Werte besser sind. Für dieses Ergebnismaß werden keine Informationen auf Patientencbene erhoben. |
Studienmonat 2
|
|
Berufliche Erfüllung des Anbieters
Zeitfenster: Studienmonat 2
|
Der Professional Fulfillment Index (PFI) ist ein validiertes 16-Punkte-Instrument, das eine 5-Punkte-Likert-Skala (0-4) verwendet, um berufliche Erfüllung, Arbeitserschöpfung und zwischenmenschliches Desengagement zu messen.
Für diese Studie verwenden wir die 4-Punkte-Subskala für Arbeitserschöpfung, die den Mittelwert der 4 Punkte innerhalb dieser Subskala darstellt, wobei ein niedriger Wert (0) auf ein geringeres Erschöpfungsniveau und ein hoher Wert (4) auf ein höheres Erschöpfungsniveau hinweist.
Für diesen Endpunkt werden keine patientenbezogenen Informationen erhoben.
|
Studienmonat 2
|
|
Anzahl der Ärzte, die als Kritiker, Unentschlossene oder Promotoren gelten
Zeitfenster: Studienmonat 2
|
"Von Selbstauskunft abhängige Zufriedenheitsumfrage, in der Ärzte gebeten werden, die Richtigkeit der Notizen, die Patientensicherheit, die Gerechtigkeit und andere mögliche unbeabsichtigte Folgen zu berücksichtigen und ihre allgemeine Bereitschaft zur Empfehlung des Tools auf einer Skala von 1 bis 10 zu bewerten.\nHöhere Punktzahlen (10) zeigen eine größere Zufriedenheit und Empfehlungsbereitschaft an, während niedrigere Punktzahlen (1) auf Unzufriedenheit und mangelnde Bereitschaft zur Empfehlung hinweisen.\nAnbieter werden als \"Förderer\" gruppiert, wenn sie mit 9-10 antworten, als \"Passive\" bei 7-8 und als \"Kritiker\", wenn sie mit einem Wert kleiner oder gleich 6 antworten.\nDiese Gruppierung entspricht den allgemein anerkannten \"Net Promoter Score\"-Gruppierungen.\nEs werden keine patientenspezifischen Informationen für dieses Ergebnismaß erhoben."
|
Studienmonat 2
|
|
Veränderung der provider-spezifischen RVU
Zeitfenster: Studienmonat 2
|
Das Studienteam wird abrechnungsbezogene Informationen auf Arzt-Ebene mittels RVU verwenden, um deren Produktivitätsänderung gegenüber einem retrospektiven Ausgangswert 6 Monate vor der Einschreibung zu ermitteln.
Für dieses Ergebnismaß werden keine patientenbezogenen Informationen erhoben.
|
Studienmonat 2
|
|
Änderung der EHR-Signal (Aktivitäts)-Daten - Zeit außerhalb der planmäßigen Arbeitszeiten
Zeitfenster: Studienmonat 2
|
Wir werden die Veränderung gegenüber einem retrospektiven Basiswert 6 Monate vor der Einschreibung in Signal-Metriken untersuchen, einschließlich der Zeit außerhalb der geplanten Stunden pro geplantem Tag.
Anhand dieser Daten wird ermittelt, wie die Zeit eines Leistungserbringers im EHR genutzt wird.
Für dieses Ergebnismaß werden keine patientenbezogenen Daten erhoben.
|
Studienmonat 2
|
|
Veränderung der EHR-Signal (Aktivität) Daten - Zeit an ungeplanten Tagen
Zeitfenster: Studienmonat 2
|
Wir untersuchen die Veränderung gegenüber einem retrospektiven Ausgangswert 6 Monate vor der Einschreibung in Signal-Metriken, einschließlich der Zeit, die an ungeplanten Tagen im System verbracht wird, wenn .
Anhand dieser Daten wird ermittelt, wie die Zeit eines Anbieters in der elektronischen Gesundheitsakte (EHR) genutzt wird. Für dieses Ergebnismaß werden keine patientenbezogenen Informationen erhoben. |
Studienmonat 2
|
Mitarbeiter und Ermittler
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Trockel M, Bohman B, Lesure E, Hamidi MS, Welle D, Roberts L, Shanafelt T. A Brief Instrument to Assess Both Burnout and Professional Fulfillment in Physicians: Reliability and Validity, Including Correlation with Self-Reported Medical Errors, in a Sample of Resident and Practicing Physicians. Acad Psychiatry. 2018 Feb;42(1):11-24. doi: 10.1007/s40596-017-0849-3. Epub 2017 Dec 1.
- Sinsky C, Colligan L, Li L, Prgomet M, Reynolds S, Goeders L, Westbrook J, Tutty M, Blike G. Allocation of Physician Time in Ambulatory Practice: A Time and Motion Study in 4 Specialties. Ann Intern Med. 2016 Dec 6;165(11):753-760. doi: 10.7326/M16-0961. Epub 2016 Sep 6.
- Linzer M, McLoughlin C, Poplau S, Goelz E, Brown R, Sinsky C; AMA-Hennepin Health System (HHS) burnout reduction writing team. The Mini Z Worklife and Burnout Reduction Instrument: Psychometrics and Clinical Implications. J Gen Intern Med. 2022 Aug;37(11):2876-2878. doi: 10.1007/s11606-021-07278-3. Epub 2022 Jan 19. No abstract available.
- Gianfrancesco MA, Tamang S, Yazdany J, Schmajuk G. Potential Biases in Machine Learning Algorithms Using Electronic Health Record Data. JAMA Intern Med. 2018 Nov 1;178(11):1544-1547. doi: 10.1001/jamainternmed.2018.3763.
- Garcia P, Ma SP, Shah S, Smith M, Jeong Y, Devon-Sand A, Tai-Seale M, Takazawa K, Clutter D, Vogt K, Lugtu C, Rojo M, Lin S, Shanafelt T, Pfeffer MA, Sharp C. Artificial Intelligence-Generated Draft Replies to Patient Inbox Messages. JAMA Netw Open. 2024 Mar 4;7(3):e243201. doi: 10.1001/jamanetworkopen.2024.3201.
- Cruz Rivera S, Liu X, Chan AW, Denniston AK, Calvert MJ; SPIRIT-AI and CONSORT-AI Working Group; SPIRIT-AI and CONSORT-AI Steering Group; SPIRIT-AI and CONSORT-AI Consensus Group. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Nat Med. 2020 Sep;26(9):1351-1363. doi: 10.1038/s41591-020-1037-7. Epub 2020 Sep 9.
- McCoy LG, Manrai AK, Rodman A. Large Language Models and the Degradation of the Medical Record. N Engl J Med. 2024 Oct 31;391(17):1561-1564. doi: 10.1056/NEJMp2405999. Epub 2024 Oct 26. No abstract available.
- Hendrix N, Veenstra DL, Cheng M, Anderson NC, Verguet S. Assessing the Economic Value of Clinical Artificial Intelligence: Challenges and Opportunities. Value Health. 2022 Mar;25(3):331-339. doi: 10.1016/j.jval.2021.08.015. Epub 2021 Oct 9.
- Rotenstein L, Melnick ER, Iannaccone C, Zhang J, Mugal A, Lipsitz SR, Healey MJ, Holland C, Snyder R, Sinsky CA, Ting D, Bates DW. Virtual Scribes and Physician Time Spent on Electronic Health Records. JAMA Netw Open. 2024 May 1;7(5):e2413140. doi: 10.1001/jamanetworkopen.2024.13140.
- Cao DY, Silkey JR, Decker MC, Wanat KA. Artificial intelligence-driven digital scribes in clinical documentation: Pilot study assessing the impact on dermatologist workflow and patient encounters. JAAD Int. 2024 Feb 20;15:149-151. doi: 10.1016/j.jdin.2024.02.009. eCollection 2024 Jun. No abstract available.
- Owens LM, Wilda JJ, Grifka R, Westendorp J, Fletcher JJ. Effect of Ambient Voice Technology, Natural Language Processing, and Artificial Intelligence on the Patient-Physician Relationship. Appl Clin Inform. 2024 Aug;15(4):660-667. doi: 10.1055/a-2337-4739. Epub 2024 Jun 4.
- Haberle T, Cleveland C, Snow GL, Barber C, Stookey N, Thornock C, Younger L, Mullahkhel B, Ize-Ludlow D. The impact of nuance DAX ambient listening AI documentation: a cohort study. J Am Med Inform Assoc. 2024 Apr 3;31(4):975-979. doi: 10.1093/jamia/ocae022.
- Liu TL, Hetherington TC, Stephens C, McWilliams A, Dharod A, Carroll T, Cleveland JA. AI-Powered Clinical Documentation and Clinicians' Electronic Health Record Experience: A Nonrandomized Clinical Trial. JAMA Netw Open. 2024 Sep 3;7(9):e2432460. doi: 10.1001/jamanetworkopen.2024.32460.
- Blackley SV, Huynh J, Wang L, Korach Z, Zhou L. Speech recognition for clinical documentation from 1990 to 2018: a systematic review. J Am Med Inform Assoc. 2019 Apr 1;26(4):324-338. doi: 10.1093/jamia/ocy179.
- Heckman J, Mukamal KJ, Christensen A, Reynolds EE. Medical Scribes, Provider and Patient Experience, and Patient Throughput: a Trial in an Academic General Internal Medicine Practice. J Gen Intern Med. 2020 Mar;35(3):770-774. doi: 10.1007/s11606-019-05352-5. Epub 2019 Dec 5.
- Bates DW, Landman AB. Use of Medical Scribes to Reduce Documentation Burden: Are They Where We Need to Go With Clinical Documentation? JAMA Intern Med. 2018 Nov 1;178(11):1472-1473. doi: 10.1001/jamainternmed.2018.3945. No abstract available.
- Mishra P, Kiang JC, Grant RW. Association of Medical Scribes in Primary Care With Physician Workflow and Patient Experience. JAMA Intern Med. 2018 Nov 1;178(11):1467-1472. doi: 10.1001/jamainternmed.2018.3956.
- Steinkamp J, Kantrowitz JJ, Airan-Javia S. Prevalence and Sources of Duplicate Information in the Electronic Medical Record. JAMA Netw Open. 2022 Sep 1;5(9):e2233348. doi: 10.1001/jamanetworkopen.2022.33348.
- Guille C, Sen S. Burnout, Depression, and Diminished Well-Being among Physicians. N Engl J Med. 2024 Oct 24;391(16):1519-1527. doi: 10.1056/NEJMra2302878. No abstract available.
- Lou SS, Lew D, Harford DR, Lu C, Evanoff BA, Duncan JG, Kannampallil T. Temporal Associations Between EHR-Derived Workload, Burnout, and Errors: a Prospective Cohort Study. J Gen Intern Med. 2022 Jul;37(9):2165-2172. doi: 10.1007/s11606-022-07620-3. Epub 2022 Jun 16.
- Moy AJ, Schwartz JM, Chen R, Sadri S, Lucas E, Cato KD, Rossetti SC. Measurement of clinical documentation burden among physicians and nurses using electronic health records: a scoping review. J Am Med Inform Assoc. 2021 Apr 23;28(5):998-1008. doi: 10.1093/jamia/ocaa325.
- Peccoralo LA, Kaplan CA, Pietrzak RH, Charney DS, Ripp JA. The impact of time spent on the electronic health record after work and of clerical work on burnout among clinical faculty. J Am Med Inform Assoc. 2021 Apr 23;28(5):938-947. doi: 10.1093/jamia/ocaa349.
- Sittig DF, Singh H. Recommendations to Ensure Safety of AI in Real-World Clinical Care. JAMA. 2025 Feb 11;333(6):457-458. doi: 10.1001/jama.2024.24598.
- Lukac PJ, Turner W, Vangala S, Chin AT, Khalili J, Shih YT, Sarkisian C, Cheng EM, Mafi JN. Ambient AI Scribes in Clinical Practice: A Randomized Trial. NEJM AI. 2025 Dec;2(12):10.1056/aioa2501000. doi: 10.1056/aioa2501000. Epub 2025 Nov 26.
- Lukac PJ, Turner W, Vangala S, Chin AT, Khalili J, Shih YT, Sarkisian C, Cheng EM, Mafi JN. A Randomized-Clinical Trial of Two Ambient Artificial Intelligence Scribes: Measuring Documentation Efficiency and Physician Burnout. medRxiv [Preprint]. 2025 Jul 11:2025.07.10.25331333. doi: 10.1101/2025.07.10.25331333.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Andere Studien-ID-Nummern
- NPR 40703
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .
Klinische Studien zur Arzt-Workflow
-
Emory UniversityZurückgezogenArzt-WorkflowVereinigte Staaten
-
Boston Children's HospitalHarvard Risk Management FoundationAbgeschlossenPatientensicherheit | Residenter Workflow | BewohnererfahrungVereinigte Staaten
-
Philips Clinical & Medical Affairs GlobalPhilips Healthcare (Suzhou) Co., Ltd.Abgeschlossen
-
Seva Canada SocietyPragyaan Sustainable Health Outcomes Foundation; Pushpagiri Vitreo Retina Institute...RekrutierungQualitätsverbesserung | Termine und Termine | Operations-Research-WorkflowIndien
-
University of California, Los AngelesRekrutierungArzt-Workflow | RessourcennutzungVereinigte Staaten
-
Providence Little Company of Mary-TorranceViz.ai, Inc.UnbekanntSchlaganfall-Workflow und klinische ErgebnisparameterVereinigte Staaten
-
University of PennsylvaniaAbgeschlossenArzt-Workflow | Übergänge der Pflege | Elektronische Krankenakte | Großes Sprachmodell | Künstliche Intelligenz (KI)Vereinigte Staaten
-
Truway Health, Inc.Anmeldung auf EinladungMobilitätseinschränkung | Klinische Workflow-Optimierung | Einhaltung des Hygieneprotokolls | ESG-bezogener Einsatz von Robotik im GesundheitswesenVereinigte Staaten, Deutschland, Japan
-
University of North Carolina, Chapel HillAnmeldung auf EinladungElektronische Gesundheitsakten | Gesundheitsinformationstechnologie | Burnout, Beschäftigte im Gesundheitswesen | Klinische Workflow-OptimierungVereinigte Staaten
-
Francesco GianfredaAbgeschlossenReaktion an der Implantationsstelle | Zahnloser Kiefer | Vollständig digitaler WorkflowItalien