Auswirkungen der digitalen Umgebungserfahrung auf die pädiatrische Subspezialistin -Dokumentationsbelastung

Hintergrund: Während die Systeme für elektronische Gesundheitsakten (EHR) zu Fortschritten bei der Patientensicherheit und -qualität beigetragen haben, wurden sie auch mit einer signifikanten Zunahme der Dokumentationsbelastung in Verbindung gebracht, was zu Burnout bei Klinikern beigetragen hat [1]. Dies gilt insbesondere für Ärzte mit unzureichender Zeit für die Dokumentation. In einigen Fällen hat es zu einer Verringerung der Terminschlitze geführt, um eine zusätzliche Dokumentationszeit zu ermöglichen, was wiederum den Zugang des Patienten zur Pflege und zur Produktivität von Ärzten verringert [2,3].

Microsoft Nuance © hat kürzlich die allgemeine Verfügbarkeit einer neuen Lösung für generative künstliche Intelligenz (AI) mit dem Namen Digital Ambient Experience (DAX) DAX Copilot [4] angekündigt, bei der der Besuch mit Zustimmung von Patienten/Eltern erfasst wird, aber eine Notiz über die durch die generiert wird KI zusammen mit einem Besuchs-Transkript in nahezu realer Zeit, den der Anbieter benutzen und bearbeiten kann, wie er für richtig hält. Darüber hinaus können Anbieter ihre Dokumentationsvorlagen weiterhin verwenden, während die generative KI zu "intelligenten Abschnitten" innerhalb ihrer Notiz hinzugefügt wird. Dieser Ansatz hat das Potenzial, die Dokumentationsbelastung erheblich zu reduzieren und gleichzeitig die Dokumentationspräferenzen vieler Anbieter beizubehalten.

Dieses Pilotprojekt für randomisierte Qualitätsverbesserung zielt darauf ab, zu bewerten, ob die Implementierung von generativen KI -Software zur Dokumentation, der DAX -Copilot von Microsoft Nuance, die Effizienz der Arztdokumentation verbessern und Burnout verringern kann.

Ziele

Qualitätsverbesserung Globales Ziel: Erhöhung der Effizienz der Dokumentation der Anbieter und zur Verringerung der Burnout der Anbieter im Zusammenhang mit der Dokumentationsbelastung.

Betriebsziel von Kindern: Stellen Sie fest, ob die Kosten für DAX Copilot oder die damit verbundene Anbieter -Software durch die Reduzierung der Stellvertreter für Burnout des Arztes gerechtfertigt sind und/oder möglicherweise ausgeglichen werden können, indem mehr Patienten im gleichen Zeitraum zur Verbesserung der Einnahmen und des Patientenzugangs sehen.

Ziele der vorgeschlagenen Arbeit:

- Bestimmen Sie den Einfluss von DAX Copilot auf Proxys für das Burnout von Ärzten einschließlich Pyjama -Zeit, Zeit in Notizen und subjektive Maßnahmen zur EHR -Effizienz.

Methoden: Dies ist ein randomisiertes Projekt zur Qualitätsverbesserung, bei dem Änderungen der Proxys für die Effizienz der Dokumentation von Anbietern und Burnout durch ein Differenz-in-Differenz-Design bewertet werden.

Projektteilnehmer

Das Projekt wird 20 Anbieter einstellen, die die folgenden Einschlusskriterien erfüllen:

1. Praktiken bei Kindern in einer Spezialität, die von Dax Copilot -Produkt und mit verfügbaren Dokumentationseffizienzmetriken aus dem Signalprodukt von Epic unterstützt wird.
2. > 0,5 klinisches Vollzeitäquivalent (CFTE)
3. 2 oder mehr halbe Tage pro Woche im Durchschnitt ambulanten Patienten als Hauptanbieter (keine Auszubildenden oder Apps).
4. Verpflichtet sich, die EHR Mobile Application (Haiku) der Kinder auf ihrem persönlichen Gerät zu verwenden.
5. Vereinbart, die DAX Copilot Generative AI -Software für alle Patientenbesuche für die Dauer des Projektzeitraums zu verwenden

6. Ausreichende und stabile EHR -Daten zur Dokumentationseffizienz des Signalprodukts von Epic, definiert als:

   1. Daten für mindestens 40 der letzten 52 Wochen zur Verfügung gestellt.
   2. Mit stabilen Metriken für Pyjama -Zeit und -zeit in Notizen in den letzten 6 Monaten, wie von zwei Informatikern für Ärzte auf der Grundlage visueller Inspektion festgelegt.
   3. > 75% der vom Anbieter selbst abgeschlossenen ambulanten Dokumentation (im Gegensatz zu einer Anmerkung eines Auszubildenden oder eines fortgeschrittenen Praxisanbieters).

Die Teilnehmer werden basierend auf Merkmalen wie Spezial, CFTE, Verhältnis und Ort der ambulanten Arbeiten sowie der Umgebungs-Opportunitätsindex von Epic aus Signal identifiziert, die auf normalisierten Werten für den Anteil der geschlossenen Diagramme am selben Tag, Pyjama-Typ und Charaktere manuell getippt basiert, basiert .

Die Randomisierung wird in zwei zwei Blöcken auf der Spezialebene durchgeführt, um die gleiche Darstellung von Spezialitäten in eine der beiden folgenden Gruppen für einen 3 -monatigen Piloten sicherzustellen:

1. Verwendung von DAX Copilot Generative AI -Software (AI -Gruppe)
2. Fortsetzung des aktuellen Dokumentations -Workflows (Kontrollgruppe)

Ergebnisse

Unsere primären Ergebnisse, die durch das Signalprodukt von Epic erzielt werden sollen, sind:

1. "Pyjama Time", definiert als die durchschnittliche Anzahl von Minuten pro geplanter Tag, die an Wochentagen von 7.00 bis 17.30 Uhr, Zeit außerhalb der geplanten Stunden an Wochenenden und Zeit in außerplanmäßigen Feiertagen, die für die Chart -Aktivitäten außerhalb von 7 bis 17:30 Uhr verbracht wurden. Diese Metrik ist mit der Erschöpfungsunterskala des Maslach Burnout -Inventars verbunden [5].

2. "Zeit in Notizen pro Termin" in Minuten

   Zusätzliche Ergebnismetriken umfassen:

3. Fortschrittsnotiz Länge (Zeichen)
4. Hinweisbeitrag (vom Anbieter gegen andere geschrieben)
5. Zeit zum Abschluss der Ernennung
6. Anteil der mit DAX Copilot generativen AI -Software abgeschlossenen Notizen
7. Durchschnittliches Patientenvolumen pro Woche
8. Vor- und Nachprojekt-Benutzerantworten auf einer modifizierten Klas-EHR-Effizienz- und Zufriedenheitsumfrage, einem validierten Benchmarking-Tool.
9. Pre- und Post-Project-Patientenerfahrungswerte durch routinemäßige Erfassung von NRC-Umfragen.

Datenerfassung

Die Daten werden aus dem epischen © Signal und durch Umfragen gesammelt. Die Daten umfassen:

• Demografische Informationen von Projektteilnehmern
• Daten im Zusammenhang mit der Dokumentationseffizienz, wie in den oben genannten Qualitätskennzahlen beschrieben

Statistische Analyse Unsere primäre Analyse wird für jedes Ergebnis eine Analyse der Unterschiede in der Differenz sein. Zum Beispiel wird der Unterschied zwischen der durchschnittlichen Pyjama -Zeit des Anbieters vor und nach der Interventionszeit für alle Teilnehmer berechnet. Wir werden dann bestimmen, wie sich dieser Durchschnitt in der KI-Gruppe und in der Kontrollgruppe unterscheidet, um die Differenz-in-Differenz zu bewerten.

Zusätzliche Analysen umfassen angepasste oder geschichtete Differenz-in-Differenz-Analysen basierend auf den oben aufgeführten Anbietermerkmalen. Wir werden auch beschreibende Statistiken berechnen, um die Ergebnisse und Kovariaten zwischen den beiden Gruppen zu vergleichen. Abhängig von der Art der Daten können wir Laufdiagramme, T-Tests, ANOVA oder andere geeignete statistische Methoden verwenden, um die Auswirkungen der generativen KI-Dokumentationssoftware zu bewerten.

Referenzen

1. Budd, J. Burnout im Zusammenhang mit der Verwendung elektronischer Gesundheitsakten in der Grundversorgung. J Prim Care Community Health 14, 21501319231166921 (2023).
2. Colicchio, T. K., Cimino, J.J. & Del Fiol, G. Unbeabsichtigte Folgen der landesweiten Einführung elektronischer Gesundheitsakten: Herausforderungen und Chancen in der Ära nach der Nutzung. J Med Internet Res 21, E13313 (2019).
3. A. Gaffney et al. Medizinische Dokumentationsbelastung unter US-amerikanischen Büroärzten im Jahr 2019: Eine nationale Studie. JAMA-Praktikant Med 182, 564-566 (2022).
4. Microsoft+Nuance. Dokumentieren Sie die Pflege automatisch mit Dragon Ambient Experience (DAX). https://www.nuance.com/asset/en_us/collateral/healthcare/data-sgeeet/ds-bient-cinical-intelligence-en-us.pdf. (2023).
5. Adler-Milstein, J. & Wang, M.D. Die Auswirkungen des Übergangs von der Verfügbarkeit externer Aufzeichnungen innerhalb der elektronischen Gesundheitsakten auf die Integration lokaler und externen Aufzeichnungen in elektronische Gesundheitsakten. J Am Med Assoc 27, 606-612 (2020).