Impacto de la experiencia ambiental digital en la carga de documentación subespecialista pediátrica

Antecedentes: Si bien los sistemas de registros de salud electrónicos (EHR) han contribuido a los avances en la seguridad del paciente y la calidad de la atención, también se han asociado con un aumento significativo en la carga de documentación, lo que contribuye al agotamiento entre los médicos [1]. Esto es particularmente cierto para los médicos con tiempo insuficiente para la documentación. En algunos casos, ha resultado en una reducción en las ranuras de citas para permitir un tiempo de documentación adicional, lo que a su vez disminuye el acceso del paciente a la atención y la productividad del médico [2,3].

Microsoft Nuance © ha anunciado recientemente la disponibilidad general de una nueva solución generativa de inteligencia artificial (AI) llamada Digital Ambient Experience (DAX) DAX Copilot [4], en la que la visita se registra con consentimiento de pacientes/parentales, pero se genera una nota a través del AI junto con una transcripción de visita en tiempo casi real que el proveedor puede usar y editar como mejor le parezca. Además, permite a los proveedores continuar utilizando sus plantillas de documentación mientras agregan la IA generativa a "secciones inteligentes" dentro de su nota. Este enfoque tiene el potencial de reducir sustancialmente la carga de documentación al tiempo que mantiene las preferencias de documentación de muchos proveedores.

Este proyecto piloto aleatorizado de mejora de la calidad tiene como objetivo evaluar si la implementación del software de IA generativo para la documentación, el copilot Dax de Microsoft Nuance, puede mejorar la eficiencia de la documentación del médico y reducir el agotamiento.

Objetivos

Año global de mejora de la calidad: aumentar la eficiencia de la documentación del proveedor y reducir el agotamiento del proveedor relacionado con la carga de documentación.

Objetivo operativo de los niños: Determine si el costo del copilot Dax o el software de proveedores relacionado se justifica mediante la reducción de los representantes para el agotamiento del médico y/o podría compensarse al ver a más pacientes en el mismo período de tiempo para mejorar los ingresos y el acceso al paciente.

Objetivos del trabajo propuesto:

- Determine la influencia del copiloto de DAX en los proxies para el agotamiento del médico, incluido el tiempo del pijama, el tiempo en las notas y las medidas subjetivas de la eficiencia de EHR.

Métodos: Este es un proyecto aleatorizado de mejora de la calidad que evaluará los cambios en los representantes de la eficiencia de documentación del proveedor y el agotamiento a través de un diseño de diferencia en diferencias.

Participantes del proyecto

El proyecto reclutará 20 proveedores que cumplan con los siguientes criterios de inclusión:

1. Prácticas en Children's en una especialidad respaldada por el producto DAX Copilot y con métricas de eficiencia de documentación disponibles del producto Signal de EPIC.
2. > 0.5 equivalente clínico a tiempo completo (CFTE)
3. 2 o más medio días por semana en promedio viendo pacientes ambulatorios como el proveedor principal (no supervisar a los aprendices o aplicaciones).
4. Acuerda usar la aplicación móvil EHR (Haiku) para niños en su dispositivo personal.
5. Acuerda ofrecer el uso del software AI generativo Dax Copilot para todos los encuentros de visita al paciente durante el período del proyecto

6. Datos EHR suficientes y estables sobre la eficiencia de la documentación del producto de señal de EPIC, definido como:

   1. Tener datos poblados disponibles para al menos 40 de las últimas 52 semanas.
   2. Tener métricas estables para el tiempo y el tiempo del pijama en las notas en los últimos 6 meses según lo determine dos informáticos médicos en función de la inspección visual.
   3. > 75% de la documentación ambulatoria completada por el proveedor (en lugar de asumir una nota de un aprendiz o proveedor de práctica avanzada).

Los participantes se identificarán en función de características como especialidad, CFTE, proporción y ubicación del trabajo ambulatorio, y el índice de oportunidades ambientales de EPIC de Signal, que se basa en puntajes normalizados para la proporción de gráficos el mismo día cerrados, tipo de pijama y personajes tipados manualmente .

La aleatorización se llevará a cabo en bloques de dos a nivel de especialidad para garantizar una representación igual de especialidades en uno de los dos grupos siguientes para un piloto de 3 meses:

1. Uso del software AI generativo Dax Copilot (AI Group)
2. Continuación del flujo de trabajo de documentación actual (grupo de control)

Resultados

Nuestros resultados primarios que se obtendrán a través del producto de señal de EPIC serán:

1. "Tiempo de pijama", definido como el número promedio de minutos por día programado que pasó en actividades de gráficos fuera de las 7 a.m. a las 5:30 p.m. de lunes a viernes, tiempo fuera del horario programado los fines de semana y tiempo en vacaciones no programadas. Esta métrica está asociada con la subescala de agotamiento del inventario de agotamiento de Maslach [5].

2. "Tiempo en notas por cita" en minutos

   Las métricas de resultados adicionales incluirán:

3. Longitud de la nota de progreso (caracteres)
4. Nota Contribución (escrita por el proveedor frente a otros)
5. Hora de cierre de citas
6. Proporción de notas completadas utilizando el software DAX Copilot Generation AI
7. Volumen promedio del paciente por semana
8. Respuestas de usuario previas y posteriores al proyecto en una encuesta modificada de eficiencia y satisfacción de KLAS EHR, una herramienta de evaluación comparativa validada.
9. Los puntajes de experiencia del paciente previo y posterior al proyecto a través de encuestas de NRC de captura rutinaria.

Recopilación de datos

Los datos se recopilarán de la señal Epic © y a través de encuestas. Los datos incluirán:

• Información demográfica de los participantes del proyecto
• Datos relacionados con la eficiencia de la documentación como se describe en las métricas de calidad anteriores

Análisis estadístico Nuestro análisis principal será un análisis de diferencia en diferencias para cada resultado. Por ejemplo, la diferencia entre el tiempo promedio del pijama del proveedor antes y después del período de intervención se calculará para todos los participantes. Luego determinaremos cómo este promedio difiere en el grupo AI y en el grupo de control para evaluar la diferencia en diferencias.

Los análisis adicionales incluirán análisis de diferencia en diferencias ajustados o estratificados basados ​​en las características del proveedor mencionadas anteriormente. También calcularemos estadísticas descriptivas para comparar los resultados y covariables entre los dos grupos. Dependiendo de la naturaleza de los datos, podemos usar cuadros de ejecución, pruebas t, ANOVA u otros métodos estadísticos apropiados para evaluar el impacto del software generativo de documentación de IA.

Referencias

1. Budd, J. Burnout relacionado con el uso de registros de salud electrónicos en atención primaria. J Prim Car Community Health 14, 21501319231166921 (2023).
2. Colicchio, T.K., Cimino, J.J. & Del Fiol, G. Consecuencias involuntarias de la adopción de registros de salud electrónicos en todo el país: desafíos y oportunidades en la era de uso posterior al intento. J Med Internet Res 21, E13313 (2019).
3. Gaffney, A., et al. Carga de documentación médica entre los médicos basados ​​en la oficina de los Estados Unidos en 2019: un estudio nacional. JAMA Intern Med 182, 564-566 (2022).
4. Microsoft+Nuance. Documente automáticamente la atención con Dragon Ambient Experience (DAX). https://www.nuance.com/asset/en_us/collateral/healthcare/data-sheet/ds-ambient-clinical-intelligence-en-us.pdf. (2023).
5. Adler-Milstein, J. y Wang, M.D. El impacto de la transición de la disponibilidad de registros externos dentro de los registros de salud electrónicos a la integración de registros locales y externos dentro de los registros de salud electrónicos. J Am Med Inform Assoc 27, 606-612 (2020).