- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06792890
Un essai contrôlé randomisé des technologies de scribe d'intelligence artificielle ambiante (AIScribe RCT)
Un essai contrôlé randomisé de deux technologies ambiantes de scribe d'intelligence artificielle pour améliorer l'efficacité de la documentation et réduire l'épuisement professionnel des médecins
Il s'agit d'un RCT pragmatique à trois bras de 238 médecins ambulatoires dans un grand système de santé académique, randomisé 1: 1: 1 à l'un des deux outils de scribe d'IA ou un groupe de contrôle de soins habituel. L'étude de deux mois observera et comparera les effets de chaque outil avant le déploiement à l'échelle du système de l'outil sélectionné (printemps 2025 prévu). Nous utiliserons la randomisation limitée par covariable pour équilibrer les armes en termes de temps de base des médecins dans les notes, le niveau de l'épuisement professionnel mesuré par le sondage et les jours de clinique par semaine.
L'objectif principal de l'initiative est d'améliorer la qualité, l'efficacité et les opérations commerciales à l'Université de Californie à Los Angeles (UCLA), et cette initiative n'est pas effectuée à des fins de recherche. Les résultats de cette initiative opérationnelle éclaireront le déploiement généralisé des outils de scribe de l'IA chez tous les fournisseurs du système de santé UCLA. Néanmoins, l'équipe d'étude de l'UCLA prévoit d'examiner et de publier rigoureusement l'impact de cette intervention à travers le système de santé, c'est pourquoi l'équipe d'étude a pré-enregistré l'initiative.
Aperçu de l'étude
Statut
Les conditions
Description détaillée
Cette étude évaluera les résultats axés sur les opérations dans tous les groupes. Notamment, tous les groupes recevront éventuellement toutes les interventions au fil du temps dans cette étude d'observation d'un déploiement randomisé d'une initiative QI. De plus, l'objectif principal de cette initiative est opérationnel. En d'autres termes, sur la base des résultats de cette initiative, l'un de ces outils sera finalement sélectionné et opérationnel largement dans le système de santé.
Les participants inscrits sont randomisés dans l'un des trois groupes. La randomisation était nécessaire pour surmonter les tendances laïques, les effets saisonnières et les fêtes en décembre, et d'autres facteurs confondant la relation entre l'exposition aux outils de l'IA et les résultats.
L'objectif principal de cette étude est d'évaluer l'impact de deux technologies ambiantes de scribe AI sur le changement des cliniciens par rapport au temps de base consacré à la documentation du DSE, en comparant chaque scribe à un groupe témoin. Les objectifs secondaires comprennent l'évaluation de l'impact des scribes d'IA sur les métriques des cliniciens tels que l'épuisement professionnel, la satisfaction des médecins et la productivité. De plus, l'équipe d'étude a l'intention d'effectuer une analyse d'évaluation économique des outils pour guider la prise de décision commerciale. L'équipe d'étude analysera également les effets signalés par les médecins des outils d'IA sur la sécurité des patients, les capitaux propres et les conséquences imprévues de l'initiative.
Type d'étude
Inscription (Réel)
Phase
- N'est pas applicable
Contacts et emplacements
Lieux d'étude
-
-
California
-
Los Angeles, California, États-Unis, 90024
- UCLA Health System
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
La description
Critères d'inclusion:
- Physiciens de soins ambulatoires au sein du système de santé de l'UCLA qui a tenu au moins une demi-journée de clinique par semaine
Critères d'exclusion:
- Les fournisseurs de stagiaires (par exemple, les résidents, les étudiants en médecine) et les professionnels de la santé alliés (par exemple, RNS, PAS)
- Participants qui travaillent exclusivement avec des stagiaires
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: Recherche sur les services de santé
- Répartition: Randomisé
- Modèle interventionnel: Affectation à un seul groupe
- Masquage: Seul
Armes et Interventions
Groupe de participants / Bras |
Intervention / Traitement |
|---|---|
|
Autre: Nabla, vendeur de la technologie virtuelle AI Scribe
Les participants à ce bras utiliseront les outils de scribe d'IA de NABLA et continueront leurs processus de documentation clinique habituels, pris en charge par le logiciel Scribe, qui s'intègre au DSE et ajoute automatiquement le texte généré à la note.
L'outil NABLA AI SCRIBE est transcriptionnel et ne fournit pas une aide à la décision clinique.
|
Les technologies de scribe AI capturent les conversations médicales pour créer une transcription, puis résument la transcription sous la forme d'une note clinique. Ces outils sont intégrés dans le DSE et ajoute automatiquement le texte généré à la note du fournisseur. Tous les médecins doivent informer les patients de l'enregistrement et obtenir leur consentement verbal, et les cas de patients refusant de consentement sont suivis. NABLA exploite son discours de texte propriétaire pour transformer la conversation en un contexte écrit, combiné avec des modèles de grande langue conformes à la HIPAA (LLM) comme le GPT-4 d'Azure Openai. NABLA ne stocke d'audio. |
|
Autre: Vendeur B de la technologie Virtual AI Scribe
Les participants à ce bras utiliseront les outils de scribe d'IA du fournisseur B et continueront leurs processus de documentation clinique habituels, pris en charge par le logiciel Scribe, qui s'intègre au DSE et ajoute automatiquement le texte généré à la note.
L'outil de scribe AI est transcriptionnel et ne fournit pas une aide à la décision clinique.
|
Les technologies de scribe AI capturent les conversations médicales pour créer une transcription, puis résument la transcription sous la forme d'une note clinique.
Ces outils sont intégrés dans le DSE et ajoute automatiquement le texte généré à la note du fournisseur.
Tous les médecins doivent informer les patients de l'enregistrement et obtenir leur consentement verbal, et les cas de patients refusant de consentement sont suivis.
|
|
Aucune intervention: Pas de scribe
Les participants à ce bras n'auront pas accès aux outils de scribe d'IA et continueront leurs processus de documentation clinique habituels
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Changement du temps passé par note
Délai: Mois d'étude 2
|
La mesure de résultat primaire est le changement dans le temps moyen du prestataire dans les notes par note au deuxième mois de l'essai par rapport au temps moyen du prestataire dans les notes par note de base pour les six mois précédant l'inscription.
Ce changement sera calculé sur l'échelle logarithmique naturelle.
Aucune information au niveau du patient ne sera recueillie pour cette mesure de résultat.
|
Mois d'étude 2
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Score d'épuisement professionnel
Délai: Mois de l'étude 2
|
L'enquête MINI Z 2.0 est un instrument validé en 10 éléments conçu pour mesurer les facteurs clés influençant la satisfaction et l'épuisement professionnel des professionnels de la santé.
Chaque élément est noté sur une échelle de Likert (1-5), avec des scores plus élevés indiquant généralement des résultats plus positifs - une plus grande satisfaction au travail, une suffisance de temps pour la documentation des enregistrements médicaux électroniques et des niveaux de stress inférieurs.
Pour les articles encadrés négativement (par exemple, le stress en raison du travail ou de la frustration avec le dossier médical électronique), des scores plus élevés indiquent des niveaux d'insatisfaction plus faibles.
Le score total varie de 10 à 50, avec des scores ≥40 représentant un lieu de travail joyeux.
Aucune information au niveau du patient ne sera collectée pour cette mesure des résultats.
|
Mois de l'étude 2
|
|
Changement des données du signal du DSE (activité) - Temps de pyjama
Délai: Mois de l'étude 2
|
Nous examinerons le changement par rapport à une référence rétrospective 6 mois avant l'inscription à des mesures de signalisation, y compris le temps de pyjama par jour prévue.
L'utilisation de ces données déterminera comment un temps de fournisseurs est utilisé dans le DSE.
Aucune information au niveau du patient ne sera collectée pour cette mesure des résultats.
|
Mois de l'étude 2
|
|
Score de charge de tâche du prestataire
Délai: Mois d'étude 2
|
Charge de travail du prestataire adaptée de l'indice de charge de travail NASA (TLX), un outil validé pour évaluer la charge de travail perçue à travers six sous-échelles : demande mentale, demande physique, demande temporelle, performance, effort et frustration.
Pour cette étude, nous avons adapté le TLX pour se concentrer sur la charge de travail liée à la rédaction de notes, y compris quatre sous-échelles (demande mentale, demande temporelle, demande physique et effort) comme cela a été fait précédemment.
Chaque sous-échelle est notée de 0 (faible charge de travail) à 100 (charge de travail élevée) et additionnée pour obtenir un score total allant de 0 (faible charge de travail) à 400 (charge de travail élevée), un score plus bas étant meilleur.
Aucune information au niveau du patient ne sera collectée pour cette mesure de résultat.
|
Mois d'étude 2
|
|
Provider Professional Fulfillment
Délai: Mois d'étude 2
|
Le **Professional Fulfillment Index (PFI)** est un instrument validé composé de 16 items utilisant une échelle de Likert en 5 points (0-4) pour mesurer l'épanouissement professionnel, l'épuisement au travail et le désengagement interpersonnel.
Pour cette étude, nous utilisons la sous-échelle d'épuisement au travail composée de 4 items, qui consiste en la moyenne des 4 items de cette sous-échelle, où un score faible (0) indique un niveau d'épuisement plus faible et un score élevé (4) indique un niveau d'épuisement plus élevé.
Aucune information au niveau du patient ne sera collectée pour cette mesure de résultat.
|
Mois d'étude 2
|
|
Nombre de médecins considérés comme détracteurs, passifs ou promoteurs
Délai: Mois 2 de l'étude
|
Sondage de satisfaction autodéclaré qui demande aux médecins de considérer la précision des notes, la sécurité des patients, l'équité et d'autres conséquences imprévues potentielles, et d'évaluer leur probabilité globale de recommander l'utilisation de l'outil sur une échelle de 1 à 10.
Des scores plus élevés (10) indiquent une plus grande satisfaction et une probabilité de recommander, tandis que des scores plus faibles (1) indiquent une insatisfaction et une improbabilité de recommander. Les prestataires sont regroupés en « Promoteurs » s'ils répondent 9 ou 10, « Passifs » s'ils répondent 7 ou 8, et « Détracteurs » s'ils répondent avec une valeur inférieure ou égale à 6. Ce regroupement correspond aux regroupements communément acceptés du « Net Promoter Score ». Aucune information au niveau du patient ne sera collectée pour cette mesure de résultat. |
Mois 2 de l'étude
|
|
Changement dans l'URV du fournisseur
Délai: Mois 2 de l'étude
|
L'équipe de l'étude utilisera les informations de facturation au niveau du médecin via RVU pour déterminer leur changement de productivité par rapport à une période de base rétrospective de 6 mois avant l'inscription.
Aucune information au niveau du patient ne sera collectée pour ce critère de jugement.
|
Mois 2 de l'étude
|
|
Modification des données de signal (activité) du DSE - Temps hors des heures programmées
Délai: Mois 2 de l'étude
|
Nous examinerons le changement à partir d'une base de référence rétrospective 6 mois avant l'inscription dans les métriques Signal incluant le temps en dehors des heures programmées par jour programmé.
L'utilisation de ces données permettra de déterminer comment le temps des prestataires est utilisé dans le DSE.
Aucune information au niveau des patients ne sera collectée pour cette mesure de résultat.
|
Mois 2 de l'étude
|
|
Changement dans les données de signal EHR (Activité) - Temps les jours non programmés
Délai: Mois d'étude 2
|
Nous examinerons le changement par rapport à une référence rétrospective de 6 mois avant l'inscription dans les métriques Signal, y compris le temps passé dans le système lors des jours non programmés où cela est pertinent.
En utilisant ces données, nous déterminerons comment le temps d'un prestataire est utilisé dans le DSE.
Aucune information au niveau du patient ne sera collectée pour ce critère de résultat.
|
Mois d'étude 2
|
Collaborateurs et enquêteurs
Parrainer
Publications et liens utiles
Publications générales
- 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.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Autres numéros d'identification d'étude
- NPR 40703
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .