- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT06792890
A környezeti mesterséges intelligencia írástudó technológiáinak randomizált, ellenőrzött vizsgálata (AIScribe RCT)
Két környezeti mesterséges intelligencia írástudó technológiájának randomizált, ellenőrzött vizsgálata a dokumentáció hatékonyságának javítására és az orvosok kiégésének csökkentésére
Ez egy háromkaros pragmatikus RCT, 238 járóbeteg-orvosból egy nagy tudományos egészségügyi rendszerben, randomizált 1: 1: 1-re a két AI írástudó eszköz egyikére vagy egy szokásos gondozási kontrollcsoportra. A két hónapos tanulmány megfigyeli és összehasonlítja az egyes szerszámok hatásait a kiválasztott eszközből a rendszerszintű tekercs előtt (várható 2025 tavasz). A kovariánsokkal korlátozott véletlenszerűsítést fogjuk használni a fegyverek kiegyensúlyozására az orvosok kiindulási ideje szempontjából a jegyzetekben, a felmérés által meghatározott kiégés szintjén és a klinikai napokban hetente.
A kezdeményezés elsődleges célja a Los Angeles -i Kaliforniai Egyetemen (UCLA) Health minőségi, hatékonysági és üzleti tevékenységének javítása, és ezt a kezdeményezést nem kutatási célokra végzik. Ennek az operatív kezdeményezésnek az eredményei tájékoztatják az AI Scribe eszközök széles körű bevezetését az UCLA egészségügyi rendszerének minden szolgáltatóján. Ennek ellenére az UCLA tanulmányozócsoportja azt tervezi, hogy szigorúan megvizsgálja és közzéteszi ennek a beavatkozásnak az egészségügyi rendszeren belüli hatásait, ezért a tanulmánycsoport előre regisztrálta a kezdeményezést.
A tanulmány áttekintése
Állapot
Körülmények
Részletes leírás
Ez a tanulmány minden csoportban felméri az operatív-orientált eredményeket. Nevezetesen, minden csoport végül minden beavatkozást megkap az idő múlásával, ebben a megfigyelési vizsgálatban a QI kezdeményezésből származó randomizált bevezetésről. Ezenkívül ennek a kezdeményezésnek az elsődleges célja az, hogy működőképes. Más szavakkal, a kezdeményezés eredményei alapján, ezen eszközök egyikét végül kiválasztják és az egészségügyi rendszerben széles körben választják ki.
A beiratkozott résztvevőket randomizálják a három csoport egyikére. Véletlenszerűsítésre volt szükség a világi tendenciák, a szezonális és ünnepi hatások decemberben történő leküzdéséhez, valamint az AI -eszközökkel való kitettség és az eredmények közötti kapcsolat összekeverésére.
Ennek a tanulmánynak az elsődleges célja, hogy felmérje két környezeti AI írástudó technológiának a klinikus változására gyakorolt hatását az EHR -dokumentációra fordított kiindulási időtől, összehasonlítva az egyes írók egy kontrollcsoportot. A másodlagos célkitűzések között szerepel az AI írástudóknak a klinikusok mutatására, például a kiégésre, az orvosok elégedettségére és a termelékenységre gyakorolt hatásának felmérése. Ezenkívül a tanulmányi csoport az üzleti döntéshozatal irányításához szükséges eszközök gazdasági értékelési elemzését kívánja elvégezni. A vizsgálati csoport elemzi az orvosok beszámolójának az AI eszközöknek a betegek biztonságára, a tőkére, a kezdeményezés minden nem kívánt következményére gyakorolt hatásait.
Tanulmány típusa
Beiratkozás (Tényleges)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi helyek
-
-
California
-
Los Angeles, California, Egyesült Államok, 90024
- UCLA Health System
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Leírás
Befogadási kritériumok:
- Ambulatorikus ápolási orvosok az UCLA egészségügyi rendszerén belül, akik hetente legalább fél napos klinikát tartottak
Kizárási kritériumok:
- Gyakornokok (például lakosok, orvostanhallgatók) és rokon egészségügyi szakemberek (például RNS, PAS)
- Kizárólag a gyakornokokkal dolgozó résztvevők
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Egészségügyi szolgáltatások kutatása
- Kiosztás: Véletlenszerűsített
- Beavatkozó modell: Egyetlen csoportos hozzárendelés
- Maszkolás: Egyetlen
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Egyéb: Nabla, a virtuális AI írástudó technológia eladója
Az ezen ARM résztvevői a NABLA AI írástudó eszközeit fogják használni, és folytatják a szokásos klinikai dokumentációs folyamatokat, amelyeket az Scribe szoftver támogat, amely integrálódik az EHR -hez, és automatikusan hozzáadja a generált szöveget a jegyzethez.
A NABLA AI írástudó eszköz transzkripciós és nem nyújt klinikai döntéshozatalt.
|
Az AI Scribe Technologies rögzíti az orvos-beteg beszélgetéseket egy átirat létrehozásához, majd összefoglalja az átiratot klinikai megjegyzések formájában. Ezeket az eszközöket integrálják az EHR -be, és automatikusan hozzáadják a generált szöveget a szolgáltató megjegyzéséhez. Minden orvosnak tájékoztatnia kell a betegeket a felvételről és a verbális hozzájárulásuk megszerzéséről, és nyomon követik a betegek esetét. A NABLA kihasználja a szabadalmaztatott beszédét, hogy a beszélgetést írásbeli kontextusba alakítsa, a HIPAA-kompatibilis nagy nyelvi modellekkel (LLM) kombinálva, mint például az Azure Openai GPT-4. A NABLA nem tárol semmilyen hangot. |
|
Egyéb: A virtuális AI írástudó technológiájának B szállítója
Az ezen ARM résztvevői használják a B eladó AI írástudó eszközeit, és folytatják a szokásos klinikai dokumentációs folyamatukat, amelyeket az Scribe szoftver támogat, amely integrálódik az EHR -hez, és automatikusan hozzáadja a generált szöveget a jegyzethez.
Az AI írástudó eszköz transzkripciós és nem nyújt klinikai döntéshozatalt.
|
Az AI Scribe Technologies rögzíti az orvos-beteg beszélgetéseket egy átirat létrehozásához, majd összefoglalja az átiratot klinikai megjegyzések formájában.
Ezeket az eszközöket integrálják az EHR -be, és automatikusan hozzáadják a generált szöveget a szolgáltató megjegyzéséhez.
Minden orvosnak tájékoztatnia kell a betegeket a felvételről és a verbális hozzájárulásuk megszerzéséről, és nyomon követik a betegek esetét.
|
|
Nincs beavatkozás: Nincs író
A karban résztvevők nem férnek hozzá az AI írástudó eszközökhöz, és folytatják a szokásos klinikai dokumentációs folyamataikat
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Változás a feljegyzésen belüli jegyzetidőben
Időkeret: 2. tanulmányi hónap
|
Az elsődleges kimeneti mérőszám a szolgáltatók jegyzetenkénti átlagos idejének változása a vizsgálat második hónapjában a szolgáltatók beiratkozást megelőző hat hónap alatti jegyzetenkénti átlagos idejéhez képest.
Ezt a változást természetes logaritmikus skálán számítják ki. Ezen kimeneti mérőszámhoz nem gyűjtenek betegszintű információkat. |
2. tanulmányi hónap
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Szolgáltató kiégési pontszáma
Időkeret: 2. tanulmányi hónap
|
A Mini Z 2.0 felmérés egy validált 10 elemből álló eszköz, amelynek célja a munkahelyi elégedettség és a kiégés befolyásoló kulcsfontosságú tényezőinek mérése.
Mindegyik tételt Likert -skálán (1-5) pontoznak, a magasabb pontszámok általában a pozitív eredményeket jelzik - nagyobb a munkaelégedettség, az idő elégsége az elektronikus orvosi nyilvántartások dokumentációjának és az alacsonyabb szintű stressz.
A negatív keretes tárgyak esetében (például a munka vagy az elektronikus orvosi nyilvántartás frusztrációja miatt) a magasabb pontszámok az elégedetlenség alacsonyabb szintjét jelzik.
A teljes pontszám 10 és 50 között van, a ≥40 pontszámok örömteli munkahelyet jelentenek.
Ehhez az eredményméréshez nem gyűjtünk beteg szintű információt.
|
2. tanulmányi hónap
|
|
Az EHR jel (tevékenység) adatok változása - pizsama idő
Időkeret: 2. tanulmányi hónap
|
Megvizsgáljuk a változást a retrospektív kiindulási alapból 6 hónappal a jelmérőbe való beiratkozás előtt, beleértve a pizsama -időt a tervezett naponként.
Ezen adatok felhasználása meghatározza, hogy a szolgáltatók időt alkalmazzák az EHR -ben.
Ehhez az eredményméréshez nem gyűjtünk beteg szintű információt.
|
2. tanulmányi hónap
|
|
Szolgáltatói feladatterhelés pontszám
Időkeret: Study month 2
|
A szolgáltató feladatterhelése a NASA Task Load Index (TLX) alapján került adaptálásra, amely egy érvényesített eszköz az észlelt munkaterhelés értékelésére hat alskálán: mentális igény, fizikai igény, időbeli igény, teljesítmény, erőfeszítés és frusztráció.
Ebben a vizsgálatban a TLX-t a jegyzetírás munkaterhelésére összpontosítottuk, beleértve négy alskálát (mentális igény, időbeli igény, fizikai igény és erőfeszítés), ahogyan azt korábban is tettük.
Minden alskála 0 (alacsony feladatterhelés) és 100 (magas feladatterhelés) közötti értékelést kap, és összeadva egy 0 (alacsony feladatterhelés) és 400 (magas feladatterhelés) közötti összpontszámot eredményez, a kisebb érték jobb.
Ehhez a kimeneti mérőszámhoz nem gyűjtünk betegszintű információkat.
|
Study month 2
|
|
Szakmai megvalósítás szolgáltatója
Időkeret: Study month 2
|
A Professional Fulfillment Index (PFI) egy validált, 16 tételből álló eszköz, amely 5 fokozatú Likert-skálát (0-4) használ a szakmai kiteljesedés, a munkahelyi kimerültség és a személyközi elköteleződés hiányának mérésére.
Ebben a vizsgálatban a munkahelyi kimerültség 4 tételes alskáláját használjuk, amely a négy tétel átlaga, ahol az alacsony pontszám (0) alacsonyabb, a magas (4) pontszám pedig magasabb kimerültségi szintet jelez.
Ehhez a kimeneti mérőszámhoz nem gyűjtünk páciensszintű információkat.
|
Study month 2
|
|
Az orvosok száma, akiket ellenzőknek, passzívnak vagy támogatóknak tekintenek
Időkeret: 2. vizsgálati hónap
|
Önbevallásos elégedettségi felmérés, amelyben az orvosoknak mérlegelniük kell a feljegyzés pontosságát, a betegbiztonságot, a méltányosságot és más lehetséges nem kívánt következményeket, majd egy 1-10 skálán kell értékelniük, mennyire ajánlanák a segédeszköz használatát.
A magasabb pontszámok (10) nagyobb elégedettséget és ajánlási valószínűséget jeleznek, míg az alacsonyabb pontszámok (1) elégedetlenséget és ajánlástól való elzárkózást mutatnak.
A szolgáltatók "Ajánlók" csoportba kerülnek, ha 9-10 értéket adnak, "Passzívak" ha 7-8 értéket, "Ellenzők" ha 6 vagy annál kisebb értéket.
Ez a csoportosítás megegyezik az általánosan elfogadott "Net Promoter Score" csoportosítással.
Ehhez a kimeneti mérőszámhoz nem gyűjtünk betegszintű információt.
|
2. vizsgálati hónap
|
|
Változás a szolgáltatói RVU-ban
Időkeret: A vizsgálat 2. hónapja
|
A vizsgálati csoport az orvosi szintű számlázási információkat fogja használni az RVU segítségével annak meghatározására, hogy hogyan változott a termelékenységük a regisztráció előtti hat hónapos retrospektív kiindulási időszakhoz képest.
Ezen eredménymérő esetében nem gyűjtenek betegszintű információkat.
|
A vizsgálat 2. hónapja
|
|
Az EHR jelek (aktivitás) adatainak változása - Tervezett munkaidőn kívüli idő
Időkeret: A vizsgálat 2. hónapja
|
Megvizsgáljuk a retrospektív kiindulási állapothoz (a beiratkozást megelőző 6 hónap) viszonyított változást a Szignál mérőszámokban, ideértve a tervezett naponkénti, ütemezett órákon kívül töltött időt.
Ezen adatok felhasználásával határozzuk meg, hogy a szolgáltatók hogyan használják idejüket az EHR-ben.
Ezen kimenetel mérés céljából nem gyűjtünk betegszintű információkat.
|
A vizsgálat 2. hónapja
|
|
Változás az EHR jel (aktivitás) adatokban - Idő nem tervezett napokon
Időkeret: A vizsgálat 2. hónapja
|
Megvizsgáljuk a retrospektív kiindulási értékhez képest bekövetkező változást a felvételt megelőző 6 hónapban a Signal mutatókban, beleértve a rendszerben nem tervezett napokon eltöltött időt, ahol .
Ezen adatok segítségével meghatározzuk, hogy az egészségügyi szolgáltatók hogyan használják az EHR-ben az idejüket.
Ehhez a kimeneti mérőszámhoz nem gyűjtünk betegszintű információkat.
|
A vizsgálat 2. hónapja
|
Együttműködők és nyomozók
Publikációk és hasznos linkek
Általános kiadványok
- 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.
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
Egyéb vizsgálati azonosító számok
- NPR 40703
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .