- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT06792890
Una sperimentazione randomizzata controllata di tecnologie di scribe di intelligenza artificiale ambientale (AIScribe RCT)
Una sperimentazione controllata randomizzata di due tecnologie di scribi di intelligenza artificiale ambientale per migliorare l'efficienza della documentazione e ridurre il burnout del medico
Si tratta di un RCT pragmatico a tre bracci di 238 medici ambulatoriali in un grande sistema sanitario accademico, randomizzato 1: 1: 1 a uno dei due strumenti di scriba AI o un solito gruppo di controllo delle cure. Lo studio a due mesi osserverà e confronterà gli effetti di ciascuno strumento prima del lancio a livello di sistema dallo strumento selezionato (primavera anticipata 2025). Utilizzeremo la randomizzazione vincolata alla covariata per bilanciare le armi in termini di tempo di base del medico nelle note, livello di esaurimento del burnout e giorni clinici a settimana.
Lo scopo principale dell'iniziativa è migliorare la qualità, l'efficienza e le operazioni commerciali presso l'Università della California, Los Angeles (UCLA), e questa iniziativa non viene eseguita a fini di ricerca. I risultati di questa iniziativa operativa informeranno il diffuso strumenti di AI Scribe in tutti i provider all'interno del sistema sanitario dell'UCLA. Tuttavia, il team di studio dell'UCLA prevede di esaminare e pubblicare rigorosamente l'impatto di questo intervento in tutto il sistema sanitario, motivo per cui il team di studio ha pre-registrato l'iniziativa.
Panoramica dello studio
Stato
Intervento / Trattamento
Descrizione dettagliata
Questo studio valuterà i risultati orientati all'operazione in tutti i gruppi. In particolare, tutti i gruppi alla fine riceveranno tutti gli interventi nel tempo in questo studio osservazionale di un lancio randomizzato da un'iniziativa Qi. Inoltre, lo scopo principale di questa iniziativa è operativo. In altre parole, in base ai risultati di questa iniziativa, uno di questi strumenti verrà infine selezionato e operativo ampiamente attraverso il sistema sanitario.
I partecipanti iscritti sono randomizzati in uno dei tre gruppi. Era necessaria la randomizzazione per superare le tendenze secolari, gli effetti stagionali e delle vacanze a dicembre e altri fattori che confondono la relazione tra l'esposizione agli strumenti di intelligenza artificiale e i risultati.
L'obiettivo principale di questo studio è valutare l'impatto delle due tecnologie di scribe AI ambientale sul cambiamento del medico rispetto al tempo di base trascorso sulla documentazione EHR, confrontando ogni scriba con un gruppo di controllo. Gli obiettivi secondari includono la valutazione dell'impatto degli scribi di intelligenza artificiale sulle metriche del medico come il burnout, la soddisfazione del medico e la produttività. Inoltre, il team di studio intende eseguire un'analisi di valutazione economica degli strumenti per guidare il processo decisionale aziendale. Il team di studio analizzerà inoltre gli effetti riportati del medico degli strumenti di intelligenza artificiale sulla sicurezza dei pazienti, l'equità e qualsiasi conseguenza non intenzionale dell'iniziativa.
Tipo di studio
Iscrizione (Effettivo)
Fase
- Non applicabile
Contatti e Sedi
Luoghi di studio
-
-
California
-
Los Angeles, California, Stati Uniti, 90024
- UCLA Health System
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Descrizione
Criteri di inclusione:
- Medici di cure ambulatoriali all'interno del sistema sanitario dell'UCLA che detenevano almeno mezzo giorno di clinica a settimana
Criteri di esclusione:
- Fornitori di tirocinanti (ad es. Residenti, studenti di medicina) e professionisti sanitari alleati (ad es. RNS, PAS)
- Presenze che lavorano esclusivamente con i tirocinanti
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Scopo principale: Ricerca sui servizi sanitari
- Assegnazione: Randomizzato
- Modello interventistico: Assegnazione di gruppo singolo
- Mascheramento: Separare
Armi e interventi
Gruppo di partecipanti / Arm |
Intervento / Trattamento |
|---|---|
|
Altro: Nabla, venditore di tecnologia Virtual AI Scribe
I partecipanti a questo braccio utilizzeranno gli strumenti di AI Scribe da NABLA e continueranno i loro soliti processi di documentazione clinica, supportati dal software Scribe, che si integra con l'EHR e aggiunge automaticamente il testo generato alla nota.
Lo strumento NABLA AI Scribe è trascrizionale e non fornisce supporto alle decisioni cliniche.
|
Le tecnologie AI Scribe catturano conversazioni mediche-paziente per creare una trascrizione, quindi riassumi la trascrizione sotto forma di note cliniche. Questi strumenti sono integrati nell'EHR e aggiungono automaticamente il testo generato alla nota del provider. Tutti i medici devono informare i pazienti in merito alla registrazione e ottenere il loro consenso verbale e vengono monitorati le istanze di pazienti in rifiuto del consenso. Nabla sfrutta il suo discorso a testo proprietario per trasformare la conversazione in un contesto scritto, combinato con modelli di linguaggio di grandi dimensioni conformi a HIPAA (LLM) come GPT-4 di Azure Openai. Nabla non memorizza alcun audio. |
|
Altro: Venditore B della tecnologia Virtual AI Scribe
I partecipanti a questo braccio utilizzeranno strumenti di AI Scribe del fornitore B e continueranno i loro soliti processi di documentazione clinica, supportati dal software Scribe, che si integra con l'EHR e aggiunge automaticamente il testo generato alla nota.
Lo strumento AI Scribe è trascrizionale e non fornisce supporto alle decisioni cliniche.
|
Le tecnologie AI Scribe catturano conversazioni mediche-paziente per creare una trascrizione, quindi riassumi la trascrizione sotto forma di note cliniche.
Questi strumenti sono integrati nell'EHR e aggiungono automaticamente il testo generato alla nota del provider.
Tutti i medici devono informare i pazienti in merito alla registrazione e ottenere il loro consenso verbale e vengono monitorati le istanze di pazienti in rifiuto del consenso.
|
|
Nessun intervento: Nessun scriba
I partecipanti a questo braccio non avranno accesso agli strumenti di AI Scribe e continueranno i soliti processi di documentazione clinica
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Change in the Time in Notes Per Note
Lasso di tempo: 2° mese dello studio
|
La misura dell'esito primario è la variazione del tempo medio del fornitore nelle note per nota nel secondo mese dello studio rispetto al tempo medio del fornitore nelle note per nota nei sei mesi precedenti l'arruolamento.
Questa variazione sarà calcolata sulla scala del logaritmo naturale. Nessuna informazione a livello di paziente sarà raccolta per questa misura dell'esito. |
2° mese dello studio
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Punteggio del burnout del fornitore
Lasso di tempo: Studio Mese 2
|
Il sondaggio Mini Z 2.0 è uno strumento a 10 elementi validato progettato per misurare i fattori chiave che influenzano la soddisfazione sul posto di lavoro e il burnout tra gli operatori sanitari.
Ogni elemento è valutato su una scala Likert (1-5), con punteggi più alti che indicano generalmente risultati più positivi: maggiore soddisfazione professionale, sufficienza del tempo per la documentazione della cartella clinica elettronica e livelli più bassi di stress.
Per gli articoli incorniciati negativamente (ad esempio, lo stress dovuto al lavoro o alla frustrazione per la cartella clinica elettronica), i punteggi più alti indicano livelli più bassi di insoddisfazione.
Il punteggio totale varia da 10 a 50, con punteggi ≥40 che rappresentano un posto di lavoro gioioso.
Non verranno raccolte informazioni a livello di paziente per questa misura di esito.
|
Studio Mese 2
|
|
Modifica dei dati del segnale EHR (attività) - Tempo del pigiama
Lasso di tempo: Studio Mese 2
|
Esamineremo il cambiamento da una linea di base retrospettiva 6 mesi prima dell'iscrizione alle metriche del segnale, incluso il tempo di pigiama per giorno programmato.
L'uso di questi dati determinerà come il tempo di un provider viene utilizzato nell'EHR.
Non verranno raccolte informazioni a livello di paziente per questa misura di esito.
|
Studio Mese 2
|
|
Punteggio del Carico di Attività del Fornitore
Lasso di tempo: Secondo mese dello studio
|
Carico di lavoro del fornitore adattato dal NASA Task Load Index (TLX), uno strumento validato per valutare il carico di lavoro percepito attraverso sei sottoscale: richiesta mentale, richiesta fisica, richiesta temporale, prestazione, sforzo e frustrazione.
Per questo studio, abbiamo adattato il TLX concentrandoci sul carico di lavoro di scrittura delle note, includendo quattro sottoscale (richiesta mentale, richiesta temporale, richiesta fisica e sforzo) come già fatto in precedenza.
Ogni sottoscala è valutata da 0 (basso carico di lavoro) a 100 (alto carico di lavoro) e sommata per un punteggio totale su scala da 0 (basso carico di lavoro) a 400 (alto carico di lavoro), più basso è meglio.
Nessuna informazione a livello di paziente sarà raccolta per questa misura di esito.
|
Secondo mese dello studio
|
|
Realizzazione Professionale del Fornitore
Lasso di tempo: Mese 2 dello studio
|
Il Professional Fulfillment Index (PFI) è uno strumento validato di 16 item che utilizza una scala Likert a 5 punti (0-4) per misurare la realizzazione professionale, l'esaurimento da lavoro e il disimpegno interpersonale.
Per questo studio, utilizziamo la sottoscala di esaurimento da lavoro composta da 4 item, la quale è una media dei 4 item in quella sottoscala, dove un punteggio basso (0) indica un livello inferiore di esaurimento e un punteggio alto (4) indica un livello maggiore di esaurimento. Nessuna informazione a livello del paziente verrà raccolta per questa misura di esito. |
Mese 2 dello studio
|
|
Numero di Medici Considerati Detrattori, Passivi o Promotori
Lasso di tempo: Mese 2 dello studio
|
Sondaggio di soddisfazione auto-riportato che chiede ai medici di considerare l'accuratezza delle note, la sicurezza del paziente, l'equità e altre potenziali conseguenze indesiderate e valutare la loro probabilità complessiva di raccomandare l'uso dello strumento su una scala da 1 a 10.
Punteggi più alti (10) indicano maggiore soddisfazione e probabilità di raccomandazione, mentre punteggi più bassi (1) indicano insoddisfazione e improbabilità di raccomandazione.
I fornitori sono raggruppati come "Promotori" se rispondono 9-10, "Passivi" se rispondono 7-8 e "Detrattori" se rispondono con un valore minore o uguale a 6.
Questo raggruppamento corrisponde ai raggruppamenti comunemente accettati del "Net Promoter Score".
Nessuna informazione a livello del paziente verrà raccolta per questa misura di esito.
|
Mese 2 dello studio
|
|
Variazione nell'RVU del Fornitore
Lasso di tempo: Mese 2 dello studio
|
Il team di studio utilizzerà le informazioni di fatturazione a livello di medico tramite UVR per determinare il loro cambiamento di produttività rispetto a una linea di base retrospettiva di 6 mesi prima dell'arruolamento.
Nessuna informazione a livello di paziente verrà raccolta per questo parametro di esito. |
Mese 2 dello studio
|
|
Variazione nei dati del segnale EHR (attività) - Tempo fuori dagli orari programmati
Lasso di tempo: Mese di studio 2
|
Valuteremo la modifica rispetto a un basale retrospettivo di 6 mesi prima dell'arruolamento nelle metriche del Segnale, incluso il tempo al di fuori delle ore programmate per giorno programmato.
Utilizzando questi dati determineremo come viene utilizzato il tempo del provider nel sistema EHR.
Non verranno raccolte informazioni a livello del paziente per questa misura di esito.
|
Mese di studio 2
|
|
Variazione nei dati del segnale EHR (attività) - Tempo nei giorni non programmati
Lasso di tempo: Mese 2 dello studio
|
Esamineremo il cambiamento rispetto a un basale retrospettivo di 6 mesi prima dell'arruolamento nelle metriche Signal, incluso il tempo trascorso nel sistema nei giorni non programmati in cui .
Utilizzando questi dati, determineremo come viene impiegato il tempo di un fornitore nell'EHR.
Non verranno raccolte informazioni a livello di paziente per questa misura di esito.
|
Mese 2 dello studio
|
Collaboratori e investigatori
Pubblicazioni e link utili
Pubblicazioni generali
- 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.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Effettivo)
Completamento dello studio (Effettivo)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Altri numeri di identificazione dello studio
- NPR 40703
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .