Impatto dell'esperienza ambientale digitale sull'onere della documentazione sottospecialista pediatrica

Contesto: mentre i sistemi Electronic Health Record (EHR) hanno contribuito ai progressi nella sicurezza dei pazienti e alla qualità delle cure, sono stati anche associati a un aumento significativo dell'onere della documentazione, contribuendo al burnout tra i clinici [1]. Ciò è particolarmente vero per i medici con tempo insufficiente per la documentazione. In alcuni casi, ha comportato una riduzione degli slot di appuntamento per consentire ulteriori tempi di documentazione, che a sua volta riduce l'accesso del paziente alle cure e alla produttività del medico [2,3].

Microsoft Nuance © ha recentemente annunciato la disponibilità generale di una nuova soluzione di intelligenza artificiale (AI) chiamata Digital Ambient Experience (DAX) DAX Copilot [4], in cui la visita è registrata con il consenso del paziente/parentale, ma una nota viene generata attraverso il L'intelligenza artificiale insieme a una trascrizione di visite in tempo quasi reali che il provider può usare e modificare come si ritiene opportuno. Inoltre, consente ai provider di continuare a utilizzare i loro modelli di documentazione aggiungendo l'IA generativa a "sezioni intelligenti" all'interno della loro nota. Questo approccio ha il potenziale per ridurre sostanzialmente l'onere della documentazione mantenendo le preferenze di documentazione di molti fornitori.

Questo progetto pilota di miglioramento della qualità randomizzato mira a valutare se l'implementazione del software AI generativo per la documentazione, DAX Copilot di Microsoft Nuance, può migliorare l'efficienza della documentazione del medico e ridurre il burnout.

Obiettivi

Obiettivo globale del miglioramento della qualità: aumentare l'efficienza della documentazione del fornitore e ridurre il burnout del fornitore relativo all'onere della documentazione.

Obiettivo operativo per bambini: determinare se il costo del copilota DAX o del software di fornitore correlato è giustificato dalla riduzione dei proxy per il burnout del medico e/o potrebbe essere compensato vedendo più pazienti nello stesso periodo di tempo per migliorare le entrate e l'accesso al paziente.

Obiettivi del lavoro proposto:

- Determinare l'influenza del copilota DAX sui proxy per il burnout medico inclusi il tempo del pigiama, il tempo nelle note e le misure soggettive dell'efficienza EHR.

Metodi: si tratta di un progetto di miglioramento della qualità randomizzato che valuterà le modifiche ai proxy per l'efficienza della documentazione del provider e il burnout attraverso una progettazione di differenze di differenza.

Partecipanti del progetto

Il progetto recluterà 20 fornitori che soddisfano i seguenti criteri di inclusione:

1. Pratiche presso una specialità in una specialità supportata dal prodotto DAX Copilot e con metriche di efficienza di documentazione disponibili dal prodotto Signal di EPIC.
2. > 0,5 equivalente clinico a tempo pieno (CFTE)
3. 2 o più mezze giorni alla settimana in media vedendo i pazienti ambulatoriali come fornitore principale (non supervisionando i tirocinanti o le app).
4. Accetta di utilizzare l'applicazione mobile EHR (HAIKU) per bambini sul proprio dispositivo personale.
5. Accetta di offrire l'uso del software AI generativo DAX Copilot per tutti gli incontri di visita del paziente per la durata del periodo di progetto

6. Dati EHR sufficienti e stabili sull'efficienza della documentazione dal prodotto di segnale di EPIC, definiti come:

   1. Avere dati popolati disponibili per almeno 40 delle ultime 52 settimane.
   2. Avere metriche stabili per il pigiama più e più volte nelle note negli ultimi 6 mesi, come determinato da due informatici medici basati sull'ispezione visiva.
   3. > 75% della documentazione ambulatoriale completata dal fornitore stesso (invece di prendere il controllo di un tirocinante o di un fornitore di pratiche avanzate).

I partecipanti saranno identificati in base a caratteristiche come specialità, CFTE, proporzione e posizione del lavoro ambulatoriale e indice di opportunità ambientale di Epic da Signal, che si basa su punteggi normalizzati per proporzione di grafici dello stesso giorno chiuso, tipo di pigiama e caratteri tipizzati manualmente .

La randomizzazione verrà condotta in blocchi di due a livello di specialità per garantire la pari rappresentazione delle specialità in uno dei due gruppi seguenti per un pilota di 3 mesi:

1. Utilizzo del software AI generativo DAX Copilot (gruppo AI)
2. Continuazione dell'attuale flusso di lavoro della documentazione (gruppo di controllo)

Risultati

I nostri risultati primari da ottenere attraverso il prodotto di segnale di Epic saranno:

1. "Tempo del pigiama", definito come il numero medio di minuti per giornata programmata trascorsa in attività di grafici al di fuori delle 7:00 alle 17:30 nei giorni feriali, tempo al di fuori delle ore programmate nei fine settimana e tempo durante le vacanze non programmate. Questa metrica è associata alla sottoscala di esaurimento dell'inventario di Burnout Maslach [5].

2. "Tempo nelle note per appuntamento" in minuti

   Le metriche di esito aggiuntive includeranno:

3. Lunghezza della nota di avanzamento (caratteri)
4. Nota Contributo (scritto dal provider vs. altri)
5. Ora di chiusura degli appuntamenti
6. Proporzione delle note completate utilizzando il software AI generativo DAX Copilot
7. Volume medio del paziente a settimana
8. Risposte dell'utente pre e post-progetto su un sondaggio modificato di efficienza e soddisfazione EHR KLAS, uno strumento di benchmarking validato.
9. I punteggi di esperienza del paziente pre e post-progetto acquisiscono regolarmente sondaggi NRC.

Raccolta dei dati

I dati saranno raccolti dal segnale EPIC © e attraverso sondaggi. I dati includeranno:

• Informazioni demografiche dei partecipanti al progetto
• Dati relativi all'efficienza della documentazione come indicato nelle metriche di qualità sopra

Analisi statistica La nostra analisi primaria sarà un'analisi delle differenze di differenza per ciascun risultato. Ad esempio, la differenza tra il tempo medio del pigiama del fornitore prima e dopo il periodo di intervento sarà calcolata per tutti i partecipanti. Determineremo quindi come questa media differisce nel gruppo AI e nel gruppo di controllo per valutare la differenza nelle differenze.

Ulteriori analisi includeranno analisi di differenze di differenze regolate o stratificate basate sulle caratteristiche del provider sopra elencate. Calcoleremo anche le statistiche descrittive per confrontare i risultati e le covariate tra i due gruppi. A seconda della natura dei dati, possiamo utilizzare grafici a esecuzione, test t, ANOVA o altri metodi statistici appropriati per valutare l'impatto del software di documentazione AI generativo.

Riferimenti

1. Budd, J. Burnout relativo all'uso della cartella clinica elettronica nelle cure primarie. J Prim Care Community Health 14, 21501319231166921 (2023).
2. Colicchio, T.K., Cimino, J.J. & Del Fiol, G. Conseguenze non intenzionali dell'adozione delle cartelle cliniche elettroniche a livello nazionale: sfide e opportunità nell'era dell'uso post-significante. J Med Internet Res 21, E13313 (2019).
3. Gaffney, A., et al. ENOGGIO DI DOCUMENTAZIONE MEDICA tra i medici degli Stati Uniti nel 2019: uno studio nazionale. Jama Intern Med 182, 564-566 (2022).
4. Microsoft+Nuance. Documentare automaticamente l'assistenza con Dragon Ambient Experience (DAX). https://www.nuance.com/asset/en_us/collateral/healthcare/data-heet/ds-ambient-clinical-intelligence-en-us.pdf. (2023).
5. Adler-Milstein, J. & Wang, M.D. L'impatto della transizione dalla disponibilità di record esterni nelle cartelle cliniche elettroniche all'integrazione dei record locali ed esterni all'interno delle cartelle cliniche elettroniche. J Am Med Inform Assoc 27, 606-612 (2020).