Wpływ cyfrowego doświadczenia otoczenia na obciążenie dokumentacji podgatunku pediatrycznego

Tło: Podczas gdy elektroniczne systemy dokumentacji zdrowia (EHR) przyczyniły się do postępu w zakresie bezpieczeństwa pacjentów i jakości opieki, były również związane ze znacznym wzrostem obciążenia dokumentacji, przyczyniając się do wypalenia zawodowego wśród klinicystów [1]. Jest to szczególnie prawdziwe w przypadku lekarzy z niewystarczającym czasem na dokumentację. W niektórych przypadkach spowodowało to zmniejszenie szczelin spotkań, aby umożliwić dodatkowy czas dokumentacji, co z kolei zmniejsza dostęp pacjenta do opieki i wydajności lekarza [2,3].

Microsoft Nuance © ogłosił niedawno ogólną dostępność nowego generatywnego rozwiązania sztucznej inteligencji (AI) o nazwie Digital Ambient Experience (DAX) Dax Copilot [4], w którym wizyta jest rejestrowana za zgodą pacjenta/rodzicielską, ale notatka jest generowana przez przez The the the the the the Patters Conspect AI wraz z transkrypcją wizyty w prawie prawdziwym czasie, w którym dostawca może użyć i edytować, jak uznają za stosowne. Ponadto pozwala dostawcom nadal korzystać z szablonów dokumentacji przy jednoczesnym dodaniu generatywnej sztucznej inteligencji do „inteligentnych sekcji” w ich notatce. Podejście to może znacznie zmniejszyć obciążenie dokumentacji przy jednoczesnym zachowaniu preferencji dokumentacji wielu dostawców.

Ten randomizowany projekt pilotażowy poprawy jakości ma na celu ocenę, czy wdrożenie generatywnego oprogramowania AI do dokumentacji, Dax Copilot z Microsoft Nuance, może poprawić wydajność dokumentacji lekarza i zmniejszyć wypalenie zawodowe.

Cele

Ulepszanie jakości Globalny cel: zwiększenie wydajności dokumentacji dostawcy i zmniejszenie wypalenia wypalenia dostawcy związanych z obciążeniem dokumentacji.

Cel operacyjny dzieci: Określ, czy koszt Dax Copilot lub powiązane oprogramowanie dostawców jest uzasadnione zmniejszeniem pełnomocników dla wypalenia lekarskiego i/lub można go zrównoważyć, widząc większą liczbę pacjentów w tym samym czasie w celu poprawy przychodów i dostępu pacjentów.

Cele proponowanej pracy:

- Określ wpływ Dax Copilot na pełnomocnictwo dla wypalenia lekarskiego, w tym czas piżamy, czas w notatkach i subiektywne miary wydajności EHR.

Metody: Jest to randomizowany projekt poprawy jakości, który oceni zmiany w serwisie proxy dla wydajności dokumentacji i wypalenia dokumentacji dostawcy poprzez projekt różnicy w różnicach.

Uczestnicy projektu

Projekt zrekrutuje 20 dostawców, którzy spełniają następujące kryteria włączenia:

1. Praktyki u dzieci w specjalności wspieranej przez produkt Dax Copilot oraz z dostępnymi wskaźnikami wydajności dokumentacji z produktu sygnałowego Epic.
2. > 0,5 kliniczny pełny ekwiwalent (CFTE)
3. Średnio 2 lub więcej pół dni w tygodniu postrzeganie pacjentów ambulatoryjnych jako głównego dostawcy (nie nadzorujący stażystów ani aplikacji).
4. Zgadza się korzystać z aplikacji mobilnej EHR dla dzieci (Haiku) na ich osobistym urządzeniu.
5. Zgadza się zaoferować korzystanie z oprogramowania Dax Copilot Generative AI dla wszystkich spotkań wizyt pacjentów na czas trwania okresu projektu

6. Wystarczające i stabilne dane EHR dotyczące wydajności dokumentacji z produktu sygnałowego Epic, zdefiniowane jako:

   1. Zaludnione dane dostępne przez co najmniej 40 z ostatnich 52 tygodni.
   2. Posiadanie stabilnych wskaźników czasu i czasu na piżamę w notatkach w ciągu ostatnich 6 miesięcy, zgodnie z ustalonymi przez dwóch informatyków lekarzy na podstawie kontroli wizualnej.
   3. > 75% dokumentacji ambulatoryjnej wypełnionej przez samego dostawcy (w przeciwieństwie do przejęcia notatki stażysty lub dostawcy praktyki zaawansowanej).

Uczestnicy zostaną zidentyfikowani w oparciu o cechy, takie jak specjalność, CFTE, proporcja i lokalizacja pracy ambulatoryjnej oraz indeks opanowania otoczenia Epic z sygnału, który jest oparty na znormalizowanych wynikach dla proporcji zamkniętych wykresów tego samego dnia, typ piżamy i postacie ręcznie wpisane .

Randomizacja zostanie przeprowadzona w blokach dwóch na poziomie specjalistycznym, aby zapewnić równą reprezentację specjalności w jednej z dwóch następujących grup dla 3 -miesięcznego pilota:

1. Korzystanie z Dax Copilot Generative AI Software (AI Group)
2. Kontynuacja aktualnej dokumentacji przepływ pracy (grupa kontrolna)

Wyniki

Nasze podstawowe wyniki, które należy uzyskać za pośrednictwem produktu sygnałowego Epic, będą wybrać się:

1. „Pajama czas”, zdefiniowany jako średnia liczba minut na zaplanowany dzień spędzony na zajęciach wykresowych poza 7 rano do 17:30 w dni powszednie, czas na zewnątrz w weekendy i czas na nieplanowane wakacje. Ta metryka jest związana z podskalę wyczerpania zapasów wypalenia Maslacha [5].

2. „Czas w notatkach na spotkanie” w minutach

   Dodatkowe wskaźniki wyników będą obejmować:

3. Postępowanie Note Długość (znaki)
4. Uwaga wkład (napisany przez dostawcę vs. inni)
5. Czas na zamknięcie spotkania
6. Odsetek notatek ukończonych za pomocą Dax Copilot Generative AI Software
7. Średnia objętość pacjenta tygodniowo
8. Odpowiedzi użytkownika przed i po projekcie na zmodyfikowanym badaniu wydajności i satysfakcji KLAS EHR, zatwierdzonym narzędziem porównawczym.
9. Doświadczenie pacjenta przed i po projekcie wyniki poprzez rutynowo przechwytują ankiety NRC.

Zbieranie danych

Dane zostaną zebrane z EPIC © Signal i poprzez ankiety. Dane będą obejmować:

• Informacje demograficzne uczestników projektu
• Dane związane z wydajnością dokumentacji, jak opisano w powyższych wskaźnikach jakości

Analiza statystyczna Nasza podstawowa analiza będzie analizą różnic w różnicach dla każdego wyniku. Na przykład różnica między przeciętnym czasem piżamy dostawcy przed i po okresie interwencyjnym zostanie obliczona dla wszystkich uczestników. Następnie ustalimy, w jaki sposób ta średnia różni się w grupie AI i grupie kontrolnej, aby ocenić różnicę w różnorodności.

Dodatkowe analizy będą obejmować skorygowane lub stratyfikowane analizy różnic w różnych cechach dostawcy wymienionych powyżej. Będziemy również obliczyć statystyki opisowe w celu porównania wyników i zmiennych towarzyszących między dwiema grupami. W zależności od charakteru danych możemy użyć wykresów uruchamiania, testów t, ANOVA lub innych odpowiednich metod statystycznych w celu oceny wpływu generatywnego oprogramowania do dokumentacji AI.

Odniesienia

1. Budd, J. Burnout związane z elektronicznym stosowaniem dokumentacji medycznej w podstawowej opiece zdrowotnej. J Prim Care Community Health 14, 21501319231166921 (2023).
2. Colicchio, T.K., Cimino, J.J. & Del Fiol, G. Niezamierzone konsekwencje ogólnokrajowego elektronicznego przyjęcia dokumentacji zdrowia: Wyzwania i możliwości w erze po przenośnym użytkowaniu. J Med Internet Res 21, E13313 (2019).
3. Gaffney, A., i in. Obciążenie dokumentacji medycznej wśród lekarzy biurowych w USA w 2019 r.: Badanie krajowe. JAMA SINTER MED 182, 564-566 (2022).
4. Microsoft+Nuance. Automatycznie dokumentuj opiekę z Dragon Ambient Experience (DAX). https://www.nuance.com/asset/en_us/collateral/healthcare/data-sheet/ds-ambiient-clinical-intelligence-en-us.pdf. (2023).
5. Adler-Milstein, J. & Wang, M.D. Wpływ przejścia od dostępności dokumentacji zewnętrznej w ramach elektronicznej dokumentacji medycznej do integracji lokalnych i zewnętrznych dokumentacji w elektronicznej dokumentacji medycznej. J Am Med Inform Assoc 27, 606-612 (2020).