Impacto da experiência do ambiente digital na carga de documentação subespecialista pediátrica
Avaliação do software de documentação gerado pela IA para melhorar o médico pediátrico
Visão geral do estudo
Descrição detalhada
Antecedentes: Embora os sistemas de registros eletrônicos de saúde (EHR) tenham contribuído para os avanços na segurança do paciente e na qualidade do atendimento, eles também foram associados a um aumento significativo na carga de documentação, contribuindo para o burnout entre os médicos [1]. Isso é particularmente verdadeiro para os médicos com tempo insuficiente para a documentação. Em alguns casos, resultou em uma redução nos slots de compromisso para permitir um tempo adicional de documentação, o que, por sua vez, diminui o acesso ao paciente aos cuidados e à produtividade do médico [2,3].
A Microsoft Nuance © anunciou recentemente a disponibilidade geral de uma nova solução generativa de inteligência artificial (AI) chamada Digital Ambient Experience (DAX) Dax Copilot [4], na qual a visita é registrada com o consentimento do paciente/parental, mas uma nota é gerada através da AI, juntamente com uma transcrição da visita em tempo quase real que o provedor pode usar e editar como achar melhor. Além disso, permite que os provedores continuem usando seus modelos de documentação ao adicionar a IA generativa a "seções inteligentes" em sua nota. Essa abordagem tem o potencial de reduzir substancialmente a carga de documentação, mantendo as preferências de documentação de muitos fornecedores.
Este projeto piloto de melhoria de qualidade randomizada visa avaliar se a implementação do software generativo de IA para documentação, o Dax Copilot da Microsoft Nuance, pode aprimorar a eficiência da documentação do médico e reduzir o burnout.
Objetivos
Melhoria da qualidade Objetivo global: aumentar a eficiência da documentação do provedor e reduzir o desgaste do provedor relacionado à carga de documentação.
Objetivo operacional das crianças: determine se o custo do DAX Copilot ou do software de fornecedores relacionados é justificado pela redução de proxies para o esgotamento do médico e/ou pode ser compensado vendo mais pacientes no mesmo período para melhorar a receita e o acesso ao paciente.
Objetivos do trabalho proposto:
- Determine a influência do copiloto DAX nos procuradores para o esgotamento do médico, incluindo tempo de pijama, tempo nas notas e medidas subjetivas de eficiência de EHR.
Métodos: Este é um projeto randomizado de melhoria da qualidade que avaliará alterações nos procuradores para a eficiência da documentação do provedor e o esgotamento por meio de um design de diferenças em diferenças.
Participantes do projeto
O projeto recrutará 20 provedores que atenderem aos seguintes critérios de inclusão:
- Práticas no Children's em uma especialidade apoiada pelo produto DAX Copilot e com métricas de eficiência de documentação disponíveis do produto de sinal da Epic.
- > 0,5 equivalente clínico em tempo integral (CFTE)
- 2 ou mais meio dia por semana, em média, vendo pacientes ambulatoriais como o provedor principal (não supervisionando estagiários ou aplicativos).
- Concorda em usar o aplicativo móvel EHR (Haiku) das crianças em seu dispositivo pessoal.
- Concorda em oferecer o uso do software de IA generativo da DAX Copilot para todos os encontros de visitas ao paciente durante o período do projeto
Dados de EHR suficientes e estáveis sobre a eficiência da documentação do produto de sinal da Epic, definido como:
- Tendo dados preenchidos disponíveis para pelo menos 40 das últimas 52 semanas.
- Ter métricas estáveis para o pijama várias vezes em notas nos últimos 6 meses, conforme determinado por dois informáticos médicos com base na inspeção visual.
- > 75% da documentação ambulatorial concluída pelo próprio provedor (em vez de assumir uma nota de um estagiário ou provedor de prática avançada).
Os participantes serão identificados com base em características como especialidade, CFTE, proporção e localização do trabalho ambulatorial e o índice de oportunidade ambiental da Epic, do Signal, que é baseado em pontuações normalizadas para proporção de gráficos do mesmo dia fechados, tipo de pijama e caracteres digitados manualmente .
A randomização será realizada em blocos de dois no nível da especialidade para garantir a representação igual de especialidades em um dos dois grupos seguintes para um piloto de 3 meses:
- Uso do software AI generativo da DAX Copilot (grupo AI)
- Continuação do fluxo de trabalho da documentação atual (grupo de controle)
Resultados
Nossos resultados primários a serem obtidos através do produto de sinal da Epic serão:
- "Pijama Time", definido como o número médio de minutos por dia programado gasto no gráfico de atividades fora das 7h às 17h30 durante a semana, tempo fora do horário programado nos fins de semana e tempo nas férias não programadas. Essa métrica está associada à subescala de exaustão do inventário de Burnout de Maslach [5].
"Tempo em notas por nomeação" em minutos
Métricas de resultado adicionais incluirão:
- Comprimento da nota de progresso (caracteres)
- Nota Contribuição (escrita pelo provedor vs. outros)
- Hora de fechar o fechamento
- Proporção de notas concluídas usando o software de IA generativo da DAX copilot
- Volume médio do paciente por semana
- Respostas do usuário pré e pós-projeto em uma pesquisa de eficiência e satisfação de KLAS modificada, uma ferramenta de benchmarking validada.
- Pontuações da experiência do paciente antes e pós-projeto, capturam rotineiramente as pesquisas de NRC.
Coleta de dados
Os dados serão coletados do sinal EPIC © e através de pesquisas. Os dados incluirão:
- Informações demográficas dos participantes do projeto
- Dados relacionados à eficiência da documentação, conforme descrito nas métricas de qualidade acima
Análise estatística Nossa análise primária será uma análise de diferença em diferenças para cada resultado. Por exemplo, a diferença entre o pijama médio do fornecedor antes e após o período de intervenção será calculado para todos os participantes. Em seguida, determinaremos como essa média difere no grupo de IA e no grupo controle para avaliar a diferença em diferenças.
Análises adicionais incluirão análises de diferença em diferenças ajustadas ou estratificadas com base nas características do provedor listadas acima. Também calcularemos estatísticas descritivas para comparar os resultados e covariáveis entre os dois grupos. Dependendo da natureza dos dados, podemos usar gráficos de execução, testes t, ANOVA ou outros métodos estatísticos apropriados para avaliar o impacto do software generativo de documentação da IA.
Referências
- Budd, J. Burnout relacionado ao uso eletrônico de registros de saúde na atenção primária. J Prim Care Community Health 14, 21501319231166921 (2023).
- Colicchio, T.K., Cimino, J.J. & Del Fiol, G. Consequências não intencionais da adoção de registros de saúde eletrônica em todo o país: desafios e oportunidades na era do uso pós-significado. J Med Internet Res 21, E13313 (2019).
- Gaffney, A., et al. Carga de documentação médica entre os médicos de escritórios dos EUA em 2019: um estudo nacional. Jama Intern Med 182, 564-566 (2022).
- Microsoft+Nuance. Documente automaticamente os cuidados com a Dragon Ambient Experience (DAX). https://www.nuance.com/asset/en_us/collateral/healthcare/data-sheet/ds-ambient-clinical-intelligence-en-us.pdf. (2023).
- Adler-Milstein, J. & Wang, M.D. O impacto da transição da disponibilidade de registros externos nos registros eletrônicos de saúde para a integração de registros locais e externos nos registros eletrônicos de saúde. J Am Med Inform Assoc 27, 606-612 (2020).
Tipo de estudo
Inscrição (Real)
Estágio
- Não aplicável
Contactos e Locais
Locais de estudo
-
-
Georgia
-
Atlanta, Georgia, Estados Unidos, 30329
- Children's Healthcare of Atlanta
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Descrição
Critérios de inclusão:
Provedores:
- Práticas no Children's em uma especialidade apoiada pelo produto DAX Copilot e com métricas de eficiência de documentação disponíveis do produto de sinal da Epic.
- > 0,5 equivalente clínico em tempo integral (CFTE)
- 2 ou mais meio dia por semana, em média, vendo pacientes ambulatoriais como o provedor principal (não supervisionando estagiários ou aplicativos).
- Concorda em usar o aplicativo móvel EHR (Haiku) das crianças em seu dispositivo pessoal.
- Concordo em oferecer o uso do software de IA generativo da DAX Copilot para todos os encontros elegíveis para visitar o paciente durante o período do projeto
Dados de EHR suficientes e estáveis sobre a eficiência da documentação do produto de sinal da Epic, definido como:
- Tendo dados preenchidos disponíveis para pelo menos 40 das últimas 52 semanas.
- Ter métricas estáveis para o pijama várias vezes em notas nos últimos 6 meses, conforme determinado por dois informáticos médicos com base na inspeção visual.
- > 75% da documentação ambulatorial concluída pelo próprio provedor (em vez de assumir uma nota de um estagiário ou provedor de prática avançada).
Visitas: Pessoalmente, visitas a escritórios nas quais as interações ocorrem em inglês. Por exemplo, uma visita com um intérprete presente que se traduz verbalmente para o inglês durante a visita seria elegível. Uma visita em que todas as interações ocorrem em outro idioma (ou seja, o provedor fala o idioma que a família também usa) não seria elegível, pois a IA ainda não foi desenvolvida para outros idiomas.
Critérios de exclusão:
- Má Wi -Fi e cobertura celular na clínica.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Pesquisa de serviços de saúde
- Alocação: Randomizado
- Modelo Intervencional: Atribuição Paralela
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Sem intervenção: Controlar
|
|
|
Experimental: Intervenção
- Inscrito no DAX Copilot com treinamento apropriado e solicitado a usar para cada visita elegível onde a família não diminui o uso por 3 meses.
|
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Pijama horário
Prazo: 12 meses antes do estudo até o final do período do estudo.
|
Por sinal épico: número médio de minutos por dia programado gasto em atividades de gráficos fora das 7h às 17h30 durante a semana, tempo fora do horário programado nos fins de semana e tempo em feriados não programados. Numerador: Atas gastas no gráfico de atividades fora das 7h às 17h30 nos dias úteis e fora do horário programado nos fins de semana. Denominador: dias programados em que o tempo foi gasto no sistema dentro do período de relatório. |
12 meses antes do estudo até o final do período do estudo.
|
|
Tempo em notas por nomeação
Prazo: 12 meses antes do estudo até o final do período do estudo.
|
Por sinal épico: tempo gasto escrevendo notas por nomeação. Numerador: provedores de minutos gastos em uma seção de atividades de notas ou navegador dentro do período de relatório. Denominador: Nomeações dentro do período de relatório. Exclui dados dos dias em que os dados do log de ação do usuário não foram enviados. |
12 meses antes do estudo até o final do período do estudo.
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Comprimento da nota de progresso (caracteres)
Prazo: 12 meses antes do estudo até o final do período do estudo.
|
Por sinal épico: número médio de caracteres em uma nota de progresso. Numerador: caracteres, excluindo espaços brancos, devoluções de carruagem e guias, em todos os provedores de notas de progresso escreveram dentro do período de relatório (IDN 34013). Denominador: provedores de notas de progresso escreveram no período de relatório (IDN 34013). |
12 meses antes do estudo até o final do período do estudo.
|
|
Nota contribuição
Prazo: 12 meses antes do estudo até o final do período do estudo.
|
Por sinal épico: porcentagem de texto escrito pela fonte fornecida. Numerador: caracteres escritos pela fonte fornecida em todas as notas, exceto cartas e instruções do paciente. Enquanto você foi afetado pela edição 6823364 relatável, isso excluiu caracteres do espaço em branco, como espaços, retornos de transporte e guias. Denominador: caracteres em todas as notas, exceto cartas e instruções do paciente, assinadas dentro do período de relatório. Enquanto você foi afetado pela edição 6823364 relatável, isso excluiu caracteres do espaço branco, como espaços, retornos de transporte e guias |
12 meses antes do estudo até o final do período do estudo.
|
|
Hora de fechar o fechamento
Prazo: 12 meses antes do estudo até o final do período do estudo.
|
Hora desde a data da nomeação até o fechamento da nomeação no registro eletrônico de saúde.
|
12 meses antes do estudo até o final do período do estudo.
|
|
Proporção de notas concluídas usando o software de IA generativo da DAX copilot
Prazo: 12 meses antes do estudo até o final do período do estudo.
|
Numerador: Notas com pelo menos 1 SmartLink do Dax Copilot usado na nota final assinada.
Denominador: Todas as notas de progresso assinadas para pacientes ambulatoriais para esse provedor durante o período do estudo.
|
12 meses antes do estudo até o final do período do estudo.
|
|
Volume do paciente
Prazo: 12 meses antes do estudo até o final do período do estudo.
|
Volume médio do paciente por semana
|
12 meses antes do estudo até o final do período do estudo.
|
|
Satisfação do registro eletrônico de saúde
Prazo: Pré-teste dentro de 2 meses antes do período do estudo e pós-teste dentro de 2 meses após o término do estudo.
|
Respostas do usuário pré e pós-projeto em uma pesquisa de eficiência e satisfação de KLAS modificada, uma ferramenta de benchmarking validada.
|
Pré-teste dentro de 2 meses antes do período do estudo e pós-teste dentro de 2 meses após o término do estudo.
|
|
Experiência do paciente
Prazo: 12 meses antes do estudo até o final do período do estudo.
|
Paciente Experiência no paciente Pontuação geral e sub-escores rotineiramente obtidas via NRC para pacientes atendidos pelo provedor.
|
12 meses antes do estudo até o final do período do estudo.
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Stella Shin, MD, Children's Healthcare of Atlanta
- Diretor de estudo: Evan Orenstein, MD, Children's Healthcare of Atlanta
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- STUDY00001962
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
produto fabricado e exportado dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .