- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT06792890
Рандомизированное контролируемое исследование технологий экологического искусственного интеллекта (AIScribe RCT)
Рандомизированное контролируемое исследование двух технологий экологического искусственного интеллекта для повышения эффективности документации и снижения выгорания врачей
Это трехручный прагматический РКИ из 238 амбулаторных врачей в крупной академической системе здравоохранения, рандомизированной 1: 1: 1 к одному из двух инструментов писца ИИ или в обычной группе контроля ухода. Двухмесячное исследование будет наблюдать и сравнивать эффекты каждого инструмента до того, как общесипированная выбранная инструмента (ожидаемая пружина 2025 года). Мы будем использовать рандомизацию с ограниченной ковариатом, чтобы сбалансировать вооружение с точки зрения базового времени врача в примечаниях, измеренного обследования уровня выгорания и дни клиники в неделю.
Основной целью этой инициативы является повышение качества, эффективности и бизнес -операций в Калифорнийском университете, Лос -Анджелес (UCLA), и эта инициатива не проводится для исследовательских целей. Результаты этой оперативной инициативы будут посвящены широко распространенному развертыванию инструментов Scribe Scribe для всех поставщиков в рамках системы здравоохранения UCLA. Тем не менее, исследовательская команда UCLA планирует строго изучить и опубликовать влияние этого вмешательства на систему здравоохранения, поэтому исследовательская группа предварительно зарегистрировала инициативу.
Обзор исследования
Статус
Подробное описание
Это исследование будет оценивать ориентированные на оперативные результаты во всех группах. Примечательно, что все группы в конечном итоге получат все вмешательства с течением времени в этом обсервационном исследовании рандомизированного развертывания инициативы QI. Более того, основная цель этой инициативы выполняется. Другими словами, основываясь на результатах этой инициативы, один из этих инструментов будет в конечном итоге выбран и широко выбран в системе здравоохранения.
Зачисленные участники рандомизированы в одну из трех групп. Рандомизация была необходима для преодоления светских тенденций, сезонных и праздничных эффектов в декабре, а также других факторов, смешивающих связь между воздействием инструментов ИИ и результатами.
Основной целью данного исследования является оценка влияния двух технологий эмбиентного эфира на изменение клинициста в результате базового времени, потраченного на документацию EHR, сравнивая каждый писет с контрольной группой. Вторичные цели включают оценку воздействия пишников искусственного интеллекта на показатели клиницистов, такие как выгорание, удовлетворенность врачами и производительность. Кроме того, исследовательская группа намерена провести анализ экономической оценки инструментов для руководства принятием бизнес -решений. Исследовательская группа также будет анализировать врач, сообщающую о влиянии инструментов ИИ на безопасность пациентов, справедливость и любые непреднамеренные последствия этой инициативы.
Тип исследования
Регистрация (Действительный)
Фаза
- Непригодный
Контакты и местонахождение
Места учебы
-
-
California
-
Los Angeles, California, Соединенные Штаты, 90024
- UCLA Health System
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Описание
Критерии включения:
- Врачи амбулаторной помощи в системе здравоохранения UCLA, которые занимали по крайней мере один полдня клиники в неделю
Критерии исключения:
- Поставщики стажеров (например, жители, студенты -медики) и союзные медицинские работники (например, RNS, PAS)
- Участия, которые работают исключительно со стажерами
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: Исследования в области здравоохранения
- Распределение: Рандомизированный
- Интервенционная модель: Одногрупповое задание
- Маскировка: Одинокий
Оружие и интервенции
Группа участников / Армия |
Вмешательство/лечение |
|---|---|
|
Другой: Набла, поставщик технологий виртуального искусственного искусства.
Участники этой руки будут использовать инструменты Scribe AI от Nabla и будут продолжать свои обычные клинические процессы документации, поддерживаемые программным обеспечением Scribe, которое интегрируется с EHR и автоматически добавляет сгенерированный текст к примечанию.
Инструмент Scribe Nabla AI является транскрипционным и не обеспечивает клинического решения.
|
Технологии AI Scribe Technologies захватывают разговоры врача-пациента, чтобы создать транскрипт, а затем суммировать транскрипт в виде клинических заметок. Эти инструменты интегрированы в EHR и автоматически добавляют сгенерированный текст к примечанию поставщика. Все врачи должны информировать пациентов о записи и получить их устное согласие, и отслеживаются случаи, когда пациенты, отказывающиеся от согласия. Nabla использует свою проприетарную речь в тексте, чтобы преобразовать разговор в письменный контекст в сочетании с большими языковыми моделями, соответствующими HIPAA (LLM), такими как GPT-4 Azure Openai. Набла не хранит ни одного звука. |
|
Другой: Продавец B технологии виртуального искусственного искусства
Участники этой руки будут использовать инструменты писца AI от поставщика B и будут продолжать свои обычные клинические процессы документации, поддерживаемые программным обеспечением Scribe, которое интегрируется с EHR и автоматически добавляет сгенерированный текст к примечанию.
Инструмент Scribe AI является транскрипционным и не обеспечивает клинического решения.
|
Технологии AI Scribe Technologies захватывают разговоры врача-пациента, чтобы создать транскрипт, а затем суммировать транскрипт в виде клинических заметок.
Эти инструменты интегрированы в EHR и автоматически добавляют сгенерированный текст к примечанию поставщика.
Все врачи должны информировать пациентов о записи и получить их устное согласие, и отслеживаются случаи, когда пациенты, отказывающиеся от согласия.
|
|
Без вмешательства: Нет писца
Участники этой руки не будут иметь доступа к инструментам Scribe AI и будут продолжать свои обычные клинические процессы документации
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Изменение времени в примечаниях на одно примечание
Временное ограничение: 2-й месяц исследования
|
Основным показателем исхода является изменение среднего времени провайдера на заметку во втором месяце испытания по сравнению с базовым средним временем провайдера на заметку за шесть месяцев до включения в исследование.
Это изменение будет вычислено в шкале натурального логарифма. Никакая информация на уровне пациента для этого показателя исхода собираться не будет. |
2-й месяц исследования
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Оценка выгорания поставщика
Временное ограничение: Учебный месяц 2
|
Опрос Mini Z 2.0 представляет собой проверенный инструмент из 10 пунктов, предназначенный для измерения ключевых факторов, влияющих на удовлетворенность рабочим местом и выгорание среди медицинских работников.
Каждый элемент оценивается по шкале Лайкерта (1-5), при этом более высокие оценки обычно указывают на более положительные результаты - большую удовлетворенность работой, достаточность времени для документации по электронной медицинской записи и более низкие уровни напряжения.
Для отрицательно сформулированных предметов (например, стресса из -за работы или разочарования в области электронной медицинской карты), более высокие оценки указывают на более низкие уровни неудовлетворенности.
Общий балл варьируется от 10 до 50, причем оценки ≥40 представляют радостное рабочее место.
Информация об уровне пациентов не будет получена для этой меры результата.
|
Учебный месяц 2
|
|
Изменение данных сигнала EHR (активность) - время пижамы
Временное ограничение: Учебный месяц 2
|
Мы рассмотрим изменения с ретроспективной базовой линии за 6 месяцев до зачисления в показатели сигналов, включая время пижамы на запланированный день.
Использование этих данных будет определять, как время поставщиков используется в EHR.
Информация об уровне пациентов не будет получена для этой меры результата.
|
Учебный месяц 2
|
|
Балл нагрузки на поставщика
Временное ограничение: Месяц 2 исследования
|
Загрузка задач для провайдера адаптирована из Индекса нагрузки задач NASA (TLX), проверенного инструмента для оценки субъективной рабочей нагрузки по шести подшкалам: умственная нагрузка, физическая нагрузка, временная нагрузка, производительность, усилие и разочарование.
Для этого исследования мы адаптировали TLX, чтобы сосредоточиться на нагрузке при написании заметок, включив четыре подшкалы (умственная нагрузка, временная нагрузка, физическая нагрузка и усилие), как было сделано ранее.
Каждая подшкала оценивается от 0 (низкая нагрузка) до 100 (высокая нагрузка) и суммируется для получения общей оценки по шкале от 0 (низкая нагрузка) до 400 (высокая нагрузка), чем ниже, тем лучше.
Информация на уровне пациента для этого показателя результата собираться не будет.
|
Месяц 2 исследования
|
|
Профессиональное удовлетворение поставщика
Временное ограничение: 2-й месяц исследования
|
Индекс профессионального удовлетворения (PFI) представляет собой проверенный инструмент, состоящий из 16 пунктов, который использует 5-балльную шкалу Лайкерта (от 0 до 4) для измерения профессионального удовлетворения, профессионального истощения и межличностного дистанцирования.
В рамках этого исследования мы используем субшкалу профессионального истощения, состоящую из 4 пунктов, где показатель рассчитывается как среднее значение по этим 4 пунктам: низкий балл (0) указывает на более низкий уровень истощения, а высокий балл (4) — на более высокий уровень истощения. Никакая информация об отдельных пациентах не будет собираться для данного показателя исхода. |
2-й месяц исследования
|
|
Количество врачей, которые считаются критиками, пассивными или сторонниками
Временное ограничение: 2-й месяц исследования
|
Самостоятельно заполняемый опрос удовлетворенности, в котором врачам предлагается оценить точность заметки, безопасность пациента, справедливость и другие возможные непреднамеренные последствия, и указать свою общую вероятность рекомендовать использование инструмента по шкале от 1 до 10.
Более высокие баллы (10) указывают на большую удовлетворенность и вероятность рекомендовать, тогда как более низкие баллы (1) указывают на неудовлетворенность и малую вероятность рекомендовать.
Провайдеры группируются как "Промоутеры", если они отвечают 9-10, "Пассивные", если они отвечают 7-8, и "Критики", если они отвечают значением меньше или равным 6.
Эта группировка соответствует общепринятым группировкам "Индекса чистой лояльности" (Net Promoter Score).
Для этого показателя результата не будет собираться информация на уровне пациента.
|
2-й месяц исследования
|
|
Изменение в RVU провайдера
Временное ограничение: 2-й месяц исследования
|
Команда исследования будет использовать информацию о выставлении счетов на уровне врачей через RVU для определения изменения производительности по сравнению с ретроспективным базовым уровнем за 6 месяцев до включения в исследование.
Для этой конечной точки не будет собираться информация на уровне пациентов.
|
2-й месяц исследования
|
|
Изменение данных сигнала (активности) EHR - Время вне запланированных часов
Временное ограничение: 2-й месяц исследования
|
Мы изучим изменение от ретроспективного базового уровня за 6 месяцев до включения в метрики сигнала, включая время вне запланированных часов за запланированный день. Используя эти данные, мы определим, как используется время поставщика в EHR. Никакая информация на уровне пациента не будет собираться для этого показателя результатов.
|
2-й месяц исследования
|
|
Изменение данных сигнала (активности) ЭЭР - время в незапланированные дни
Временное ограничение: 2-й месяц исследования
|
Мы изучим изменение по сравнению с ретроспективным исходным уровнем за 6 месяцев до включения в исследование по показателям Signal, включая время, проведенное в системе в незапланированные дни, когда.
Используя эти данные, мы определим, как используется время поставщиков услуг в ЭМК. Для этой конечной точки не будет собираться информация на уровне пациентов. |
2-й месяц исследования
|
Соавторы и исследователи
Публикации и полезные ссылки
Общие публикации
- 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.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Действительный)
Завершение исследования (Действительный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Другие идентификационные номера исследования
- NPR 40703
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .