- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06792890
En randomiserad kontrollerad prövning av omgivande konstgjord intelligensskribentekniker (AIScribe RCT)
En randomiserad kontrollerad prövning av två omgivande konstgjorda teknologier för intelligens för att förbättra dokumentationseffektiviteten och minska läkarutbränningen
Detta är en tre-arms pragmatisk RCT av 238 polikliniska läkare vid ett stort akademiskt hälsosystem, randomiserat 1: 1: 1 till ett av två AI-skrivarverktyg eller en kontrollgrupp med vanlig vård. Tvåmånadersstudien kommer att observera och jämföra effekterna av varje verktyg före systemomfattande utrullning av utvalda verktyg (förväntad vår 2025). Vi kommer att använda kovariatbegränsad randomisering för att balansera armarna när det gäller läkarnas bastid i anteckningar, undersökningsmätad utbränd nivå och klinikdagar per vecka.
Det primära syftet med initiativet är att förbättra kvaliteten, effektiviteten och affärsverksamheten vid University of California, Los Angeles (UCLA) hälsa, och detta initiativ görs inte för forskningsändamål. Resultaten av detta operativa initiativ kommer att informera den utbredda utrullningen av AI -skrivverktyg över alla leverantörer inom UCLA -hälsosystemet. Icke desto mindre planerar UCLA-studieteamet att noggrant undersöka och publicera effekterna av denna intervention över hela hälsosystemet, varför studieteamet förregistrerade initiativet.
Studieöversikt
Status
Betingelser
Detaljerad beskrivning
Denna studie kommer att bedöma operativa orienterade resultat i alla grupper. I synnerhet kommer alla grupper så småningom att få alla interventioner över tid i denna observationsstudie av en randomiserad utrullning av ett QI -initiativ. Dessutom är det primära syftet med detta initiativ i drift. Med andra ord, baserat på resultaten från detta initiativ, kommer ett av dessa verktyg så småningom att väljas och opereras allmänt över hela hälsosystemet.
Inskrivna deltagare är randomiserade till en av tre grupper. Randomisering behövdes för att övervinna sekulära trender, säsongseffekter och semestereffekter i december och andra faktorer som förvirrar förhållandet mellan exponering för AI -verktygen och resultaten.
Det primära syftet med denna studie är att utvärdera effekterna av två omgivande AI -skrivningstekniker på klinikerförändring från bastidstiden som spenderas på EHR -dokumentation och jämför varje skrivare med en kontrollgrupp. Sekundära mål inkluderar att bedöma AI -skrifterna på klinikermätningar som utbrändhet, läkarnas tillfredsställelse och produktivitet. Dessutom avser studieteamet att utföra en ekonomisk utvärderingsanalys av verktygen för att vägleda affärsbeslut. Studieteamet kommer också att analysera läkare rapporterade effekter av AI -verktygen på patientsäkerhet, eget kapital och eventuella oavsiktliga konsekvenser av initiativet.
Studietyp
Inskrivning (Faktisk)
Fas
- Inte tillämpbar
Kontakter och platser
Studieorter
-
-
California
-
Los Angeles, California, Förenta staterna, 90024
- UCLA Health System
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Beskrivning
Inkluderingskriterier:
- Ambulatoriska vårdläkare inom UCLA-hälsosystemet som innehöll minst en halv dag av kliniken per vecka
Uteslutningskriterier:
- Trainee -leverantörer (t.ex. invånare, medicinska studenter) och allierade sjukvårdspersonal (t.ex. RNS, PAS)
- Närvaro som arbetar uteslutande med praktikanter
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Hälsovårdsforskning
- Tilldelning: Randomiserad
- Interventionsmodell: Enskild gruppuppgift
- Maskning: Enda
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Övrig: Nabla, leverantör av Virtual AI Scribe Technology
Deltagare i denna arm kommer att använda AI -skrivarverktyg från Nabla och kommer att fortsätta sina vanliga kliniska dokumentationsprocesser, med stöd av skrivprogramvaran, som integreras med EHR och lägger automatiskt till den genererade texten till anteckningen.
Nabla AI Scribe -verktyget är transkriptionellt och ger inte kliniskt beslutsstöd.
|
AI Scribe Technologies fångar läkarpatientsamtal för att skapa ett transkript och sammanfatta sedan transkriptet i form av en klinisk anteckning. Dessa verktyg är integrerade i EHR och lägger automatiskt till den genererade texten till leverantören. Alla läkare måste informera patienter om inspelningen och få sitt muntliga samtycke, och fall av patienter som avtar till samtycke spåras. Nabla utnyttjar sina egna tal-till-text för att förvandla konversationen till ett skriftligt sammanhang, i kombination med HIPAA-kompatibla stora språkmodeller (LLM) som Azure OpenAI: s GPT-4. Nabla lagrar inget ljud. |
|
Övrig: Säljare B från Virtual AI Scribe Technology
Deltagare i denna arm kommer att använda AI -skrivarverktyg från leverantör B och kommer att fortsätta sina vanliga kliniska dokumentationsprocesser, med stöd av skrivprogramvaran, som integreras med EHR och automatiskt lägger till den genererade texten till anteckningen.
AI -skrivarverktyget är transkriptionellt och ger inte kliniskt beslutsstöd.
|
AI Scribe Technologies fångar läkarpatientsamtal för att skapa ett transkript och sammanfatta sedan transkriptet i form av en klinisk anteckning.
Dessa verktyg är integrerade i EHR och lägger automatiskt till den genererade texten till leverantören.
Alla läkare måste informera patienter om inspelningen och få sitt muntliga samtycke, och fall av patienter som avtar till samtycke spåras.
|
|
Inget ingripande: Ingen skrivare
Deltagare i denna arm kommer inte att ha tillgång till AI -skrivarverktyg och kommer att fortsätta sina vanliga kliniska dokumentationsprocesser
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Förändring av tiden i anteckningar per anteckning
Tidsram: Studiemånad 2
|
Det primära utfallsmåttet är förändringen i vårdgivarens genomsnittliga tid för anteckningar per anteckning under den andra månaden av studien från vårdgivarens baslinjegenomsnittliga tid för anteckningar per anteckning under de sex månaderna före inskrivningen.
Denna förändring kommer att beräknas på den naturliga log-skalan.
Ingen information på patientnivå kommer att samlas in för detta utfallsmått.
|
Studiemånad 2
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Leverantörens utbränningspoäng
Tidsram: Studie månad 2
|
Mini Z 2.0-undersökningen är ett validerat instrument med 10 artiklar som är utformade för att mäta nyckelfaktorer som påverkar arbetsplatsens tillfredsställelse och utbrändhet bland sjukvårdspersonal.
Varje objekt görs på en Likert -skala (1-5), med högre poäng som generellt indikerar mer positiva resultat - större arbetstillfredsställelse, tillräcklig tid för elektronisk medicinsk journaler och lägre nivåer av stress.
För negativt inramade föremål (t.ex. stress på grund av jobbet eller frustrationen med den elektroniska medicinska journalen) indikerar högre poäng lägre nivåer av missnöje.
Den totala poängen sträcker sig från 10 till 50, med poäng ≥40 som representerar en glad arbetsplats.
Ingen information om patientnivå kommer att samlas in för detta resultatmått.
|
Studie månad 2
|
|
Förändring i EHR Signal (Aktivitet) Data - Pyjamasid
Tidsram: Studie månad 2
|
Vi kommer att undersöka förändring från en retrospektiv baslinje 6 månader före registrering i signalmätningar inklusive pyjamasid per schemalagd dag.
Att använda dessa data kommer att avgöra hur en leverantörstid används i EHR.
Ingen information om patientnivå kommer att samlas in för detta resultatmått.
|
Studie månad 2
|
|
Leverantörs uppgiftsbelastningspoäng
Tidsram: Studiemånad 2
|
Leverantörens arbetsbörda anpassad från NASA Task Load Index (TLX), ett validerat verktyg för att bedöma upplevd arbetsbörda över sex delskalor: mental belastning, fysisk belastning, tidsmässig belastning, prestation, ansträngning och frustration.
För denna studie anpassade vi TLX för att fokusera på arbetsbörda vid anteckningsskrivning, med fyra delskalor (mental belastning, tidsmässig belastning, fysisk belastning och ansträngning) som tidigare gjorts. Varje delskala skattas från 0 (låg arbetsbörda) till 100 (hög arbetsbörda) och summeras till en total poängskala från 0 (låg arbetsbörda) till 400 (hög arbetsbörda), lägre är bättre. Ingen information på patientnivå kommer att samlas in för detta utfallsmått. |
Studiemånad 2
|
|
Leverantörens Professionella Uppfyllelse
Tidsram: Studiemånad 2
|
Professional Fulfillment Index (PFI) är ett validerat instrument med 16 punkter som använder en 5-gradig Likert-skala (0-4) för att mäta professionell tillfredsställelse, arbetsutmattning och interpersonal distansering.
För denna studie använder vi delskalan för arbetsutmattning med 4 punkter, vilket är ett medelvärde av de 4 punkterna inom den delskalan, där ett lågt betyg (0) indikerar en lägre nivå av utmattning och ett högt betyg (4) indikerar en högre nivå av utmattning.
Ingen patientinformation på individuell nivå kommer att samlas in för detta utfallsmått.
|
Studiemånad 2
|
|
Antal läkare som anses vara kritiker, passiva eller promotorer
Tidsram: Studiemånad 2
|
Självrapporterad undersökning där läkare ombeds överväga notens noggrannhet, patientsäkerhet, rättvisa och andra potentiella oavsiktliga konsekvenser och betygsätta sin övergripande sannolikhet att rekommendera användning av verktyget på en skala 1-10.
Högre poäng (10) indikerar högre tillfredsställelse och sannolikhet att rekommendera, medan lägre poäng (1) indikerar missnöje och låg sannolikhet att rekommendera.
Vårdgivare grupperas som "Främjare" om de svarar 9-10, "Passiva" om de svarar 7-8 och "Kritiker" om de svarar med ett värde mindre än eller lika med 6.
Denna gruppering överensstämmer med den allmänt accepterade "Net Promoter Score"-grupperingen.
Ingen patientinformation samlas in för detta utfallsmått.
|
Studiemånad 2
|
|
Förändring i Provider RVU
Tidsram: Studiemånad 2
|
Studyteamet kommer att använda läkarnivåns faktureringsinformation via RVU för att fastställa deras förändring i produktivitet från en retrospektiv baslinje 6 månader före inskrivning.
Ingen patientnivåinformation kommer att samlas in för detta utfallsmått.
|
Studiemånad 2
|
|
Förändring i EHR-signaldata (aktivitet) - tid utanför schemalagda timmar
Tidsram: Studiemånad 2
|
Vi kommer att undersöka förändringen från en retrospektiv baslinje 6 månader före inskrivningen i Signal-mätvärden, inklusive tid utanför schemalagda timmar per schemalagd dag.
Med hjälp av dessa data kommer vi att avgöra hur en vårdgivares tid används i EHR.
Ingen patientnivåinformation kommer att samlas in för detta utfallsmått.
|
Studiemånad 2
|
|
Förändring i EHR-signal (aktivitet) Data - Tid på oplanerade dagar
Tidsram: Studiemånad 2
|
Vi kommer att undersöka förändringen från en retrospektiv baslinje 6 månader före inskrivning i Signal-mått inklusive tid som lagts i systemet på oplanerade dagar där .
Med hjälp av dessa data kommer vi att bestämma hur en läkares tid används i EHR.
Ingen patientnivåinformation kommer att samlas in för detta utfallsmått.
|
Studiemånad 2
|
Samarbetspartners och utredare
Publikationer och användbara länkar
Allmänna publikationer
- 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.
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Andra studie-ID-nummer
- NPR 40703
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .