Strukturerad Överlämning med Intelligent Ramverk för Övergångsstudien (SHIFT)

Strukturerad överlämning med intelligent ramverk för övergångar (SHIFT) är en pragmatisk, parallellgruppsrandomiserad kontrollerad studie som är utformad för att utvärdera om ett artificiellt intelligensverktyg (AI) integrerat i Careligns överlämningsplattform kan minska dokumentationstid och belastning bland sjukhusläkare på sluten vård. AI-funktionen använder en stor språkmodell (LLM) anpassad för klinisk sammanfattning för att generera en redigerbar utkast till överlämning vid rotationsslut. Sjukhusläkare som randomiseras till interventionsgruppen kommer att ha tillgång till en "Utkast till överlämning"-knapp i Carelign, som automatiskt genererar ett strukturerat, redigerbart överlämningsutkast med hjälp av data från senaste anteckningar i journalen. Kliniker måste granska och redigera allt utkastinnehåll innan de slutför och delar överlämningen med kollegor. Vårdgivare i kontrollgruppen kommer att fortsätta använda standardöverlämningsarbetsflöden i Carelign utan AI-hjälp.

Studien kommer att genomföras på allmänmedicinska avdelningar vid Hospital of the University of Pennsylvania (HUP) och Penn Presbyterian Medical Center (PPMC). Behöriga deltagare inkluderar överläkare schemalagda för minst fem på varandra följande dagar i tjänst. Vårdgivare kommer att randomiseras 1:1 till interventions- eller kontrollgrupp, stratifierade efter plats och team. Studien kommer att rekrytera cirka 90 sjukhusläkare som bidrar med cirka 120 kvalificerade rotationer under en 12-veckorsperiod. Primärt utfall är total tid (i minuter) som spenderas på att utarbeta överlämningen vid rotationsslut, mätt med automatiserade Carelign-granskningsloggar. Sekundära utfall inkluderar dokumentationsbelastning (modifierad NASA Task Load Index), arbetsutmattning (Stanford Professional Fulfillment Index) och självrapporterad utarbetningstid. Explorativa mått inkluderar verktygsanvändbarhet (Net Promoter Score), mottagande vårdgivares bedömningar av överlämningskvalitet och användningsmått för journal (total och efter arbetstid "pyjamastid").

Studien är öppen och kommer att genomföras under verkliga förhållanden för att maximera generaliserbarhet. Analyser kommer att följa en intention-to-treat-metod, med linjära mixed-effects-modeller med slumpmässiga intercept för vårdgivare för att ta hänsyn till upprepade rotationer. Alla data kommer att lagras och analyseras i säkra, HIPAA-kompatibla institutionella miljöer. Studien har fått godkännande från University of Pennsylvanias etikprövningsnämnd och Penn Medicines AI-styrningsråd.