Simple Science

La science de pointe expliquée simplement

# Sciences de la santé# Systèmes de santé et amélioration de la qualité

Rendre les processus EHR plus fluides avec la technologie AI

Utiliser l'IA pour améliorer l'efficacité et réduire l'épuisement des professionnels de la santé.

― 7 min lire


IA dans la documentationIA dans la documentationde santél'IA.grâce à des solutions EHR pilotées parRéduire l'épuisement des prestataires
Table des matières

Les dossiers de santé électroniques (DSE) sont des versions numériques des infos médicales des Patients. Ils permettent un accès sécurisé et rapide aux données des patients pour les professionnels de santé. Les DSE stockent des détails importants sur la santé d'un patient, ses traitements et ses infos de facturation. Ils permettent aussi aux patients de consulter leurs propres dossiers de santé en toute sécurité. Depuis l'introduction de la loi HITECH en 2009, les DSE se sont répandus dans les hôpitaux aux États-Unis. En 2017, environ 96 % des hôpitaux américains utilisaient des DSE.

Défis liés à l'utilisation des DSE

Bien que les DSE aient plein d'avantages, ils posent aussi des défis. Un gros problème, c'est que l'utilisation des DSE peut demander beaucoup de temps et d'efforts pour les pros de santé. En fait, beaucoup de médecins se sentent épuisés à cause de la tâche répétitive d'entrer des infos dans les DSE. Dans les cliniques externes, les pros passent souvent presque la moitié de leur temps de travail sur des tâches liées aux DSE, ce qui veut dire qu'ils peuvent passer près de deux heures à bosser sur les DSE pour chaque heure passée avec les patients. Cette situation réduit le temps réel que les médecins peuvent consacrer à parler avec leurs patients, entraînant des sentiments d'insatisfaction pour les médecins comme pour les patients.

En plus, beaucoup de professionnels de santé bosseraient même en dehors de leurs horaires de clinique pour finir des tâches liées aux DSE. Des rapports montrent que jusqu'à 70 % des médecins américains ressentent un burnout lié à l'utilisation des DSE. Ce burnout affecte non seulement le bien-être des pros, mais peut aussi impacter la qualité des soins qu'ils donnent aux patients, pouvant mener à des erreurs de traitement.

Besoin d'améliorer les processus des DSE

Créer une note de consultation clinique (NCC) pour chaque visite est une des tâches essentielles pour les pros. La NCC inclut l'historique médical d'un patient, les résultats des tests et les plans de traitement. En moyenne, les pros passent environ 16 minutes à préparer ce document pour chaque patient. La précision de la NCC est cruciale pour un codage précis, et des NCC de haute qualité sont associées à de meilleurs soins aux patients. Malheureusement, le fardeau de créer ces notes réduit les interactions en face-à-face avec les patients, abaissant la qualité globale des soins.

Pour répondre aux défis posés par les DSE et améliorer les expériences des pros et des patients, des solutions innovantes sont nécessaires. De nouvelles technologies comme l'intelligence artificielle (IA) et l'apprentissage automatique (AA) offrent un potentiel pour changer la façon dont les NCC sont créées, réduisant significativement le temps que les pros passent sur les tâches liées aux DSE.

Solutions innovantes utilisant l'IA

Les récents développements en matière d'IA et d'AA pourraient aider à automatiser la création des NCC. Une nouvelle approche consiste à utiliser la technologie de reconnaissance vocale pour accélérer le processus. Une autre méthode testée est une plateforme IA novatrice qui peut créer une NCC préliminaire détaillée avant même que le patient n'arrive à son rendez-vous. Ce système fonctionne sans que le professionnel ait besoin d'entrer des données pendant la visite.

Le but est de réaliser une étude comparant cette nouvelle technologie aux pratiques actuelles dans des cliniques externes. L'étude vise à voir si l'utilisation de l'IA pour automatiser la création de NCC peut faire gagner du temps et améliorer à la fois les expériences des pros et les résultats pour les patients.

Plan de l'étude

L'étude sera menée dans plusieurs établissements de santé, y compris de grands hôpitaux et des cliniques de quartier. Elle impliquera un groupe diversifié de professionnels de santé de différentes spécialités, comme la cardiologie, l'urologie et la médecine d'urgence. Pendant l'étude, des jours de clinique seront attribués au hasard pour utiliser soit le nouveau système d'IA, soit le processus manuel actuel pour créer des NCC. Chaque professionnel participera à ces deux méthodes, permettant aux chercheurs de comparer les deux approches directement.

Le plan est de collecter des données pour évaluer l'efficacité de la nouvelle technologie par rapport aux méthodes traditionnelles. Les points clés d'évaluation incluront la qualité des NCC créées, le temps que les pros passent sur les tâches liées aux DSE en dehors des heures normales, les niveaux de satisfaction des pros et des patients, et la productivité globale.

Comprendre le système IA innovant

Le nouveau système IA utilise un algorithme spécial pour récupérer des infos patients directement auprès d'eux et les analyser. Il collecte aussi automatiquement des données pertinentes d'autres dossiers. En fonction de ces infos, l'IA génère des recommandations pour des tests spécifiques à chaque patient. La NCC préliminaire est ensuite mise à disposition du professionnel avant le rendez-vous. De cette manière, les pros de santé peuvent se concentrer sur l'interaction avec les patients plutôt que sur l'entrée des données.

Objectifs de l'étude

Les principaux objectifs de cette étude sont de voir si la nouvelle technologie IA peut créer des NCC qui sont tout aussi bonnes, voire meilleures, que celles créées par la méthode manuelle existante. Les points clés incluent :

  1. Qualité et précision diagnostique : Évaluer si la qualité des NCC de la nouvelle technologie atteint ou dépasse celle du processus standard.
  2. Réduction du temps de travail en dehors des heures (WOW) : Mesurer combien de temps en moins les pros passent à finir des tâches de documentation en dehors des heures normales de clinique en utilisant le nouveau système.
  3. Satisfaction des pros et des patients : Mesurer le niveau de contentement des pros et des patients concernant leurs expériences.

Mesurer les résultats

Pour évaluer les résultats de l'étude, une gamme de méthodes sera utilisée :

  • Qualité des NCC : Cela sera mesuré à l'aide d'un système de notation standardisé qui évalue différents éléments cliniques dans chaque note.
  • Temps WOW : Le temps passé sur les tâches liées aux DSE en dehors des heures de clinique sera suivi et comparé entre les deux méthodes.
  • Satisfaction des pros : Les pros rempliront des sondages à la fin de chaque journée de clinique pour exprimer leurs sentiments sur la technologie et son impact sur leur travail.
  • Satisfaction des patients : Les patients complèteront également des sondages après leurs rendez-vous pour partager leurs expériences et niveaux de satisfaction.

Taille de l'échantillon et cadre de l'étude

Au total, l'étude vise à collecter des données d'environ 3 000 patients sur un an. L'échantillon comprendra des pros de divers milieux pour assurer une représentation diversifiée. Le but est d'avoir suffisamment de données pour faire des comparaisons significatives entre les impacts de la nouvelle technologie IA et des pratiques standard.

Conclusion

L'introduction de la technologie IA dans la création de notes de consultation clinique représente un potentiel changement dans la manière dont les professionnels de santé gèrent les données des patients. En réduisant le temps passé sur des tâches administratives, l'espoir est d'améliorer la satisfaction des pros, d'enrichir les expériences des patients et, finalement, d'aboutir à de meilleurs résultats en matière de soins de santé. Cette étude fournira des insights cruciaux sur l'efficacité de l'IA dans l'optimisation des processus au sein du système de santé, aidant à ouvrir la voie à des approches plus innovantes à l'avenir.

Source originale

Titre: A Novel Artificial Intelligence Platform to Automate Clinical Consultation Notes and Enhance Diagnostic Efficiency in the Outpatient Clinic: A Multi-Center, Multi-Disciplinary, Prospective Randomized Controlled Trial

Résumé: Presented herein is a proposal for a protocol for a multi-center, multi-disciplinary randomized controlled trial (RCT) to evaluate a novel artificial intelligence (AI)-based technology that automates the construction of the clinical consultation note (CCN) and enhances diagnostic assessments in the outpatient clinic setting. This innovative tech-platform automatically generates the CCN and presents it to the provider in advance of the patient consultation, without any work done by the provider. The constructed CCN is presented either in the native electronic health record (EHR) or in a secure web-based application, in a HIPAA-compliant manner. The proposed prospective prospective trial will compare this novel AI/ML technology (NAMT) versus the current standard-of-care (SOC) in the outpatient setting. Outpatient clinic-days will be randomized to either "SOC clinic-day" or the "NAMT clinic-day" based on whether the SOC or the NAMT was used to construct the CCN for all patients seen on that particular clinic-day. Randomized cross-over of each provider between "SOC clinic-day" and "NAMT clinic-day" will result in each provider serving as her/his own internal control. Objective data will be used to compare study endpoints between the SOC and the NAMT. Co-primary endpoints include a) CCN diagnostic accuracy/quality (based on standardized QNOTE metrics); and b) Work-outside-work (WOW) time required by providers to complete clinic-related documentation tasks outside clinic hours (based on EHR meta-data). Secondary endpoints include a) Provider productivity (based on provider "walk-in, walk-out time from the consultation room); b) Provider satisfaction (based on the standardized AHRQ EHR End User Survey); and c) Patient satisfaction (based on the standardized Press Ganey/CG-CAHPS survey). To assess generalizability across the health-care spectrum, the study will be conducted in four different types of health-care settings (large academic medical center; non-academic hospital; rural hospital; community private practice); in four different disciplines (cardiology; infectious disease; urology; emergency medicine); using four different EHR systems (Cerner; Epic; AllScripts; MediTech/UroChart). We estimate an aggregate RCT sample size of 150 clinic-days (involving 3,000 total patients; 15-30 providers). This will randomize 75 clinic-days (1,500 patients) to the control SOC arm, and 75 clinic-days (1,500 patients) to the intervention NAMT arm. We will use a two-sided Z-test of difference between proportions with 90% power and two-sided 5% significance level. This RCT is the first to evaluate the efficiency and diagnostic accuracy of pre-constructing CCNs in an automated manner using AI/ML technology, deployed at a large-scale, multi-institutional, multi-disciplinary, multi-EHR level. Results from this study will provide definitive level 1 evidence about the desirability and generalizability of AI-generated automatically constructed CCNs, assessing its potential benefits for providers, patients, and healthcare systems.

Auteurs: Giovanni Cacciamani, K. Gill, J. Nabhani, J. Corb, T. Buchanan, D. Park, V. Bhardwaj, O. Marwah, M. Kim, D. Kapoor, A. Kutikov, R. Uzzo, I. Gill

Dernière mise à jour: 2023-06-28 00:00:00

Langue: English

Source URL: https://www.medrxiv.org/content/10.1101/2023.06.26.23291879

Source PDF: https://www.medrxiv.org/content/10.1101/2023.06.26.23291879.full.pdf

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires