AI技術を使ってEHRプロセスを効率化する

AIを使って、医療従事者の効率を上げて、 burnoutを減らす。

2025-11-12T23:23:30+00:00 ― 1 分で読む

EHR使用の課題
EHRプロセスの改善が必要
AIを使った革新的な解決策
研究計画
新しいAIシステムの理解
研究の目標
結果の測定
サンプルサイズと研究設定
結論
オリジナルソース

電子健康記録（EHR）は、患者の医療情報をデジタル化したものだよ。医療提供者が患者データに安全かつ迅速にアクセスできるようになってる。EHRには、患者の健康状態、治療、請求情報など重要な詳細が保存されてる。患者も自分の健康記録を安全に見ることができるんだ。2009年に医療情報技術法（HITECH法）が導入されてから、アメリカの病院でEHRが普通になったんだって。2017年には、アメリカの病院の約96%がEHRを使ってた。

EHR使用の課題

EHRには多くの利点があるけど、課題もあるよ。大きな問題の一つは、EHRを使うのに医療提供者が非常に多くの時間と労力を費やすこと。実際、多くの医者がEHRに情報を入力する作業の繰り返しで燃え尽きてるって報告してる。外来クリニックでは、提供者は仕事の時間の半分をEHR関連の作業に費やしていて、患者と過ごす1時間に対してEHR作業にほぼ2時間を費やすことになる。これが実際に医者が患者と話す時間を奪ってしまって、医者も患者も不満を感じることにつながるんだ。

さらに、多くの医療提供者は、クリニックの営業時間外でもEHRの作業を終わらせるために働いているよ。報告によると、アメリカの医者の約70%がEHR使用に関連した燃え尽き症候群を経験してる。この燃え尽きは、提供者の健康だけでなく、患者に提供するケアの質にも影響を与え、治療ミスの可能性を高めることもあるんだ。

EHRプロセスの改善が必要

各患者の訪問のために臨床相談ノート（CCN）を作成するのは、提供者にとって必要な作業の一つだよ。CCNには、患者の病歴、検査結果、治療計画が含まれてる。平均で、提供者は各患者のためにこの文書を作成するのに約16分かかってる。CCNの詳細さは正確なコーディングに重要で、高品質なCCNはより良い患者ケアに関連してるんだ。残念ながら、これらのノートを作成する負担が、患者との対面でのやり取りを奪ってしまい、ケアの全体的な質を下げることに繋がってる。

EHRの課題に対処して、提供者と患者の体験を改善するためには、革新的な解決策が必要だよ。人工知能（AI）や機械学習（ML）といった新しい技術は、CCNの作成方法を変える可能性を秘めてて、提供者がEHR作業に費やす時間を大幅に減らすことができるんだ。

AIを使った革新的な解決策

最近のAIやML技術の発展は、CCNの作成を自動化するのに役立つかもしれないよ。新しいアプローチの一つは、音声をテキストに変換する技術を使ってプロセスを加速することだよ。もう一つの方法は、患者が予約に来る前に詳細な仮のCCNを作成できる新しいAIプラットフォームをテストしてることなんだ。このシステムは、訪問中に提供者がデータを入力する必要なしに機能するよ。

目的は、この新しい技術と外来クリニックでの現在の手法を比較する研究を行うこと。研究は、AIを使ってCCN作成を自動化することで、時間を節約でき、提供者と患者の両方の体験を改善できるかを確認することなんだ。

研究計画

この研究は、いくつかの医療施設、つまり大きな病院や地域のクリニックで行われるよ。心臓病学、泌尿器科、救急医療など異なる専門分野の多様な医療提供者が参加する予定。研究中は、クリニックの日をランダムに割り当てて、新しいAIシステムを使うか、現在の手動プロセスでCCNを作成するかを選ぶことになる。各提供者は両方の方法に参加することで、研究者は2つのアプローチを直接比較できるんだ。

計画は、新技術が従来の方法と比べてどれだけ効果的かを評価するデータを収集することだよ。主な評価ポイントは、作成されたCCNの質、通常の時間外に提供者がEHR作業に費やす時間、提供者と患者の満足度、全体的な生産性だ。

新しいAIシステムの理解

新しいAIシステムは、患者から直接情報を収集して分析する特別なアルゴリズムを使ってる。関連データも他の記録から自動で集めるよ。この情報に基づいて、AIは各患者に特有の検査の推奨を生成するんだ。それから、仮のCCNが予約の前に提供者に用意される。この方法で、医療提供者はデータ入力ではなく、患者との対話に時間を集中できるようになるんだ。

研究の目標

この研究の主な目的は、新しいAI技術が既存の手動方法と同じくらい、あるいはそれ以上に良いCCNを作成できるかどうかを見ることなんだ。主な焦点は以下の通り：

質と診断の正確性：新しい技術からのCCNの質が標準プロセスと同等以上かどうかを評価する。
勤務外時間（WOW）を減らすこと：新しいシステムを使うことで、提供者が通常のクリニック時間外にドキュメンテーション作業を終わらせるのにかかる時間がどれだけ少ないかを測定する。
提供者と患者の満足度：提供者と患者の両者の体験に対する満足度を見極める。

結果の測定

研究の結果を評価するために、さまざまな方法が使われる予定だよ：

CCNの質：各ノートのさまざまな臨床要素を見て、標準化されたスコアリングシステムを使って評価する。
WOW時間：クリニック時間外にEHR作業に費やした時間を追跡して、二つの方法を比較する予定。
提供者の満足度：提供者は各クリニック日の終わりに、技術や仕事への影響についての感想を表すためにアンケートに答える。
患者の満足度：患者も予約後にその体験や満足度を共有するためにアンケートを記入するよ。

サンプルサイズと研究設定

この研究では、約3,000人の患者からデータを集めることを目指してる。サンプルには、さまざまな人口統計の提供者が含まれて、多様な代表性が確保されるよ。新しいAI技術と標準的な実践の影響を意味のある比較を行うために、十分なデータを持つことが目指されてる。

結論

臨床相談ノートを作成するためのAI技術の導入は、医療提供者が患者データを管理する方法に潜在的な変化をもたらすものだよ。管理タスクにかかる時間を減らすことで、提供者の満足度を改善し、患者の体験向上、そして最終的にはより良い医療結果につながることが期待されてる。この研究は、医療システム内でのプロセスを効率化するためのAIの効果に関する重要な洞察を提供して、将来的により革新的なアプローチへの道を開く手助けをするんだ。

オリジナルソース

タイトル: 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

概要: 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.