The Pulse
Aimbient afirma que un estudio dirigido por Stanford no halló diferencias significativas entre las marcas de tiempo de quirófano generadas por IA y las manuales
Un estudio dirigido por Stanford comparó las horas de entrada y salida del quirófano generadas por IA con las marcas de tiempo registradas manualmente. Un resumen anterior de una investigación de Stanford presentó resultados detallados de precisión de una evaluación más breve.

Un sistema de IA generó marcas de tiempo de entrada y salida del quirófano cuya precisión no difirió de forma estadísticamente significativa de la de los registros manuales en siete tipos de servicios quirúrgicos, según su fabricante, Aimbient. La empresa afirmó que el estudio independiente estuvo dirigido por investigadores de Stanford Medicine y se publicó en JAMA Surgery.
La prueba se centró en cuándo entraban y salían los pacientes de una sala, en lugar de abarcar todo el registro quirúrgico. Aimbient afirmó que los investigadores contrastaron tanto las marcas de tiempo automatizadas como las manuales con una revisión a ciegas de videos realizada por personas.
Prueba de las marcas de tiempo
El estudio, de ocho meses de duración, se llevó a cabo de forma continua en 14 quirófanos y una sala de procedimientos de Stanford Health Care. El sistema utilizó visión por computador en tiempo real para detectar la entrada y la salida de los pacientes.
Los investigadores compararon esas detecciones con las marcas de tiempo introducidas por el personal y utilizaron la revisión de los videos como referencia. El estudio incluyó todas las cirugías realizadas en las salas estudiadas y abarcó cirugía general, vascular, de trasplante, urológica, ginecológica y ortopédica, según la empresa.
Aimbient afirmó que la precisión humana disminuyó durante los turnos nocturnos y los casos prolongados de trasplante, mientras que el sistema automatizado mantuvo su resistencia a la fatiga de la documentación. Que no se encontrara una diferencia estadísticamente significativa en la comparación general no demuestra por sí solo que los métodos fueran idénticos.
Resultados anteriores de Stanford
Otro resumen de una investigación de Stanford, de la autora principal Chloe Nobuhara y sus colegas, describió una evaluación más breve del mismo tipo de registro automatizado de marcas de tiempo. Analizó 7.636 casos durante tres meses en un centro médico académico y comparó los registros manuales, las marcas de tiempo obtenidas mediante visión por computador y los metadatos de las historias clínicas electrónicas con anotaciones humanas de video en 290 casos.
En esa evaluación, el error absoluto medio midió la diferencia promedio entre una marca de tiempo y la anotación de video correspondiente. Para la entrada de pacientes, el resumen informó de errores de 26,8 segundos para la visión por computador y de 24,6 segundos para los registros manuales, con un valor p de 0,71. Para la salida, los errores respectivos fueron de 27,3 segundos y 23,0 segundos, con un valor p de 0,07.
Los autores también informaron de retrasos entre los eventos y la documentación manual: 6,0 minutos para la entrada y 5,2 minutos para la salida. En esa evaluación, la precisión de las marcas de tiempo manuales disminuyó durante los turnos nocturnos y los casos de trasplante.
Documentación e implementación
El resumen anterior estimó que automatizar esta documentación de marcas de tiempo reduciría la carga de esa tarea en aproximadamente 2.170 clics y 1,8 horas de enfermería por sala al año. Esas cifras eran una estimación de la posible reducción, no un ahorro medido que se hubiera comunicado en el resumen.
La autora principal, Nobuhara, residente de cirugía general de Stanford Medicine, afirmó que el trabajo mostraba que la visión por computador podía extraer datos de un entorno de quirófano. La empresa afirmó que su sistema registra las marcas de tiempo a medida que se producen los eventos y que unos registros más oportunos podrían servir de apoyo a la programación, los informes operativos y las decisiones sobre capacidad.
Aimbient antes se conocía como Surgical Safety Technologies. La empresa afirma que su plataforma más amplia está desplegada en 650 quirófanos y salas de procedimientos e incluye herramientas de previsión de horarios, seguimiento en tiempo real y evaluación del rendimiento.
Fuentes
- Fuente original · Nota de prensa Aimbient prnewswire.com
Otras páginas leídas
- Stanford Medicine med.stanford.edu
Noticias relacionadas
- La demanda energética de los centros de datos, vinculada a muertes lejanas en un estudio del MIT
- Una encuesta de Adecco vincula el rediseño del trabajo con IA con un mayor ahorro de tiempo declarado
- AWS publica resultados de fine-tuning completo para SageMaker sin servidor
- China Telecom detalla el entrenamiento de Xing 4 con 8.192 chips Ascend
- Google apunta a 2029 para lanzar satélites de IA con Blue Origin