Vai al contenuto
AI.info

The Pulse

Aimbient afferma che uno studio guidato da Stanford non ha rilevato differenze significative tra i timestamp di sala operatoria generati dall’IA e quelli manuali

Uno studio guidato da Stanford ha confrontato gli orari di ingresso e uscita dalla sala operatoria generati dall’IA con i timestamp registrati manualmente. Un precedente abstract di ricerca di Stanford aveva riportato risultati dettagliati sull’accuratezza di una valutazione più breve.

Aimbient afferma che uno studio guidato da Stanford non ha rilevato differenze significative tra i timestamp di sala operatoria generati dall’IA e quelli manuali

Un sistema di IA ha prodotto timestamp di ingresso e uscita dalla sala operatoria la cui accuratezza non presentava differenze statisticamente significative rispetto ai dati manuali in sette tipi di servizi chirurgici, secondo il suo produttore, Aimbient. L’azienda ha dichiarato che lo studio indipendente è stato condotto da ricercatori di Stanford Medicine e pubblicato su JAMA Surgery.

Il test si è concentrato sul momento in cui i pazienti entravano e uscivano da una sala, non sull’intera documentazione chirurgica. Aimbient ha dichiarato che i ricercatori hanno verificato sia i timestamp automatizzati sia quelli manuali confrontandoli con la revisione dei video da parte di persone all’oscuro dei dati.

Test dei timestamp

Lo studio di otto mesi si è svolto senza interruzioni in 14 sale operatorie e una sala per procedure dello Stanford Health Care. Il sistema ha utilizzato la visione artificiale in tempo reale per rilevare l’ingresso e l’uscita dei pazienti.

I ricercatori hanno confrontato questi rilevamenti con i timestamp inseriti dal personale e hanno usato la revisione dei video come riferimento. Secondo l’azienda, lo studio ha incluso tutti gli interventi chirurgici eseguiti nelle sale coinvolte e ha riguardato la chirurgia generale, vascolare, dei trapianti, urologica, ginecologica e ortopedica.

Aimbient ha dichiarato che l’accuratezza umana diminuiva durante i turni notturni e gli interventi di trapianto più lunghi, mentre il sistema automatizzato rimaneva resistente alla fatica legata alla documentazione. Il fatto che nel confronto complessivo non sia stata rilevata una differenza statisticamente significativa non dimostra di per sé che i metodi fossero identici.

Risultati precedenti di Stanford

Un abstract separato di una ricerca di Stanford, firmato dall’autrice principale Chloe Nobuhara e dai suoi colleghi, ha descritto una valutazione più breve dello stesso tipo di rilevazione automatizzata dei timestamp. Ha analizzato 7.636 casi nell’arco di tre mesi presso un centro medico universitario e ha confrontato i dati manuali, i timestamp ottenuti con la visione artificiale e i metadati delle cartelle cliniche elettroniche con annotazioni umane dei video per 290 casi.

In quella valutazione, l’errore assoluto medio misurava la differenza media tra un timestamp e la relativa annotazione video. Per l’ingresso dei pazienti, l’abstract riportava errori di 26,8 secondi per la visione artificiale e di 24,6 secondi per i dati manuali, con un valore p di 0,71. Per l’uscita, gli errori corrispondenti erano di 27,3 secondi e 23,0 secondi, con un valore p di 0,07.

Gli autori hanno inoltre riportato ritardi tra gli eventi e la loro documentazione manuale: 6,0 minuti per l’ingresso e 5,2 minuti per l’uscita. In quella valutazione, l’accuratezza dei timestamp manuali diminuiva durante i turni notturni e gli interventi di trapianto.

Documentazione e implementazione

Il precedente abstract stimava che automatizzare questa documentazione dei timestamp avrebbe ridotto il carico di lavoro legato all’attività di circa 2.170 clic e 1,8 ore di lavoro infermieristico per sala all’anno. Queste cifre erano una stima della potenziale riduzione, non un risparmio misurato riportato nell’abstract.

L’autrice principale Nobuhara, specializzanda in chirurgia generale presso Stanford Medicine, ha affermato che il lavoro dimostrava che la visione artificiale poteva estrarre dati da un ambiente di sala operatoria. L’azienda ha dichiarato che il suo sistema registra i timestamp nel momento in cui gli eventi si verificano e che dati più tempestivi potrebbero supportare la programmazione, la rendicontazione operativa e le decisioni sulla capacità.

Aimbient era precedentemente nota come Surgical Safety Technologies. L’azienda afferma che la sua piattaforma più ampia è utilizzata in 650 sale chirurgiche e per procedure e comprende strumenti per le previsioni di programmazione, il monitoraggio in tempo reale e la valutazione delle prestazioni.

Fonti

  1. Aimbient
  2. Stanford Medicine

Notizie correlate

Esplora

Altri articoli