Recenzované studie spojují ambientní AI s větším počtem operací v Houston Methodist

Výzkumníci z Houston Methodist zveřejnili, co popisují jako první peer-reviewed důkazy, že ambientní AI v operačním sále je spojena se znatelným nárůstem počtu chirurgických zákroků: o 7 %, tj. zhruba o 25 dalších případů měsíčně, v high-acuity cardiothoracic sále po nasazení platformy Apella’s computer-vision. Studie, publikovaná 27. června 2026 v Journal of Imaging, pokrývá 5 417 chirurgických případů monitorovaných po dobu 16 měsíců v vlajkové lodi nemocnice.

Druhá peer-reviewed studie, publikovaná v Perioperative Care and Operating Room Management, zkoumala jiný mechanismus napříč šesti nemocnicemi Houston Methodist: prediktivní nástroj, který označuje případy, které jsou pravděpodobně špatně naplánovány. U označených případů se zlepšila přesnost plánování o 40 % (průměrná absolutní chyba se snížila z 57,4 na 34,2 minut) a pozdní ukončení dnů v operačním sále se snížilo o 46 procentních bodů, bez snížení počtu případů, podle oznámení Apella ze dne 5. srpna 2026 o obou publikacích.

Nález objemu je důležitý kvůli tomu, jak byl vytvořen. Většina tvrzení dodavatelů o efektivitě se opírá o srovnání před a po, které nemohou oddělit účinek technologie od všeho ostatního, co se mění v nemocničním systému. Tým z Houston Methodist místo toho použil syntetickou kontrolu s odhadem rozdílů, kvazi-experimentální metodu z ekonomie: vytvořili váženého protějšku z 11 dalších míst Houston Methodist, která neměla nasazenou platformu, celkem 116 098 srovnávacích případů, a měřili intervenční sál proti němu. Výsledek byl statisticky významný nárůst přibližně 25 případů měsíčně (95% CI 8,3 až 41,0), kterého bylo dosaženo bez přidání pokojů, personálu nebo hodin.

“Tvrdí se, že AI má dopad na chirurgii, jsou často přijímána se skepsí, a pochopitelně tak,” řekla Roberta Schwartz, hlavní inovátor Houston Methodist a senior autor článku. “Právě proto jsme k této práci přistupovali se stejnou přísností jako u kteréhokoli klinického výzkumu, pomocí nezávislé peer review a metodiky navržené k prokázání příčinné souvislosti, a ne pouze korelace.”

Co kamery skutečně měřily

Systém, který článek nazývá založený na obrazech AI, je postaven z kamer na stěně, čtyři na pokoj, které napájejí model YOLO založený na detekci objektů spojený s detektorem událostí založeným na transforméru. Identifikuje pacienty, ošetřující a neošetřující personál, stav obvazu a vybavení, a poté tyto detekce převádí na časově označené perioperační události: vstup pacienta, obvaz, převzetí, kola ven. Trénovací datová sada pokrývala 137 517 chirurgických zákroků napříč 315 operačními sály.

Tato jemnost umožnila sálu rozdělit chirurgický den do fází, které EHR nikdy nezachytil. Platforma vložila událost “Pacient obvázán” mezi “Anestezie připravena” a “Zahájení případu”, například, čímž se jeden neprůhledný blok stal dvěma měřitelnými. Živé řídicí panely zobrazovaly pokrok případu a predikované trvání napříč všemi 15 pokoji, a automatizované textové upozornění informovala chirurgy, když byl pacient obvázán nebo když se blížil jeho další případ.

Nasazení probíhalo pod rámcem kvalitativního zlepšení stanoveným IRB s patientovým souhlasem zahrnutým do obecných souhlasných dokumentů, video bylo uchováváno maximálně 30 dní a audio 7, a přístup k intraoperačním záznamům byl omezen na tři určené role.

Kde důkazy mají hranice

Vlastní sekce omezení článku identifikuje několik omezení nálezu objemu. Intervence nebyla pouze software, ale balíček: platforma plus přehledy času převzetí s OR managementem, přehledy workflow zdravotnického personálu a anestezie, a protokoly oznámení chirurgům. Autoři uvádějí přímo, že odhad “nemůže oddělit pozorované zisky na jednu nebo druhou složku.”

Statistický obraz je také užší než titulek. Test in-space permutation (metodou vestavěné kontroly proti náhodě) vrátil empirickou p-hodnotu 0,182, směrově konzistentní, ale krátké konvenční významnosti. Sekundární výsledky, včetně neplánovaného přesčasu, nedosáhly významnosti, a analýza citlivosti na celkové operační minuty nebyla také významná, což znamená, že zisk přišel jako více případů na jednotku času OR, spíše než více celkového operačního času. Autoři interpretují účinek jako “spojený s, spíše než způsobený” nasazením.

Odhalení působí oběma směry. Nemocnice Houston Methodist drží menšinový podíl v Apella a připojila se k série B v lednu 2026. Zaměstnanec Apella provedl původní analýzy z agregovaných měsíčních dat — bez přístupu k pacientským záznamům — a analytik Houston Methodist nezávisle replikoval. Apella nefinancovala studii a neměla žádný podíl na její koncepci nebo rozhodnutí o publikaci, podle prohlášení o střetu zájmů článku. Systém nyní běží ve více než 200 operačních sálech zdravotnického systému.

Co se stane dál

Autoři stanovili konkrétní výzkumný program: systémový hodnocení napříč dalšími nemocnicemi Houston Methodist a dalšími chirurgickými specializacemi, aby otestovali, zda zisky v kardiothorakální oblasti se generalizují; formální hodnocení času převzetí a prvního startu případu jako primárních koncových bodů; a peer-reviewed replikace nálezu z konference 2024, že počítačové vidění sledovalo operační události konzistentněji než ruční dokumentace. Nasazení ambientní AI v klinických prostředích byla většinou posuzována na základě dokumentačního zatížení (ambientní nástroje pro poslouchání nyní dosahují toku práce zdravotnických sester) a dvojice studií Houston Methodist je ranou snahou posoudit variant na propustnost místo.

Pro sektor, kde výkonní ředitelé nemocnic čelí konstantním nabídkám AI s tenkými důkazy za nimi, může být trvalejší příspěvek metodologický: zdravotnický systém, který testuje platformu dodavatele na svých vlastních podmínkách, proti svým vlastním kontrolním místům, a zveřejňuje hranice spolu s výsledkem.