Peer-Reviewede Studier Binder Ambient AI til Flere Operationer på Houston Methodist

Forskere fra Houston Methodist har offentliggjort, hvad de beskriver som den første peer-reviewed bevis for, at ambient AI i operationsrummet er forbundet med en målbart øgning i operationsvolume: en stigning på 7%, eller cirka 25 ekstra operationer om måneden, i et højakut cardiothoracisk suite efter systemet implementerede Apellas computer-vision-platform. Studiet, offentliggjort den 27. juni 2026 i Journal of Imaging, dækker 5.417 operationsforløb over 16 måneder på systemets flagskibshospital.

En anden peer-reviewed studie, offentliggjort i Perioperative Care and Operating Room Management, undersøgte en anden mekanisme på tværs af seks Houston Methodist-hospitaler: et predictivt værktøj, der markerer operationer, der sandsynligvis er misplanlagt. For markederede operationer forbedredes planlægningsnøjagtigheden med 40% (gennemsnitlig absolut fejl faldt fra 57,4 til 34,2 minutter), og antallet af forsinkede operationsdage faldt med 46 procentpoint, uden nogen reduktion i operationsvolume, ifølge Apellas meddelelse den 5. august 2026 om de to offentliggørelser.

Volume-fundet er vigtigt, fordi det blev produceret på en bestemt måde. De fleste leverandørers effektivitetskrav hviler på før-og-efter-sammenligninger, der ikke kan adskille teknologiens effekt fra alt andet, der ændrer sig i et hospitalsystem. Houston Methodist-holdet brugte i stedet syntetisk kontrol med forskel-i-forskelle-estimation, en kvase-eksperimentel metode fra økonomi: de opbyggede en vægtet kontrafaktisk fra 11 andre Houston Methodist-sites, der ikke havde implementeret platformen, 116.098 sammenligningsoperationer i alt, og målte interventions-suiten mod den. Resultatet var en statistisk signifikant øgning på cirka 25 operationer om måneden (95% CI 8,3 til 41,0), opnået uden at tilføje rum, personale eller timer.

“Påstande om AI’s indvirkning på kirurgi mødes ofte med skepsis, og det er forståeligt,” sagde Roberta Schwartz, Houston Methodists innovationschef og den seniormest forfatter. “Det er derfor, vi tilgangede dette arbejde med samme rigor som ethvert klinisk forskningsstudie, ved at bruge uafhængig peer-review og en metode designet til at demonstrere årsag, ikke kun korrelation.”

Hvad kameraerne faktisk målte

Systemet, som artiklen kalder billedbaseret AI, er bygget op fra vægmonterede kameraer, fire per rum, der føder en YOLO-baseret objekt-detektionsmodel kombineret med en transformer-baseret begivenheds-detektor. Den identificerer patienter, skrubbet og uskrubbet personale, dækningstatus og udstyr, og konverterer disse detektioner til tidsstemplede perioperative begivenheder: patientindgang, dækning, omskiftning, hjul ud. Trænings-datasettet dækkede 137.517 operationer på tværs af 315 operationsrum.

Denne granularitet lod suiten opdele den kirurgiske dag i faser, som EHR aldrig fik fanget. Platformen indsætte en “Patient Dækket”-begivenhed mellem “Anæstesi Klart” og “Sag Start”, for eksempel, og omdannede en enkelt uigennemsigtig blok til to målbare. Live-dashboard viste operationsfremskridt og forudsagde varigheder på tværs af alle 15 rum, og automatiserede tekstbeskeder fortalte kirurger, når en patient var dækket eller deres næste sag var på vej.

Implementeringen kørte under en IRB-bestemt kvalitetsforbedringsramme med patient-samtykke foldet ind i generelle samtykke-dokumenter, video blev gemt i maksimalt 30 dage og lyd 7, og adgang til intraoperative optagelser begrænsedes til tre faste roller.

Hvor beviserne har kanter

Artiklens egen begrænsningssektion identificerer flere begrænsninger for volumefundet. Interventions var ikke kun softwaren alene, men en pakke: platformen plus omskiftningstids-gennemgange med operationsledelse, husarbejds- og anæstesi-arbejds-gennemgange og kirurg-notifikations-protokoller. Forfatterne fastslår åbent, at estimatet “ikke kan tilskrive de observerede gevinster til en af komponenterne.”

Den statistiske billed er også smallere end overskriften. Den i-rum-permutationstest (metodens indbyggede check mod tilfældighed) returnerede en empirisk p-værdi på 0,182, retningssammenhængende, men kort af konventionel signifikans. Sekundære resultater, herunder uplanlagt overtid, nåede ikke signifikans, og en sensitivitetsanalyse af i alt operative minutter var ikke signifikant heller, hvilket betyder, at gevinsten kom som flere operationer per enhed af operations-tid snarere end mere total operations-tid. Forfatterne fortolker effekten som “associeret med, snarere end årsaget af” implementeringen.

Afsløringer skærer begge veje. Houston Methodist Hospital har en mindretals-ejerandel i Apella og deltog i virksomhedens serie B-runde i januar 2026. En Apella-ansat udførte de oprindelige analyser fra aggregerte månedlige data – uden adgang til patientniveau-optegnelser – og en Houston Methodist-analytiker gentog dem uafhængigt. Apella finansierede ikke studiet og havde ingen rol i dets design eller beslutningen om at offentliggøre, ifølge artiklens interessekonflikt-erklæring. Systemet kører nu i over 200 af sundhedssystemets operationsrum.

Hvad sker herefter

Forfatterne lægger ud en specifik forskningsdagsorden: system-omfattende evaluering på tværs af yderligere Houston Methodist-hospitaler og andre kirurgiske specialer for at teste, om cardiothoraciske gevinsten generaliserer; formel evaluering af omskiftningstid og førstesags-tidspunkter som primære endepunkter; og peer-reviewed gentagelse af en 2024-konference-finding, der viste, at computer-vision spored operationsbegivenheder mere konsekvent end manuel dokumentation. Ambient AI-implementeringer i kliniske indstillinger er hovedsageligt blevet vurderet på dokumentationsbyrden (ambient lyttingværktøjer når nu sygeplejens arbejdsgange) og Houston Methodist-parret af studier er et tidligt forsøg på at vurdere operations-varianten på gennemstrømning i stedet.

For en sektor, hvor hospitalsledere konstant modtager AI-forslag med tynd bevisføring bag dem, kan den mere varige bidrag være metodisk: et sundhedssystem, der tester en leverandørs platform på egne betingelser, mod egne kontrolsteder og offentliggør kantene sammen med resultatet.