Von Experten begutachtete Studien verbinden Ambient-KI mit mehr Operationen am Houston Methodist

Die Forscher von Houston Methodist haben das, was sie als die erste peer-reviewed Evidenz bezeichnen, veröffentlicht, dass Ambient AI im Operationssaal mit einem messbaren Anstieg der chirurgischen Fallzahl assoziiert ist: ein Anstieg von 7%, oder etwa 25 zusätzliche Fälle pro Monat, in einem hochakuten cardiothorakalen Bereich nach der Implementierung der Computer-Vision-Plattform von Apella. Die Studie, die am 27. Juni 2026 im Journal of Imaging veröffentlicht wurde, umfasst 5.417 chirurgische Fälle, die über 16 Monate in dem Flaggschiff-Krankenhaus des Systems überwacht wurden.

Eine zweite peer-reviewed Studie, die im Perioperative Care and Operating Room Management veröffentlicht wurde, untersuchte einen anderen Mechanismus in sechs Krankenhäusern von Houston Methodist: ein prädiktives Tool, das Fälle markiert, die wahrscheinlich falsch geplant sind. Für markierte Fälle verbesserte sich die Planungsgenauigkeit um 40% (der mittlere absolute Fehler sank von 57,4 auf 34,2 Minuten) und die späten Enden von OP-Tagen sanken um 46 Prozentpunkte, ohne dass die Fallzahl reduziert wurde, wie in der Veröffentlichung von Apella vom 5. August 2026 angekündigt wurde.

Die Volumenfeststellung ist wichtig, weil sie auf eine bestimmte Weise produziert wurde. Die meisten Effizienzansprüche von Anbietern basieren auf Vorher-Nachher-Vergleichen, die den Effekt der Technologie nicht von allem anderen trennen können, was in einem Krankensystem ändert. Das Team von Houston Methodist verwendete stattdessen synthetische Kontrolle mit Differenz-in-Differenzen-Schätzung, eine quasi-experimentelle Methode aus der Wirtschaft: Sie bauten eine gewichtete Gegenfaktizität aus 11 anderen Standorten von Houston Methodist, die die Plattform nicht implementiert hatten, insgesamt 116.098 Vergleichsfälle, und maßen die Interventions-Suite gegen sie. Das Ergebnis war ein statistisch signifikanter Anstieg von etwa 25 Fällen pro Monat (95% CI 8,3 bis 41,0), der ohne zusätzliche Räume, Personal oder Stunden erreicht wurde.

“Behauptungen über den Einfluss von KI in der Chirurgie werden oft mit Skepsis aufgenommen, und das ist verständlich”, sagte Roberta Schwartz, Chief Innovation Officer von Houston Methodist und Senior-Autorin des Papiers. “Deswegen haben wir diese Arbeit mit der gleichen Strenge angegangen wie jede klinische Forschungsstudie, mit unabhängiger Peer-Review und einer Methodik, die darauf abzielt, Kausalität und nicht nur Korrelation zu demonstrieren.”

Was die Kameras tatsächlich gemessen haben

Das System, das im Papier als bildbasierte KI bezeichnet wird, besteht aus wandmontierten Kameras, vier pro Raum, die ein YOLO-basiertes Objekterkennungsmodell mit einem transformer-basierten Ereignisdetektor speisen. Es identifiziert Patienten, gereinigte und ungereinigte Mitarbeiter, den Status der Abdeckung und die Ausrüstung und wandelt diese Erkennungen in zeitgestempelte perioperative Ereignisse um: Patienteneingang, Abdeckung, Umschaltung, Ausfahrt. Das Trainingsdatenset umfasste 137.517 Operationen in 315 Operationssälen.

Diese Granularität ermöglichte es der Suite, den chirurgischen Tag in Phasen zu fragmentieren, die die EHR nie erfasst hatte. Die Plattform fügte ein “Patient abgedeckt”-Ereignis zwischen “Anästhesie bereit” und “Fallbeginn” ein, zum Beispiel, und verwandelte einen undurchsichtigen Block in zwei messbare. Live-Dashboards zeigten den Fortschritt der Fälle und die vorhergesagten Dauern in allen 15 Räumen und automatisierte Textwarnungen informierten Chirurgen, wenn ein Patient abgedeckt war oder der nächste Fall bevorstand.

Die Implementierung lief unter einem IRB-determinierten Qualitätsverbesserungsrahmen mit Patientenzustimmung, die in allgemeine Zustimmungsdokumente integriert war, Videoaufzeichnungen wurden maximal 30 Tage und Audio 7 Tage aufbewahrt und der Zugriff auf intraoperative Aufzeichnungen war auf drei bestimmte Rollen beschränkt.

Wo die Evidenz ihre Grenzen hat

Der eigene Limitations-Abschnitt des Papiers identifiziert mehrere Einschränkungen der Volumenfeststellung. Die Intervention war nicht nur die Software, sondern ein Bündel: die Plattform plus Umschaltzeit-Überprüfungen mit OP-Management, Hausreinigungs- und Anästhesie-Workflows sowie Chirurgen-Benachrichtigungsprotokolle. Die Autoren stellen fest, dass die Schätzung “nicht separat die beobachteten Gewinne einem oder anderen Komponenten zuordnen kann”.

Das statistische Bild ist auch enger als die Überschrift. Der In-Ort-Permutationstest (die Methode, die intern gegen Zufall überprüft) ergab einen empirischen p-Wert von 0,182, der konsistent, aber nicht signifikant war. Sekundäre Ergebnisse, einschließlich ungeplanter Überstunden, erreichten keine Signifikanz und eine Sensitivitätsanalyse der gesamten operativen Minuten war nicht signifikant, was bedeutet, dass der Gewinn durch mehr Fälle pro Einheit OP-Zeit und nicht durch mehr Gesamtbetriebszeit entstand. Die Autoren interpretieren den Effekt als “mit, aber nicht durch” die Implementierung verursacht.

Offenlegungen schneiden beide Wege. Das Houston Methodist Hospital hält eine Minderheitsbeteiligung an Apella und trat der Series-B-Runde von Apella im Januar 2026 bei. Ein Apella-Mitarbeiter führte die ursprünglichen Analysen mit aggregierten monatlichen Daten durch – ohne Zugriff auf patientenbezogene Aufzeichnungen – und ein Houston Methodist-Analyst replizierte sie unabhängig. Apella finanzierte die Studie nicht und hatte keine Rolle bei der Konzeption oder der Entscheidung, sie zu veröffentlichen, wie im Konflikt-Interessen-Statement des Papiers angegeben. Das System läuft jetzt in mehr als 200 Operationssälen des Gesundheitssystems.

Was als Nächstes passiert

Die Autoren legen eine spezifische Forschungsagenda vor: systemweite Bewertung in weiteren Krankenhäusern von Houston Methodist und anderen chirurgischen Fachgebieten, um zu testen, ob die cardiothorakalen Gewinne verallgemeinert werden können; formale Bewertung der Umschaltzeit und der ersten Startzeit als primäre Endpunkte; und peer-reviewed Reproduktion einer Konferenz-Ergebnis von 2024, dass Computer-Vision OR-Ereignisse konsistenter als manuelle Dokumentation verfolgte. Ambient-AI-Implementierungen in klinischen Umgebungen wurden meist auf Dokumentationsbelastung (Ambient-Listening-Tools erreichen jetzt Nursing-Workflows) und die Houston-Methodist-Studien sind ein früher Versuch, die OP-Variante auf Durchsatz zu beurteilen.

Für einen Sektor, in dem Krankenhaus-Manager ständig AI-Präsentationen mit dünner Evidenz hinter ihnen hören, könnte der dauerhaftere Beitrag methodologischer Natur sein: ein Gesundheitssystem, das eine Plattform eines Anbieters auf eigene Weise, gegen eigene Kontrollstandorte und unter Veröffentlichung der Grenzen neben dem Ergebnis testet.