Μελετές Peer-Reviewed που συνδέουν την Ambient AI με περισσότερες χειρουργικές επεμβάσεις στο Houston Methodist

Ερευνητές του Houston Methodist έχουν δημοσιεύσει αυτό που περιγράφουν ως την πρώτη μελέτη peer-reviewed που παρέχει ενδείξεις ότι η Ambient AI στο χειρουργείο συνδέεται με μια μετρήσιμη αύξηση του όγκου των χειρουργικών περιπτώσεων: μια αύξηση 7%, ή περίπου 25 επιπλέον περιπτώσεις ανά μήνα, σε ένα υψηλής ακριβής καρδιοθωρακικό τμήμα μετά την ανάπτυξη της πλατφόρμας Apella. Η μελέτη, που δημοσιεύθηκε στις 27 Ιουνίου 2026 στο Journal of Imaging, καλύπτει 5.417 χειρουργικές περιπτώσεις που παρακολουθήθηκαν για 16 μήνες στο κεντρικό νοσοκομείο του συστήματος.

Μια δεύτερη μελέτη peer-reviewed, που δημοσιεύθηκε στο Perioperative Care and Operating Room Management, εξέτασε einen διαφορετικό μηχανισμό σε έξι νοσοκομεία του Houston Methodist: ένα προγνωστικό εργαλείο που σηματοδοτεί περιπτώσεις που πιθανότατα να έχουν λανθασμένα προγραμματιστεί. Για τις σηματοδοτημένες περιπτώσεις, η ακρίβεια του προγραμματισμού βελτιώθηκε κατά 40% (το απόλυτο σφάλμα μειώθηκε από 57,4 σε 34,2 λεπτά) και οι αργές ημέρες του χειρουργείου μειώθηκαν κατά 46 ποσοστιαίες μονάδες, χωρίς μείωση του όγκου των περιπτώσεων, σύμφωνα με την ανακοίνωση της Apella στις 5 Αυγούστου 2026 για τις δύο δημοσιεύσεις.

Η ευρήματα του όγκου έχουν σημασία επειδή così όπως παράγονται. Οι περισσότερες αξιολογήσεις αποδοτικότητας των προμηθευτών βασίζονται σε συγκρίσεις πριν και μετά που δεν μπορούν να ξεχωρίσουν την επίδραση της τεχνολογίας από όλα τα άλλα που αλλάζουν σε ένα νοσοκομειακό σύστημα. Η ομάδα του Houston Methodist αντίθετα χρησιμοποίησε συνθετικό έλεγχο με εκτίμηση διαφοράς σε διαφορές, μια yarı-πειραματική μέθοδο από την οικονομία: κατασκεύασαν ένα σταθμισμένο αντίπαλό από 11 άλλους χώρους του Houston Methodist που δεν είχαν αναπτύξει την πλατφόρμα, 116.098 περιπτώσεις σύγκρισης συνολικά, και μετρούσαν το χώρο παρέμβασης σε σχέση με αυτό. Το αποτέλεσμα ήταν μια στατιστικά σημαντική αύξηση περίπου 25 περιπτώσεων ανά μήνα (95% CI 8,3 έως 41,0), που επιτεύχθηκε χωρίς την προσθήκη δωματίων, προσωπικού ή ωρών.

«Οι ισχυρισμοί σχετικά με την επίδραση του AI στη χειρουργική συχνά αντιμετωπίζονται με σκεπτικισμό, και αυτό είναι κατανοητό», είπε η Roberta Schwartz, διευθύντρια καινοτομίας του Houston Methodist και senior συγγραφέας της εργασίας. «Γι’ αυτό προσεγγίσαμε αυτή τη δουλειά με την ίδια αυστηρότητα όπως οποιαδήποτε κλινική μελέτη, χρησιμοποιώντας ανεξάρτητη peer review και μια μεθοδολογία που σχεδιάστηκε για να αποδείξει αιτία, όχι απλώς συσχέτιση».

Τι μετρά πραγματικά οι κάμερες

Το σύστημα που ονομάζεται image-based AI είναι κατασκευασμένο από τοίχους-κάμερες, τέσσερις ανά δωμάτιο, που τροφοδοτούν ένα μοντέλο ανίχνευσης αντικειμένων YOLO σε συνδυασμό με einen ανιχνευτή συμβάντων βασισμένο σε μετασχηματιστή. Ταυτοποιεί ασθενείς, προσωπικό που έχει σκουπιδωθεί και όχι, κατάσταση στρώματος, και εξοπλισμό, και μετά μετατρέπει αυτές τις ανιχνεύσεις σε χρονοσφραγισμένα περι-χειρουργικά συμβάντα: είσοδος ασθενούς, στρώσιμο, ανατροπή, έξοδος. Το σύνολο δεδομένων εκπαίδευσης καλύπτει 137.517 χειρουργικές επεμβάσεις σε 315 χειρουργικά δωμάτια.

Αυτή η λεπτομέρεια επέτρεψε στο σύστημα να καταστήσει την χειρουργική ημέρα σε φάσεις που το Ηλεκτρονικό Ιατρικό Ρεκόρ δεν είχε καταγράψει. Η πλατφόρμα εισήγαγε ένα «Ασθενής Στρωμένος» συμβάν μεταξύ «Ετοιμότητα Αναισθησίας» και «Έναρξη Περίπτωσης», για παράδειγμα, μετατρέποντας ένα αδιαφανές μπλοκ σε δύο μετρήσιμα. Ζωντανοί πίνακες έδειχναν την πρόοδο της περίπτωσης και τις προβλεπόμενες διάρκειες σε όλα τα 15 δωμάτια, και αυτόματες κειμενικές ειδοποιήσεις ενημέρωναν τους χειρουργούς όταν ένας ασθενής ήταν στρωμένος ή η επόμενη περίπτωσή του πλησίαζε.

Η ανάπτυξη διεξήχθη υπό einen πλαισιο που καθορίστηκε από την IRB για βελτίωση της ποιότητας με συγκατάθεση ασθενών που ενσωματώθηκε στα γενικά έγγραφα συγκατάθεσης, βίντεο που διατηρούνταν για tối đa 30 ημέρες και ήχος για 7, και πρόσβαση σε εγγραφές εντός χειρουργείου περιορισμένη σε τρεις προκαθορισμένες ρόλους.

Πού η απόδειξη έχει άκρες

Το τμήμα περιορισμών της εργασίας ταυτοποιεί几个 περιορισμούς στην ευρήματα του όγκου. Η παρέμβαση δεν ήταν το λογισμικό μόνο αλλά ένα πακέτο: η πλατφόρμα συν την ανασκόπηση χρόνου αναστροφής με τη διαχείριση του χειρουργείου, την ανασκόπηση ροής εργασιών της νοσοκομειακής υπηρεσίας και της αναισθησίας, και τα πρωτόκολλα ειδοποίησης των χειρουργών. Οι συγγραφείς δηλώνουν καθαρά ότι η εκτίμηση «δεν μπορεί να αποδώσει ξεχωριστά τα παρατηρημένα κέρδη σε ένα ή το άλλο συστατικό».

Το στατιστικό σκηνικό είναι επίσης στενότερο από τον τίτλο. Ο έλεγχος περιστροφής στο χώρο (η ενσωματωμένη μέθοδος ελέγχου της τύχης) επέστρεψε έναν εμπειρικό p-τιμή 0,182, κατευθυνόμενο συνεχώς αλλά κοντά στην συμβατική σημασία. Δευτερεύοντα αποτελέσματα, συμπεριλαμβανομένων των μη προγραμματισμένων υπερωρίων, δεν έφτασαν στη σημασία, και μια ανάλυση ευαισθησίας για το συνολικό χειρουργικό χρόνο δεν ήταν σημαντική, που σημαίνει ότι το κέρδος ήρθε ως περισσότερες περιπτώσεις ανά μονάδα χειρουργικού χρόνου και όχι περισσότερος συνολικός χειρουργικός χρόνος. Οι συγγραφείς ερμηνεύουν την επίδραση ως «συσχετισμένη με, και όχι προκαλούμενη από» την ανάπτυξη.

Οι αποκαλύψεις κόβουν και τις δύο πλευρές. Το νοσοκομείο Houston Methodist κατέχει μια μειοψηφική μετοχική συμμετοχή στην Apella και εντάχθηκε στη σειρά B της εταιρείας τον Ιανουάριο του 2026. Ένας υπάλληλος της Apella πραγματοποίησε τις αρχικές αναλύσεις από συναγμένες μηνιαίες δεδομένα — χωρίς πρόσβαση σε εγγραφές ασθενών — και ένας αναλυτής του Houston Methodist αντέγραψε ανεξάρτητα. Η Apella δεν χρηματοδότησε τη μελέτη και δεν είχε κανένα ρόλο στη σχεδίαση ή την απόφαση για δημοσίευση, σύμφωνα με την δήλωση συμφερόντων της εργασίας. Το σύστημα τώρα λειτουργεί σε περισσότερα από 200 χειρουργικά δωμάτια του συστήματος υγείας.

Τι συμβαίνει μετά

Οι συγγραφείς παρουσιάζουν einen συγκεκριμένο ερευνητικό πρόγραμμα: αξιολόγηση σε ολόκληρο το σύστημα σε επιπλέον νοσοκομεία του Houston Methodist και άλλες χειρουργικές ειδικότητες για να δοκιμάσουν αν τα κέρδη του καρδιοθωρακικού τμήματος γενικεύονται;正式 αξιολόγηση του χρόνου αναστροφής και των πρώτων χειρουργικών επεμβάσεων ως πρωταρχικών τελικών σημείων; και peer-reviewed αναπαραγωγή eines ευρήματος της διάσκεψης του 2024 ότι η υπολογιστική όραση κατέγραψε χειρουργικά συμβάντα πιο συνεχώς από τη χειροκίνητη τεκμηρίωση. Οι αναπτύξεις της Ambient AI σε κλινικά περιβάλλοντα έχουν κυρίως κριθεί με βάση το φορτίο τεκμηρίωσης (εργαλεία ακρόασης Ambient τώρα φτάνουν στις ροές εργασιών των νοσηλευτών) και το ζευγάρι μελετών του Houston Methodist είναι μια πρώιμη προσπάθεια να κρίνει την εκδοχή του χειρουργείου σε σχέση με τον όγκο αντί.

Για einen τομέα όπου οι διευθυντές νοσοκομείων αντιμετωπίζουν συνεχείς πιέσεις για AI με λεπτές αποδείξεις πίσω τους, η πιο ανθεκτική συνεισφορά μπορεί να είναι μεθοδολογική: ένα σύστημα υγείας που δοκιμάζει την πλατφόρμα ενός προμηθευτή με τους δικούς του όρους, έναντι των δικών του σημείων ελέγχου, και δημοσιεύει τις άκρες μαζί με το αποτέλεσμα.