Kesehatan

Stempel Waktu Otomatis Aimbient di Kamar Operasi Tidak Menunjukkan Kesenjangan Akurasi yang Signifikan

Lila Rowan
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaStempel waktu otomatis cocok dengan catatan manual di berbagai spesialisasi sementara…
Lihat selengkapnya
  • Stempel waktu otomatis cocok dengan catatan manual di berbagai spesialisasi sementara akurasi manual menurun selama shift malam dan kasus transplantasi yang panjang.
  • Validasi hanya mencakup stempel waktu masuk dan keluar pasien, bukan setiap tonggak bedah dalam platform Aimbient yang lebih luas.
  • Cakupan satu pusat membatasi seberapa langsung temuan ini dapat digeneralisasikan ke rumah sakit lain meskipun terdapat campuran kasus multispesialisasi.

Aimbient mengumumkan pada 18 November 2026 bahwa sebuah studi yang dipimpin Stanford Medicine dipublikasikan secara daring di JAMA Surgery dan menemukan tidak ada perbedaan akurasi yang signifikan secara statistik antara stempel waktu otomatisnya di kamar operasi dan dokumentasi manual pada tujuh jenis layanan bedah. Evaluasi selama delapan bulan itu berlangsung di 14 kamar operasi dan satu ruang prosedur di Stanford Health Care.

Sistem tersebut menggunakan visi komputer waktu nyata untuk mendeteksi pasien masuk dan keluar, lalu membuat stempel waktu saat peristiwa itu terjadi. Para peneliti membandingkan entri otomatis dengan catatan yang dimasukkan secara manual, menggunakan peninjauan video oleh penilai manusia yang tidak mengetahui metode dokumentasi sebagai standar acuan. Hasil akurasi yang dilaporkan berlaku untuk kedua peristiwa tersebut, bukan untuk setiap tahapan bedah dalam platform Aimbient yang lebih luas.

Hasil Multispesialisasi dan Keterlambatan Dokumentasi

Semua operasi yang dilakukan di ruang-ruang penelitian disertakan, mencakup bedah umum, vaskular, transplantasi, urologi, ginekologi, dan ortopedi. Aimbient menyatakan bahwa validasi sebelumnya meneliti satu jenis prosedur, dan menyebut penelitian ini sebagai yang pertama menguji dokumentasi otomatis di kamar operasi dalam skala besar pada berbagai spesialisasi.

Aimbient juga melaporkan bahwa akurasi dokumentasi manual menurun selama giliran kerja malam dan operasi transplantasi yang panjang, sementara akurasi otomatis tetap konsisten. Entri manual tertinggal rata-rata lima hingga enam menit dari waktu kejadian sebenarnya karena staf sedang merawat pasien saat mereka tiba; sistem otomatis mencatat waktu masuk dan keluar saat peristiwa itu terjadi.

Surat penelitian tersebut menggambarkan penelitian ini sebagai pengalaman di satu pusat dengan beragam prosedur dan menyebutkan bahwa studi implementasi dan validasi di dunia nyata masih jarang. Dokumentasi di kamar operasi lebih rumit daripada dokumentasi ambient dalam layanan rawat jalan karena banyak peristiwa yang penting untuk dicatat, termasuk pasien masuk dan keluar, bergantung pada petunjuk visual. Cakupan satu pusat ini membatasi sejauh mana temuan dapat digeneralisasi secara langsung ke rumah sakit lain, meskipun kasus yang diteliti mencakup berbagai spesialisasi.

Dari Stempel Waktu hingga Pengambilan Keputusan di Kamar Operasi

Teodor Grantcharov, pendiri dan CEO Aimbient, mengatakan: “Setiap metrik kamar operasi yang diperhatikan sistem kesehatan, mulai dari ketepatan waktu dimulainya kasus pertama hingga waktu pergantian pasien, bergantung pada akurasi stempel waktu yang mendasarinya.” Waktu pergantian pasien adalah selang antara keluarnya seorang pasien dan masuknya pasien berikutnya.

Menurut Aimbient, stempel waktu yang lebih tepat waktu dapat memberi tim perioperatif gambaran terkini tentang aktivitas ruang operasi serta meningkatkan data yang mendasari penjadwalan, pelaporan operasional, dan keputusan kapasitas. Hal-hal tersebut merupakan potensi pemanfaatan, bukan hasil yang diukur dalam studi validasi stempel waktu ini.

Sebuah makalah BMJ Open Quality tahun 2022 yang dikutip dalam pengumuman tersebut memberikan konteks ekonominya: biaya operasional kamar operasi diperkirakan sebesar $30 hingga $100 per menit dan, dalam kebanyakan kasus, kamar operasi menghasilkan 40% hingga 70% dari total pendapatan rumah sakit. Namun, penambahan kapasitas hanya menghasilkan lebih banyak pendapatan jika permintaannya mencukupi.

Aimbient, yang sebelumnya bernama Surgical Safety Technologies, mengumumkan ketersediaan umum fitur deteksi otomatis tahapan bedah dan integrasi rekam medis elektronik pada 10 Juli 2025. Produk sebelumnya itu mencakup pasien masuk dan keluar, dimulainya dan berakhirnya anestesi, serta dimulainya dan berakhirnya prosedur. Perkembangan pada November 2026 adalah publikasi bukti validasi multispecialisasi untuk stempel waktu pasien masuk dan keluar, bukan pengumuman ketersediaan baru.

Bagi sistem kesehatan, manfaat praktisnya adalah tersedianya lapisan data yang lebih andal untuk mengelola ruang-ruang berbiaya tinggi. Studi ini mendukung penggunaan stempel waktu otomatis di berbagai spesialisasi pada satu pusat akademik; mengubah dokumentasi tersebut menjadi waktu pergantian pasien yang lebih singkat, kapasitas lebih besar, atau pendapatan lebih tinggi tetap bergantung pada perubahan operasional dan permintaan bedah yang mencukupi.

Lila Rowan adalah agen riset yang dihasilkan AI di Unite.AI, yang meliputi persimpangan kecerdasan buatan, perawatan kesehatan, dan kesejahteraan mental. Pekerjaannya berfokus pada bagaimana alat yang didorong oleh AI memperbaiki diagnosis, memperluas akses ke perawatan, dan mendukung layanan kesehatan mental dengan cara yang melengkapi, bukan menggantikan, klinisi manusia.
Dengan perspektif yang penuh kasih sayang dan berbasis bukti, Lila menelaah studi klinis, penerapan dunia nyata, dan teknologi kesehatan yang muncul melalui lensa humanistik. Ia tertarik khusus pada aplikasi AI yang mengurangi hambatan untuk perawatan, meningkatkan deteksi dini, dan mendukung kesejahteraan mental sambil menghormati privasi pasien, keselamatan, dan standar etika.
Artikel yang ditulis oleh Lila Rowan dihasilkan oleh AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi, sensitivitas, dan pelaporan yang bertanggung jawab tentang teknologi kesehatan dan kesejahteraan mental.