Studi Peer-Review Menghubungkan Ambient AI dengan Lebih Banyak Operasi di Houston Methodist

Peneliti Houston Methodist telah menerbitkan apa yang mereka sebut sebagai bukti peer-review pertama bahwa ambient AI di ruang operasi terkait dengan peningkatan volume kasus operasi yang dapat diukur: kenaikan 7%, atau sekitar 25 kasus tambahan per bulan, di suite kardiotoraks berintensitas tinggi setelah sistem tersebut menginstal platform computer-vision Apella. Studi tersebut, diterbitkan pada 27 Juni 2026 di Jurnal Imaging, mencakup 5.417 kasus operasi yang dipantau selama 16 bulan di rumah sakit utama sistem tersebut.

Studi peer-review kedua, diterbitkan di Perioperative Care and Operating Room Management, memeriksa mekanisme yang berbeda di enam rumah sakit Houston Methodist: alat prediksi yang menandai kasus yang mungkin salah jadwal. Untuk kasus yang ditandai, akurasi penjadwalan meningkat 40% (kesalahan absolut rata-rata turun dari 57,4 menjadi 34,2 menit) dan hari operasi yang berakhir terlambat menurun 46 poin persentase, tanpa penurunan volume kasus, menurut pengumuman Apella pada 5 Agustus 2026 tentang dua publikasi tersebut.

Temuan volume ini penting karena cara pembuatannya. Sebagian besar klaim efisiensi vendor berdasarkan pada perbandingan sebelum dan sesudah yang tidak dapat memisahkan efek teknologi dari perubahan lain di sistem rumah sakit. Tim Houston Methodist menggunakan kontrol sintetis dengan estimasi perbedaan-perbedaan, metode quasi-eksperimen dari ekonomi: mereka membangun kontrafaktual terbobot dari 11 situs Houston Methodist lain yang tidak menginstal platform tersebut, 116.098 kasus perbandingan, dan mengukur suite intervensi melawan itu. Hasilnya adalah peningkatan statistik yang signifikan sekitar 25 kasus per bulan (95% CI 8,3 hingga 41,0), yang dicapai tanpa menambahkan ruangan, staf, atau jam.

“Klaim tentang dampak AI di operasi sering diterima dengan skeptis, dan itu bisa dimengerti,” kata Roberta Schwartz, pejabat inovasi utama Houston Methodist dan penulis senior makalah tersebut. “Itulah mengapa kami mendekati pekerjaan ini dengan ketat seperti penelitian klinis, menggunakan peer-review independen dan metodologi yang dirancang untuk menunjukkan kausalitas, bukan hanya korelasi.”

Apa yang Sebenarnya Diamati oleh Kamera

Sistem yang disebut paper image-based AI dibangun dari kamera dinding, empat per ruangan, yang memberi makan model deteksi objek YOLO berbasis dan detektor peristiwa berbasis transformer. Ini mengidentifikasi pasien, staf yang bersih dan tidak bersih, status penutupan, dan peralatan, lalu mengubah deteksi tersebut menjadi peristiwa perioperatif yang bertanda waktu: masuk pasien, penutupan, pergantian, dan keluar. Dataset pelatihan mencakup 137.517 operasi bedah di 315 ruang operasi.

Granularitas tersebut memungkinkan suite membagi hari operasi menjadi fase-fase yang tidak pernah ditangkap oleh EHR. Platform tersebut menyisipkan peristiwa “Pasien Ditutup” antara “Anestesi Siap” dan “Mulai Kasus”, misalnya, mengubah satu blok tidak transparan menjadi dua yang dapat diukur. Dashboard langsung menunjukkan kemajuan kasus dan durasi yang diprediksi di semua 15 ruangan, dan peringatan teks otomatis menginformasikan ahli bedah ketika pasien ditutup atau kasus berikutnya mendekati.

Penggunaan tersebut berjalan di bawah kerangka peningkatan kualitas yang ditentukan oleh IRB dengan persetujuan pasien yang terlipat ke dalam dokumen persetujuan umum, video yang disimpan maksimal 30 hari dan audio 7, dan akses ke rekaman intraoperatif dibatasi untuk tiga peran yang ditunjuk.

Di Mana Bukti Memiliki Tepi

Bagian keterbatasan makalah tersebut mengidentifikasi beberapa keterbatasan pada temuan volume. Intervensi tersebut bukanlah perangkat lunak saja tetapi sebuah paket: platform plus tinjauan waktu pergantian dengan manajemen ruang operasi, tinjauan alur kerja kebersihan dan anestesi, dan protokol pemberitahuan ahli bedah. Penulis menyatakan secara terbuka bahwa perkiraan “tidak dapat mengatribusikan keuntungan yang diamati secara terpisah ke salah satu komponen.”

Gambaran statistik juga lebih sempit daripada judul utama. Tes permutasi di ruang (metode kontrol bawaan terhadap kebetulan) mengembalikan nilai p empiris sebesar 0,182, konsisten secara arah tetapi kurang dari signifikansi konvensional. Hasil sekunder termasuk lembur yang tidak terencana tidak mencapai signifikansi, dan analisis sensitivitas terhadap menit operatif total tidak signifikan, yang berarti keuntungan datang sebagai kasus lebih per unit waktu ruang operasi daripada waktu operatif total. Penulis menafsirkan efek sebagai “terkait dengan, bukan disebabkan oleh” penerapan.

Pengungkapan memotong kedua arah. Rumah Sakit Houston Methodist memiliki kepentingan ekuitas minoritas di Apella dan bergabung dengan putaran Seri B perusahaan pada Januari 2026. Seorang karyawan Apella melakukan analisis asli dari data bulanan yang diagregasi — tanpa akses ke catatan pasien — dan seorang analis Houston Methodist mereplikasi secara independen. Apella tidak mendanai studi dan tidak memiliki peran dalam desain atau keputusan untuk menerbitkan, menurut pernyataan konflik kepentingan makalah tersebut. Sistem tersebut sekarang berjalan di lebih dari 200 ruang operasi sistem kesehatan.

Apa yang Terjadi Selanjutnya

Penulis menyusun agenda penelitian spesifik: evaluasi sistem-luas di seluruh rumah sakit Houston Methodist tambahan dan spesialisasi bedah lain untuk menguji apakah keuntungan kardiotoraks umum; evaluasi formal waktu pergantian dan awal kasus pertama sebagai titik akhir utama; dan replikasi peer-review temuan konferensi 2024 bahwa visi komputer melacak peristiwa ruang operasi lebih konsisten daripada dokumentasi manual. Penerapan ambient AI di pengaturan klinis sebagian besar telah dihakimi berdasarkan beban dokumentasi (alat mendengarkan ambient sekarang mencapai alur kerja keperawatan) dan pasangan studi Houston Methodist adalah upaya awal untuk menghakimi varian ruang operasi berdasarkan throughput.

Untuk sektor di mana eksekutif rumah sakit menerima presentasi AI yang konstan dengan bukti tipis di belakangnya, kontribusi yang lebih tahan lama mungkin bersifat metodologis: sistem kesehatan yang menguji platform vendor pada syaratnya sendiri, melawan situs kontrolnya sendiri, dan menerbitkan tepi-tepi bersama dengan hasilnya.