Fagfellevurderte studier knytter omgivende AI til flere operasjoner ved Houston Methodist

Houston Methodist-forskerne har publisert hva de beskriver som den første peer-reviewed bevis på at ambient AI i operasjonsrommet er assosiert med en målbart økning i kirurgiske saker: en 7% økning, eller omtrent 25 ekstra saker per måned, i et høyakuitets cardiothorakalt rom etter at systemet deployerte Apellas computer-vision-plattform. Studien, publisert 27. juni 2026 i Journal of Imaging, dekker 5 417 kirurgiske saker overvåket over 16 måneder på systemets flaggskipssykehus.

En annen peer-reviewed studie, publisert i Perioperative Care and Operating Room Management, undersøkte en annen mekanisme på seks Houston Methodist-sykehus: et prediktivt verktøy som markerer saker som sannsynligvis er feilplanlagt. For markerte saker ble planleggingsnøyaktigheten forbedret med 40% (absolut feil sank fra 57,4 til 34,2 minutter) og sene OR-dager ble redusert med 46 prosentpoeng, uten noen reduksjon i saksvolum, ifølge Apellas bekreftelse 5. august 2026 om de to publikasjonene.

Volumfunnene er viktige fordi de ble produsert på en måte som skiller seg fra de fleste leverandørers effektivitetskrav. De fleste krav om effektivitet fra leverandører baserer seg på før-og-etter-sammenligninger som ikke kan skille teknologiens effekt fra alle andre endringer i et sykehus. Houston Methodist-teamet brukte i stedet syntetisk kontroll med differens-i-differenser-estimering, en kvasi-eksperimentell metode fra økonomi: de bygde en vektet kontrafaktisk fra 11 andre Houston Methodist-steder som ikke hadde deployert plattformen, 116 098 sammenligningsaker i alt, og målte intervensjonsrommet mot det. Resultatet var en statistisk signifikant økning på omtrent 25 saker per måned (95% CI 8,3 til 41,0), oppnådd uten å legge til rom, ansatte eller timer.

“Påstander om AI-impakt i kirurgi møtes ofte med skepsis, og det er forståelig,” sa Roberta Schwartz, Houston Methodists chief innovation officer og seniorforfatter av artikkelen. “Det er derfor vi nærmet oss dette arbeidet med samme rigor som ethvert klinisk forskningsstudie, ved å bruke uavhengig peer review og en metode designet for å demonstrere årsakssammenheng, ikke bare korrelasjon.”

Hva kameraene faktisk målte

Systemet som artikkelen kalles bildebasert AI, er bygget fra veggmonterte kameraer, fire per rom, som matet en YOLO-basert objektgjenkjenningmodell koblet med en transformer-basert hendelsesdetektor. Den identifiserer pasienter, skrubbete og uskrubbete ansatte, drapéringsstatus og utstyr, og konverterer disse gjenkjenningene til tidsstemplede perioperative hendelser: pasientinngang, drapéring, omgang, hjul ut. Treningssammenstillingen dekket 137 517 operasjoner over 315 operasjonsrom.

Denne granulariteten lot rommet fragmentere den kirurgiske dagen i faser som EHR aldri fanget. Plattformen innførte en “Pasient dekket” hendelse mellom “Anestesi klar” og “Sak start”, for eksempel, og omdannet en uigjennomsiktig blokk til to målbare. Live dashboards viste saksfremgang og forutsagte varighet over alle 15 rom, og automatiske tekstvarsler fortalte kirurger når en pasient var dekket eller deres neste sak var nær.

Deployeringen kjørte under en IRB-bestemt kvalitetsforbedringsramme med pasienttillatelse foldet inn i generelle tillatelsesdokumenter, video beholdt maksimalt 30 dager og lyd 7, og tilgang til intraoperative opptak begrenset til tre designerte roller.

Hvor bevisene har kanter

Artikkelen sin egen begrensningsside identifiserer flere begrensninger på volumfunnet. Intervensjonen var ikke bare programvaren alene, men en pakke: plattformen pluss omgangstids-gjennomganger med OR-ledelse, husstell og anestesi-arbeidsflyt-gjennomganger og kirurg-varsel-protokoller. Forfatterne uttaler åpenhjertig at estimatet “ikke kan tilskrive de observerte gevinstene til ett eller annet komponent separat”.

Den statistiske bildet er også smalere enn overskriften. Den på-sted-permutasjonstesten (metodens innebygde sjekke mot tilfeldighet) returnerte en empirisk p-verdi på 0,182, retningssammenhengelig men kort av konvensjonell signifikans. Sekundære resultater inkludert uplanlagt overtid nådde ikke signifikans, og en sensitivitetsanalyse på totalt operativt minutt var ikke signifikant heller, noe som betyr at gevinsten kom som flere saker per enhet OR-tid fremfor mer totalt operativt tid. Forfatterne tolker effekten som “assosiert med, snarere enn årsaket av” deployeringen.

Avgjørelser skjærer begge veier. Houston Methodist Hospital eier en minoritets eierandel i Apella og gikk med i selskapets serie B-runde i januar 2026. En Apella-ansatt utførte de opprinnelige analyser fra aggregerte månedlige data — uten tilgang til pasientnivå-poster — og en Houston Methodist-analytiker repliserte dem uavhengig. Apella finansiert ikke studien og hadde ingen rolle i design eller beslutningen om å publisere, ifølge artikkelen konflikt-av-interesse-erklæringen. Systemet kjører nå i over 200 av sykehusets operasjonsrom.

Hva skjer neste

Forfatterne legger frem en spesifikk forskningsagenda: systemomfattende evaluering på tvers av flere Houston Methodist-sykehus og andre kirurgiske spesialiteter for å teste om cardiothorakale gevinstene generaliserer; formell evaluering av omgangstid og første sak på tid som primære endepunkter; og peer-reviewed replikasjon av en 2024 konferansefunn som viste at computer-vision sporet OR-hendelser mer konsistent enn manuell dokumentasjon. Ambient AI-deployeringer i kliniske settinger har hovedsakelig blitt dømt ut fra dokumentasjonsbyrde (ambient lytting-verktøy nå når sykepleie-arbeidsflyt) og Houston Methodist-par av studier er et tidlig forsøk på å dømme operasjonsrom-varianten på gjennomstrømming i stedet.

For en sektor hvor sykehusledere møter konstant AI-pitch med tynn bevisstøtte bak dem, kan den mer varige bidraget være metodologisk: et helse-system som tester en leverandørs plattform på sine egne betingelser, mot sine egne kontrollsteder, og publiserer kantene sammen med resultatet.