Badania recenzowane przez peerów łączą Ambient AI z większą liczbą operacji w Houston Methodist

Badacze z Houston Methodist opublikowali to, co określają jako pierwsze recenzowane dowody, że Ambient AI w sali operacyjnej jest związany z wymiernym wzrostem liczby przypadków chirurgicznych: 7% wzrost, czyli około 25 dodatkowych przypadków miesięcznie, w wysokowydajnej sali kardiochirurgicznej po wdrożeniu platformy komputerowego widzenia Apella. Badanie, opublikowane 27 czerwca 2026 r. w Czasopiśmie Imaging, obejmuje 5417 przypadków chirurgicznych monitorowanych przez 16 miesięcy w szpitalu flagowym systemu.

Drugie recenzowane badanie, opublikowane w Perioperative Care and Operating Room Management, zbadało inny mechanizm w sześciu szpitalach Houston Methodist: narzędzie predykcyjne, które flaguje przypadki, które mogą być błędnie zaplanowane. Dla przypadków oznaczonych jako błędnie zaplanowane, dokładność planowania poprawiła się o 40% (średni błąd bezwzględny spadł z 57,4 do 34,2 minut), a późne zakończenie dni operacyjnych spadło o 46 punktów procentowych, bez zmniejszenia liczby przypadków, zgodnie z ogłoszeniem Apella z dnia 5 sierpnia 2026 r. o dwóch publikacjach.

Wynik dotyczący objętości ma znaczenie, ponieważ wynika z tego, jak został wytworzony. Większość roszczeń dostawców dotyczących wydajności opiera się na porównaniach przed i po, które nie mogą oddzielić wpływu technologii od wszystkiego innego, co zmienia się w systemie szpitala. Zespół Houston Methodist zamiast tego użył syntetycznego kontrolera z estymacją różnicy w różnicach, quasi-eksperymentalnej metody z ekonomii: zbudowali ważony kontrfakt z 11 innych miejsc Houston Methodist, które nie wdrożyły platformy, 116 098 przypadków porównawczych, i zmierzyli wpływ sali interwencyjnej wobec niej. Wynikiem było statystycznie istotne zwiększenie o około 25 przypadków miesięcznie (95% CI 8,3 do 41,0), osiągnięte bez dodawania sal, personelu lub godzin.

“Roszczenia dotyczące wpływu AI na chirurgię są często spotykane z sceptycyzmem, i słusznie”, powiedziała Roberta Schwartz, dyrektor innowacji w Houston Methodist i starszy autor pracy. “Dlatego podejeliśmy się do tej pracy z takim samym rygorem, jak każde badanie kliniczne, używając niezależnej recenzji i metodyki zaprojektowanej w celu wykazania przyczynowości, a nie tylko korelacji”.

Co kamery rzeczywiście zmierzyły

System, który w artykule nazywany jest opartym na obrazie AI, zbudowany jest z kamer montowanych na ścianie, po cztery na salę, zasilających model wykrywania obiektów oparty na YOLO, połączony z detektorem zdarzeń opartym na transformatorze. Identyfikuje pacjentów, personelem w stroju i poza nim, status okrycia, oraz sprzęt, a następnie konwertuje te wykrycia na zdarzenia perioperacyjne oznaczone czasem: wejście pacjenta, okrycie, zmianę, wyjazd. Zestaw danych szkoleniowych obejmował 137 517 operacji w 315 salach operacyjnych.

To pozwoliło sali na podzielenie dnia chirurgicznego na fazy, których nie uchwycił EHR. Platforma wstawiła zdarzenie “Pacjent okryty” między “Gotowość do znieczulenia” a “Rozpoczęcie przypadku”, zmieniając jeden nieprzezroczysty blok w dwa mierniki. Pulpity na żywo pokazywały postęp przypadku i przewidywane czas trwania we wszystkich 15 salach, a automatyczne powiadomienia tekstowe informowały chirurgów, kiedy pacjent został okryty lub kiedy zbliża się ich następny przypadek.

Wdrożenie odbywało się w ramach określonej przez IRB ramy poprawy jakości zgodności pacjentów włączonych do dokumentów zgody ogólnej, nagrania wideo przechowywane maksymalnie przez 30 dni, a dostęp do nagrań intraoperacyjnych ograniczony do trzech wyznaczonych ról.

Gdzie dowody mają krawędzie

Własny dział ograniczeń artykułu identyfikuje kilka ograniczeń wyniku dotyczącego objętości. Interwencja nie była samym oprogramowaniem, ale pakietem: platformą plus przeglądami czasu zmiany z zarządem sali operacyjnej, przeglądami workflow z personelem pomocniczym i anestezjologami, oraz protokołami powiadamiania chirurgów. Autorzy stwierdzają wyraźnie, że szacunek “nie może oddzielić obserwowanych zysków od jednego lub drugiego składnika”.

Obraz statystyczny jest również węższy niż nagłówek. Test permutacji w przestrzeni (wewnętrzna kontrola metody przeciwko przypadkowi) zwrócił empiryczne p-wartość 0,182, kierunkowo spójne, ale krótkie od konwencjonalnego znaczenia. Wtórne wyniki, w tym nieplanowane przeciążenie, nie osiągnęły znaczenia, a analiza wrażliwości na łączne minuty operacyjne nie była istotna, co oznacza, że zysk wynikał z większej liczby przypadków na jednostkę czasu sali operacyjnej, a nie z większego łącznego czasu operacyjnego. Autorzy interpretują ten efekt jako “związany z, a nie spowodowany” wdrożeniem.

Oświadczenia o ujawnieniu mają podwójne znaczenie. Houston Methodist Hospital posiada mniejszościowy udział własności w Apella i dołączył do rundy B spółki w styczniu 2026 r. Pracownik Apella przeprowadził pierwotne analizy z agregowanych danych miesięcznych — bez dostępu do rekordów pacjentów — a analityk Houston Methodist niezależnie je powtórzył. Apella nie sponsorował badania i nie miał udziału w jego projekcie ani w decyzji o opublikowaniu, zgodnie z oświadczeniem o konflikcie interesów w artykule. System teraz działa w ponad 200 sal operacyjnych systemu zdrowia.

Co się dzieje dalej

Autorzy przedstawiają konkretny program badawczy: ocenę systemową w dodatkowych szpitalach Houston Methodist i innych specjalnościach chirurgicznych w celu przetestowania, czy zyski z kardiochirurgii uogólniają się; formalną ocenę czasu zmiany i pierwszych rozpoczęć przypadków jako głównych punktów końcowych; oraz recenzowaną replikację wyniku z 2024 r., że komputerowe widzenie śledziło zdarzenia w sali operacyjnej bardziej konsekwentnie niż dokumentacja ręczna. Wdrożenia Ambient AI w środowiskach klinicznych były w większości oceniane pod kątem obciążenia dokumentacji (narzędzia nasłuchu ambient są teraz dostępne w workflow pielęgniarskim) a para badań Houston Methodist jest wczesną próbą oceny wariantu sali operacyjnej na podstawie przepustowości zamiast.

Dla sektora, w którym dyrektorzy szpitali są bombardowani stałymi prezentacjami AI z cienkimi dowodami za nimi, bardziej trwałym wkładem może być wkład metodyczny: system zdrowia testujący platformę dostawcy na własnych warunkach, wobec własnych miejsc kontrolnych, i publikujący krawędzie obok wyniku.