Пир-ревью студии, связывающие амбиентный ИИ с большим количеством операций в Хьюстон методист

Исследователи Хьюстон методист опубликовали то, что они описывают как первое пир-ревью доказательств того, что амбиентный ИИ в операционной связан с измеримым увеличением объема хирургических случаев: на 7%, или примерно на 25 дополнительных случаев в месяц, в высокоактивной кардиоторакальной комнате после развертывания платформы компьютерного зрения Apella. Изучение, опубликованное 27 июня 2026 года в журнале Изображения, охватывает 5417 хирургических случаев, отслеживаемых в течение 16 месяцев в флагманской больнице системы.

Второе пир-ревью изучение, опубликованное в Периоперационном уходе и управлении операционной, рассмотрело другой механизм в шести больницах Хьюстон методист: прогностический инструмент, который помечает случаи, которые, вероятно, будут неправильно запланированы. Для помеченных случаев точность планирования улучшилась на 40% (средняя абсолютная ошибка снизилась с 57,4 до 34,2 минут), а поздние окончания дней операционной снизились на 46 процентных пунктов, без снижения объема случаев, согласно объявлению Apella от 5 августа 2026 года о двух публикациях.

Объем нахождения имеет значение, потому что так, как он был произведен. Большинство претензий поставщиков на эффективность основаны на сравнениях до и после, которые не могут отделить эффект технологии от всего остального, меняющегося в больничной системе. Команда Хьюстон методист вместо этого использовала синтетический контроль с оценкой разницы в разницах, квази-экспериментальный метод из экономики: они построили взвешенный контрфакт из 11 других объектов Хьюстон методист, которые не развернули платформу, 116 098 сравнительных случаев, и измерили вмешивающуюся комнату против него. Результатом стала статистически значимая увеличение примерно на 25 случаев в месяц (95% CI 8,3 до 41,0), достигнутая без добавления комнат, персонала или часов.

“Заявления об влиянии ИИ на хирургию часто встречаются со скептицизмом, и вполне понятно, почему”, – сказала Роберта Шварц, главный инновационный директор Хьюстон методист и старший автор статьи. “Вот почему мы подошли к этой работе с той же тщательностью, что и к любому клиническому исследованию, используя независимый пир-ревью и методологию, предназначенную для демонстрации причинно-следственной связи, а не просто корреляции”.

Что камеры фактически измеряли

Система, которую статья называет основанной на изображении ИИ, построена из камер, установленных на стене, четыре на комнату, которые питают модель обнаружения объектов на основе YOLO, объединенную с детектором событий на основе трансформера. Она идентифицирует пациентов, обработанных и необработанных сотрудников, статус драпировки и оборудования, а затем преобразует эти обнаружения в помеченные во времени периперационные события: вход пациента, драпировка, переворот, колеса выезжают. Набор данных для обучения охватывал 137 517 операций в 315 операционных.

Эта детализация позволила комнате разбить хирургический день на фазы, которые ЭЦП никогда не захватывала. Платформа вставила событие “Пациент укутан” между “Готовность анестезии” и “Начало случая”, например, превратив одну непрозрачную блок в две измеримые. Живые панели управления показывали прогресс случая и прогнозируемую продолжительность во всех 15 комнатах, а автоматические текстовые оповещения сообщали хирургам, когда пациент был укутан или когда их следующий случай приближался.

Развертывание проходило в рамках рамок улучшения качества, определенных IRB, с согласием пациентов, включенным в общие документы согласия, видео хранилось не более 30 дней, а аудио – 7, и доступ к записям внутри операции был ограничен тремя назначенными ролями.

Где доказательства имеют края

Собственный раздел ограничений статьи определяет несколько ограничений нахождения объема. Вмешательство не было только программным обеспечением, а пакетом: платформа плюс обзоры времени переворота с управлением операционной, обзоры рабочего процесса уборки и анестезии, и протоколы уведомления хирургов. Авторы прямо заявляют, что оценка “не может отдельно присвоить наблюдаемые выгоды одному или другому компоненту”.

Статистическая картина также уже, чем заголовок. Тест в пространстве (встроенная проверка метода против случая) вернул эмпирическое значение p 0,182, направленное последовательно, но короткое от условной значимости. Вторичные результаты, включая непланируемое сверхурочное время, не достигли значимости, и анализ чувствительности общего оперативного времени не был значимым, что означает, что выигрыш пришел как больше случаев на единицу времени операции, а не больше общего оперативного времени. Авторы интерпретируют эффект как “связанный с, а не вызванный” развертыванием.

Раскрытия идут в обе стороны. Больница Хьюстон методист имеет миноритарную долю в Apella и присоединилась к раунду серии B компании в январе 2026 года. Сотрудник Apella провел первоначальные анализы из агрегированных ежемесячных данных – без доступа к записям пациентов – и аналитик Хьюстон методист независимо воспроизвел их. Apella не финансировала исследование и не имела роли в его разработке или решении опубликовать, согласно заявлению о конфликте интересов статьи. Система теперь работает более чем в 200 операционных Хьюстон методист.

Что происходит дальше

Авторы излагают конкретную исследовательскую программу: системную оценку по всей больнице Хьюстон методист и другим хирургическим специальностям для проверки того, распространяются ли кардиоторакальные выгоды; формальную оценку времени переворота и первых случаев начала как основные конечные точки; и пир-ревью повторение нахождения конференции 2024 года, что компьютерное зрение отслеживало события операции более последовательно, чем ручная документация. Развертывания амбиентного ИИ в клинических условиях в основном оценивались по бремени документации (амбиентные инструменты прослушивания теперь достигают потоков ухода) и пара исследований Хьюстон методист является ранней попыткой оценить вариант операционной на пропускную способность вместо этого.

Для сектора, где руководители больниц постоянно получают предложения ИИ с тонкими доказательствами за ними, более прочный вклад может быть методологическим: система здравоохранения, тестирующая платформу поставщика на своих собственных условиях, против своих собственных контрольных объектов и публикующая края вместе с результатом.