Peer-granskade studier kopplar Ambient AI till fler operationer på Houston Methodist

Houston Methodist-forskare har publicerat vad de beskriver som den första peer-granskade bevisen för att ambient AI i operationsrummet är associerad med en mätbar ökning av kirurgiska fall: en ökning med 7%, eller cirka 25 ytterligare fall per månad, i en högakut cardiothoraxkirurgi efter att systemet distribuerade Apellas datorseendeplattform. Studien, publicerad den 27 juni 2026 i Journal of Imaging, omfattar 5 417 kirurgiska fall som övervakats under 16 månader på systemets flaggskeppssjukhus.

En andra peer-granskad studie, publicerad i Perioperative Care and Operating Room Management, undersökte en annan mekanism över sex Houston Methodist-sjukhus: ett prediktivt verktyg som flaggar fall som sannolikt är felaktigt schemalagda. För flaggade fall förbättrades schemaläggningsnoggrannheten med 40% (absolut fel minskade från 57,4 till 34,2 minuter) och sena OR-dagar minskade med 46 procentenheter, utan någon minskning av fallvolymen, enligt Apellas meddelande den 5 augusti 2026 om de två publikationerna.

Volymfyndet är viktigt på grund av hur det producerades. De flesta leverantörers effektivitetsanspråk vilar på före- och efter-jämförelser som inte kan separera teknikens effekt från allt annat som förändras i ett sjukhus. Houston Methodist-teamet använde istället syntetisk kontroll med skillnads-i-skillnader-estimering, en quasi-experimentell metod från nationalekonomin: de byggde en viktad kontrafaktisk från 11 andra Houston Methodist-sajter som inte hade distribuerat plattformen, 116 098 jämförelsefall, och mätte interventionsrummet mot det. Resultatet var en statistiskt signifikant ökning med cirka 25 fall per månad (95% CI 8,3 till 41,0), uppnådd utan att lägga till rum, personal eller timmar.

“Påståenden om AI:s påverkan i kirurgi möts ofta med skepticism, och det är förståeligt”, sa Roberta Schwartz, Houston Methodists innovationschef och den seniora författaren till artikeln. “Därför angrep vi det här arbetet med samma rigor som vilken klinisk forskningsstudie som helst, med oberoende peer-granskning och en metodik som är utformad för att demonstrera orsakssamband, inte bara korrelation”.

Vad kamerorna faktiskt mätte

Systemet som artikeln kallar bildbaserad AI är byggt av väggmonterade kameror, fyra per rum, som matar en YOLO-baserad objektidentifieringsmodell kopplad till en transformer-baserad händelse-detektor. Den identifierar patienter, skrubbade och oskrubbade personal, draperingsstatus och utrustning, och omvandlar dessa identifieringar till tidsstämplade perioperativa händelser: patientinträde, drapering, omsättning, hjul ut. Träningsdatamängden omfattade 137 517 kirurgiska ingrepp i 315 operationsrum.

Den granulariteten tillät sviten att fragmentera den kirurgiska dagen i faser som EHR aldrig fångade. Plattformen infogade en “Patient Draped”-händelse mellan “Anestesi redo” och “Fallstart”, vilket förvandlade en ogenomskinlig block till två mätbara. Live-dashboard visade fallförlopp och förutsagda varaktigheter över alla 15 rum, och automatiserade textmeddelanden informerade kirurger när en patient var draperad eller deras nästa fall var på väg.

Distributionen kördes under ett ramverk för kvalitetsförbättring som bestämts av IRB med patientens samtycke införlivat i allmänna samtyckesdokument, video behölls i högst 30 dagar och ljud i 7, och åtkomst till intraoperativa inspelningar begränsades till tre utvalda roller.

Där bevisen har kanter

Artikelns egen begränsningssektion identifierar flera begränsningar för volymfyndet. Interventionen var inte bara programvaran utan en paketlösning: plattformen plus omsättnings-tidsgranskningar med OR-hantering, städrums- och anestesi-arbetsflödesgranskningar och kirurgvarningsprotokoll. Författarna anger tydligt att uppskattningen “inte kan separera de observerade vinster till en eller annan komponent”.

Den statistiska bilden är också smalare än rubriken. Inom-rums-permutationstestet (metodens inbyggda kontroll mot slump) returnerade ett empiriskt p-värde på 0,182, riktningskonsekvent men kort på konventionell signifikans. Sekundära resultat, inklusive oplanerad övertid, nådde inte signifikans, och en känslighetsanalys av totala operativa minuter var inte signifikant heller, vilket innebär att vinsten kom som fler fall per enhet av OR-tid snarare än mer total operativ tid. Författarna tolkar effekten som “associerad med, snarare än orsakad av” distributionen.

Avslöjanden skär båda vägarna. Houston Methodist-sjukhuset har ett minoritetsaktieinnehav i Apella och gick med i bolagets serie B-runda i januari 2026. En Apella-anställd utförde de ursprungliga analyserna från aggregerad månadsdata – utan åtkomst till patientnivåposter – och en Houston Methodist-analytiker replikerade dem oberoende. Apella finansierade inte studien och hade ingen roll i dess design eller beslutet att publicera, enligt artikelns intressekonfliktuttalande. Systemet körs nu i över 200 av sjukhusets operationsrum.

Vad händer härnäst

Författarna presenterar en specifik forskningsagenda: systemomfattande utvärdering över flera Houston Methodist-sjukhus och andra kirurgiska specialiteter för att testa om de cardiothorakala vinsterna generaliseras; formell utvärdering av omsättnings-tid och första-fall-på-tid-start som primära slutpunkter; och peer-granskad replikering av en 2024-konferensfynd som datorseende spårade OR-händelser mer konsekvent än manuell dokumentation. Ambient AI-distributioner i kliniska miljöer har mestadels bedömts utifrån dokumentationsbördan (ambient-lyssningsverktyg når nu nurses-arbetsflöden) och Houston Methodist-par av studier är ett tidigt försök att bedöma operations-rums-varianten på genomströmning istället.

För en sektor där sjukhuschefer möter konstanta AI-pitchar med tunn evidens bakom dem, kan den mer bestående bidraget vara metodologisk: ett hälso-system som testar en leverantörs plattform på sina egna villkor, mot sina egna kontrollplatser, och publicerar kanterna bredvid resultatet.