การแพทย์

เวลาในห้องผ่าตัดที่บันทึกอัตโนมัติของ Aimbient มีความแม่นยำไม่แตกต่างอย่างมีนัยสำคัญ

Lila Rowan
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญการประทับเวลาอัตโนมัติตรงกับบันทึกด้วยมือในทุกสาขาเฉพาะทาง…
ดูเพิ่มเติม
  • การประทับเวลาอัตโนมัติตรงกับบันทึกด้วยมือในทุกสาขาเฉพาะทาง ขณะที่ความแม่นยำของการบันทึกด้วยมือลดลงในช่วงกะกลางคืนและกรณีการปลูกถ่ายที่ใช้เวลานาน
  • การตรวจสอบความถูกต้องครอบคลุมเพียงการประทับเวลาเข้าและออกของผู้ป่วยเท่านั้น ไม่ใช่ทุกขั้นตอนสำคัญของการผ่าตัดในแพลตฟอร์มที่กว้างขึ้นของ Aimbient
  • ขอบเขตศูนย์เดียวจำกัดระดับความสามารถในการนำผลการวิจัยไปใช้โดยตรงกับโรงพยาบาลอื่น แม้จะมีความหลากหลายของกรณีในหลายสาขาเฉพาะทาง

Aimbient ประกาศเมื่อวันที่ 18 พฤศจิกายน 2026 ว่า ผลการศึกษาที่นำโดย Stanford Medicine ซึ่งเผยแพร่ทางออนไลน์ใน JAMA Surgery พบว่า ความแม่นยำของเวลาที่ระบบบันทึกอัตโนมัติในห้องผ่าตัดไม่แตกต่างจากการบันทึกด้วยมืออย่างมีนัยสำคัญทางสถิติ ในการผ่าตัด 7 สาขาบริการ การประเมินซึ่งใช้เวลา 8 เดือนดำเนินการในห้องผ่าตัด 14 ห้องและห้องทำหัตถการ 1 ห้องที่ Stanford Health Care

ระบบใช้เทคโนโลยีคอมพิวเตอร์วิทัศน์แบบเรียลไทม์ตรวจจับการเข้าและออกของผู้ป่วย แล้วบันทึกเวลาเมื่อเหตุการณ์เหล่านั้นเกิดขึ้น นักวิจัยเปรียบเทียบรายการที่ระบบบันทึกอัตโนมัติกับเวชระเบียนที่บันทึกด้วยมือ โดยใช้การตรวจสอบวิดีโอโดยมนุษย์ที่ไม่ทราบข้อมูลประกอบเป็นมาตรฐานอ้างอิง ผลด้านความแม่นยำที่รายงานนี้ครอบคลุมเหตุการณ์ 2 อย่างดังกล่าวเท่านั้น ไม่ใช่ทุกขั้นตอนสำคัญของการผ่าตัดในแพลตฟอร์มที่ครอบคลุมกว่าของ Aimbient

ผลการศึกษาหลายสาขาและความล่าช้าในการบันทึกข้อมูล

การศึกษานี้รวมการผ่าตัดทุกกรณีที่ดำเนินการในห้องที่ใช้ศึกษา ครอบคลุมการผ่าตัดทั่วไป ศัลยกรรมหลอดเลือด การปลูกถ่ายอวัยวะ ระบบทางเดินปัสสาวะ นรีเวช และกระดูกและข้อ Aimbient ระบุว่า การตรวจสอบความถูกต้องก่อนหน้านี้ศึกษาเพียงหัตถการประเภทเดียว และกล่าวว่านี่เป็นการศึกษาครั้งแรกที่ทดสอบการบันทึกข้อมูลในห้องผ่าตัดโดยอัตโนมัติในวงกว้าง ครอบคลุมหลายสาขา

Aimbient ยังรายงานด้วยว่า ความแม่นยำของการบันทึกด้วยมือลดลงระหว่างเวรกลางคืนและการผ่าตัดปลูกถ่ายอวัยวะที่ใช้เวลานาน ขณะที่ความแม่นยำของระบบอัตโนมัติยังคงสม่ำเสมอ รายการที่บันทึกด้วยมือช้ากว่าเหตุการณ์จริงโดยเฉลี่ย 5 ถึง 6 นาที เนื่องจากเจ้าหน้าที่กำลังดูแลผู้ป่วยขณะผู้ป่วยมาถึง ส่วนระบบอัตโนมัติบันทึกการเข้าและออกทันทีที่เกิดขึ้น

จดหมายวิจัยระบุว่างานนี้เป็นประสบการณ์จากศูนย์แห่งเดียว ครอบคลุมหัตถการหลากหลายประเภท และกล่าวว่าการศึกษาการนำไปใช้และการตรวจสอบความถูกต้องในสภาพแวดล้อมจริงยังมีไม่มาก การบันทึกข้อมูลในห้องผ่าตัดซับซ้อนกว่าการบันทึกข้อมูลในสถานพยาบาลผู้ป่วยนอก เนื่องจากเหตุการณ์หลายอย่างที่ควรบันทึก รวมถึงการเข้าและออกของผู้ป่วย ต้องอาศัยสัญญาณที่มองเห็นได้ การศึกษาจากศูนย์เดียวเช่นนี้จึงจำกัดความสามารถในการนำผลไปใช้กับโรงพยาบาลอื่นโดยตรง แม้จะมีกรณีศึกษาจากหลายสาขาก็ตาม

จากการบันทึกเวลาไปสู่การตัดสินใจในห้องผ่าตัด

Teodor Grantcharov ผู้ก่อตั้งและซีอีโอของ Aimbient กล่าวว่า “ตัวชี้วัดทุกอย่างในห้องผ่าตัดที่ระบบสุขภาพให้ความสำคัญ ตั้งแต่การเริ่มผ่าตัดเคสแรกตรงเวลาไปจนถึงเวลาพลิกห้องผ่าตัด ล้วนขึ้นอยู่กับความแม่นยำของเวลาที่บันทึกไว้” เวลาพลิกห้องผ่าตัดคือช่วงเวลาตั้งแต่ผู้ป่วยรายหนึ่งออกจากห้อง จนถึงผู้ป่วยรายถัดไปเข้าห้อง

Aimbient ระบุว่า การบันทึกเวลาที่รวดเร็วขึ้นอาจช่วยให้ทีมดูแลผู้ป่วยระหว่างผ่าตัดเห็นสถานะการใช้งานห้องได้ทันเหตุการณ์ และปรับปรุงข้อมูลที่ใช้ประกอบการจัดตาราง การรายงานผลการดำเนินงาน และการตัดสินใจด้านขีดความสามารถในการรองรับผู้ป่วย ทั้งหมดนี้เป็นการนำไปใช้ที่อาจเกิดขึ้นได้ ไม่ใช่ผลลัพธ์ที่วัดจากการศึกษาตรวจสอบความถูกต้องของการบันทึกเวลาครั้งนี้

บทความใน BMJ Open Quality ปี 2022ที่อ้างถึงในประกาศให้ข้อมูลบริบททางเศรษฐกิจ โดยระบุว่าค่าใช้จ่ายในการดำเนินงานห้องผ่าตัดอยู่ที่ประมาณ 30 ถึง 100 ดอลลาร์ต่อ分钟 และในกรณีส่วนใหญ่ ห้องผ่าตัดสร้างรายได้คิดเป็น 40% ถึง 70% ของรายได้โรงพยาบาลทั้งหมด อย่างไรก็ตาม การเพิ่มขีดความสามารถจะสร้างรายได้เพิ่มขึ้นได้ก็ต่อเมื่อมีความต้องการมากเพียงพอ

Aimbient ซึ่งเดิมชื่อ Surgical Safety Technologies ประกาศเปิดให้ใช้งานทั่วไประบบตรวจจับขั้นตอนสำคัญของการผ่าตัดโดยอัตโนมัติและการเชื่อมต่อกับเวชระเบียนอิเล็กทรอนิกส์เมื่อวันที่ 10 กรกฎาคม 2025 ผลิตภัณฑ์รุ่นก่อนหน้านั้นครอบคลุมการเข้าและออกของผู้ป่วย การเริ่มและสิ้นสุดการให้ยาระงับความรู้สึก และการเริ่มและสิ้นสุดหัตถการ ความคืบหน้าในเดือนพฤศจิกายน 2026 คือการเผยแพร่หลักฐานการตรวจสอบความถูกต้องของการบันทึกเวลาเข้าและออกในหลายสาขา ไม่ใช่การประกาศเปิดให้ใช้งานผลิตภัณฑ์ใหม่

สำหรับระบบสุขภาพ คุณค่าในทางปฏิบัติคือการมีชั้นข้อมูลที่เชื่อถือได้มากขึ้นเพื่อบริหารจัดการห้องที่มีค่าใช้จ่ายสูง การศึกษานี้สนับสนุนการใช้ระบบบันทึกเวลาอัตโนมัติในหลายสาขาที่ศูนย์การแพทย์เชิงวิชาการแห่งเดียว แต่การนำข้อมูลดังกล่าวไปใช้เพื่อลดเวลาพลิกห้องผ่าตัด เพิ่มขีดความสามารถ หรือสร้างรายได้สูงขึ้น ยังคงขึ้นอยู่กับการปรับเปลี่ยนการดำเนินงานและการมีความต้องการผ่าตัดมากเพียงพอ

ลิลา โรวัน เป็นเอเจนต์วิจัยที่สร้างด้วย AI ของ Unite.AI โดยครอบคลุมจุดตัดของปัญญาประดิษฐ์ การดูแลสุขภาพ และสุขภาวะทางจิต งานของเธอมุ่งเน้นว่าเครื่องมือที่ขับเคลื่อนด้วย AI ช่วยปรับปรุงการวินิจฉัย ขยายการเข้าถึงการดูแล และสนับสนุนบริการสุขภาพจิตได้อย่างไร โดยเสริมการทำงานของบุคลากรทางคลินิกที่เป็นมนุษย์ ไม่ใช่เข้ามาแทนที่

ด้วยมุมมองที่เห็นอกเห็นใจและอิงหลักฐาน ลิลาพิจารณาการศึกษาทางคลินิก การใช้งานจริง และเทคโนโลยีสุขภาพที่เกิดขึ้นใหม่ผ่านมุมมองที่ให้ความสำคัญกับมนุษย์ เธอสนใจเป็นพิเศษในการประยุกต์ใช้ AI ที่ช่วยลดอุปสรรคในการเข้าถึงการดูแล เพิ่มประสิทธิภาพการตรวจพบตั้งแต่ระยะแรก และสนับสนุนสุขภาวะทางจิต โดยเคารพความเป็นส่วนตัว ความปลอดภัยของผู้ป่วย และมาตรฐานทางจริยธรรม

บทความในนามลิลา โรวันสร้างขึ้นด้วย AI และผ่านการตรวจทานโดยทีมบรรณาธิการของ Unite.AI เพื่อให้มั่นใจว่าการนำเสนอข้อมูลเกี่ยวกับเทคโนโลยีสุขภาพและสุขภาวะทางจิตมีความถูกต้อง คำนึงถึงความละเอียดอ่อน และมีความรับผิดชอบ