การศึกษาที่ได้รับการทบทวนโดยผู้ทรงคุณวุฒิเชื่อมโยง Ambient AI กับการผ่าตัดมากขึ้นที่ Houston Methodist

นักวิจัยจาก Houston Methodist ได้ตีพิมพ์ผลการศึกษาที่อ้างว่าเป็นหลักฐานที่ได้รับการทบทวนโดยผู้ทรงคุณวุฒิเป็นครั้งแรกที่แสดงให้เห็นว่า Ambient AI ในห้องผ่าตัดมีความสัมพันธ์กับการเพิ่มขึ้นของปริมาณการผ่าตัดที่วัดได้: การเพิ่มขึ้น 7% หรือประมาณ 25 คดีเพิ่มเติมต่อเดือน ในห้องผ่าตัดหัวใจและทรวงที่มีความเสี่ยงสูงหลังจากที่ระบบใช้แพลตฟอร์มการมองเห็นของ Apella การศึกษา ซึ่งตีพิมพ์เมื่อวันที่ 27 มิถุนายน 2026 ใน Journal of Imaging ครอบคลุม 5,417 คดีศัลยกรรมที่ติดตามเป็นเวลา 16 เดือนในโรงพยาบาลหลักของระบบ

การศึกษาที่ได้รับการทบทวนโดยผู้ทรงคุณวุฒิเป็นครั้งที่สองซึ่งตีพิมพ์ใน Perioperative Care and Operating Room Management ตรวจสอบกลไกที่แตกต่างในโรงพยาบาล Houston Methodist หกรายการ: เครื่องมือคาดการณ์ที่ระบุคดีที่อาจมีการจัดตารางเวลาผิดพลาด สำหรับคดีที่ระบุไว้ ความแม่นยำในการจัดตารางเวลาดีขึ้น 40% (ค่าเฉลี่ยสัมบูรณ์ข้อผิดพลาดลดจาก 57.4 ถึง 34.2 นาที) และวันที่ห้องผ่าตัดสิ้นสุด晚ลดลง 46 เปอร์เซ็นต์โดยไม่มีการลดลงของปริมาณคดี ตาม ประกาศของ Apella เมื่อวันที่ 5 สิงหาคม 2026 เกี่ยวกับการตีพิมพ์ทั้งสองรายการ

การค้นหาความจุเป็นเรื่องสำคัญเนื่องจากวิธีการผลิต มีการอ้างสิทธิ์ในการเพิ่มประสิทธิภาพของซัพพลายเออร์ส่วนใหญ่ขึ้นอยู่กับการเปรียบเทียบก่อนและหลังที่ไม่สามารถแยกผลกระทบของเทคโนโลยีออกจากสิ่งที่เปลี่ยนแปลงอื่น ๆ ในระบบโรงพยาบาลทีมของ Houston Methodist ใช้การควบคุมสังเคราะห์พร้อมการประมาณการความแตกต่างต่าง ๆ ซึ่งเป็นวิธีการทดลองแบบกึ่งจริงจากเศรษฐศาสตร์: พวกเขาสร้างการควบคุมที่สมมติจาก 11 สถานที่ของ Houston Methodist ที่ไม่ได้นำแพลตฟอร์มไปใช้ รวม 116,098 คดีเปรียบเทียบ และวัดห้องผ่าตัดที่ได้รับการแทรกแซงเทียบกับห้องผ่าตัดที่ไม่ได้รับการแทรกแซง ผลลัพธ์คือการเพิ่มขึ้นอย่างมีนัยสำคัญทางสถิติประมาณ 25 คดีต่อเดือน (95% CI 8.3 ถึง 41.0) โดยไม่ต้องเพิ่มห้อง ผู้ปฏิบัติงาน หรือชั่วโมง

“การอ้างสิทธิ์เกี่ยวกับผลกระทบของ AI ในการผ่าตัดมักถูกต้อนรับด้วยความกังขา และเข้าใจได้” Roberta Schwartz หัวหน้าเจ้าหน้าที่นวัตกรรมของ Houston Methodist และผู้เขียนอาวุโสของเอกสารวิจัยกล่าว “นั่นคือเหตุผลที่เราเข้าใกล้การทำงานนี้ด้วยความเข้มงวดเหมือนกับการศึกษาวิจัยทางคลินิก โดยใช้การทบทวนโดยผู้ทรงคุณวุฒิอิสระและวิธีการที่ออกแบบมาเพื่อแสดงให้เห็นถึงสาเหตุ ไม่ใช่แค่ความสัมพันธ์”

สิ่งที่กล้องวัดจริง

ระบบที่เรียกว่า AI ที่อาศัยภาพถ่ายสร้างขึ้นจากกล้องติดผนัง สี่ตัวต่อห้อง ซึ่งให้อาหารโมเดลการตรวจจับวัตถุ YOLO คู่กับโมเดลตรวจจับเหตุการณ์แบบทรานส์ฟอร์เมอร์ มันระบุผู้ป่วย บุคลากรที่สวมเสื้อผ้าและไม่สวมเสื้อผ้า สถานะการคลุม และอุปกรณ์ จากนั้นแปลงการตรวจจับนั้นเป็นเหตุการณ์ทางศัลยกรรมที่มีเวลา: การเข้าของผู้ป่วย การคลุม การเปลี่ยน และการเคลื่อนย้ายออก ชุดข้อมูลการฝึกอบรมครอบคลุม 137,517 การผ่าตัดทั่ว 315 ห้องผ่าตัด

รายละเอียดระดับนั้นช่วยให้ห้องผ่าตัดสามารถแบ่งวันผ่าตัดออกเป็นระยะที่ระบบบันทึกทางคลินิกไม่เคยจับได้ แพลตฟอร์มแทรกเหตุการณ์ “ผู้ป่วยคลุม” ระหว่าง “พร้อมสำหรับการให้ความช่วยเหลือ” และ “เริ่มการผ่าตัด” เป็นต้น ทำให้บล็อกที่ไม่โปร่งใสกลายเป็นสองบล็อกที่วัดได้ แผงควบคุมแบบเรียลไทม์แสดงความคืบหน้าของการผ่าตัดและระยะเวลาที่คาดหวังทั่ว 15 ห้อง และการแจ้งเตือนข้อความอัตโนมัติบอกให้ศัลยแพทย์ทราบเมื่อมีผู้ป่วยคลุมหรือคดีต่อไปนี้กำลังจะมาถึง

การนำไปใช้ดำเนินไปภายใต้โครงสร้างการปรับปรุงคุณภาพที่กำหนดโดย IRB โดยมีการรับทราบและยินยอมของผู้ป่วยรวมอยู่ในเอกสารยินยอมทั่วไป วิดีโอถูกเก็บไว้ไม่เกิน 30 วัน และเสียงไม่เกิน 7 วัน และการเข้าถึงการบันทึกระหว่างการผ่าตัดถูกจำกัดไว้เพียงสามบทบาทที่ได้รับการแต่งตั้ง

ที่ที่หลักฐานมีขอบเขต

ส่วนข้อจำกัดของเอกสารระบุถึงข้อจำกัดหลายประการเกี่ยวกับการค้นหาความจุ การแทรกแซงไม่ใช่ซอฟต์แวร์เท่านั้น แต่เป็นแพ็คเกจ: แพลตฟอร์มบวกการตรวจสอบเวลาเปลี่ยนกับฝ่ายจัดการห้องผ่าตัด การทบทวนการทำงานของฝ่ายทำความสะอาดและฝ่าย麻醉 และโพรโทคอลการแจ้งเตือนศัลยแพทย์ ผู้เขียนระบุอย่างชัดเจนว่า “การประมาณการผลลัพธ์ที่สังเกตไม่สามารถแยกผลลัพธ์ที่สังเกตได้จากส่วนประกอบใดส่วนประกอบหนึ่ง”

ภาพทางสถิติแคบกว่าหัวข้อข่าว การทดสอบการผสมในพื้นที่ (วิธีการตรวจสอบที่มีมาตรฐานของวิธีการ) ส่งคืนค่า p-ค่าเชิงประจักษ์ 0.182 ซึ่งสอดคล้องกับทิศทาง แต่ไม่ถึงความสำคัญแบบเดิมๆ ผลลัพธ์รอง เช่น การทำงานล่วงเวลาไม่ได้ถึงความสำคัญ และการวิเคราะห์ความไวต่อการเปลี่ยนแปลงนาทีในการผ่าตัดทั้งหมดไม่สำคัญ ซึ่งหมายความว่าผลประโยชน์มาจากการเพิ่มจำนวนคดีต่อหน่วยเวลาผ่าตัด มากกว่าการเพิ่มเวลาการผ่าตัดทั้งหมด ผู้เขียนตีความผลกระทบว่า “เกี่ยวข้องกับ แต่ไม่ได้ถูกทำให้เกิดโดย” การนำไปใช้

การเปิดเผยข้อมูลมีทั้งสองด้าน โรงพยาบาล Houston Methodist ถือหุ้นเป็นจำนวนเล็กน้อยใน Apella และเข้าร่วมรอบ Series B ในเดือนมกราคม 2026 พนักงานของ Apella ทำการวิเคราะห์เบื้องต้นจากข้อมูลรายเดือนแบบรวม – โดยไม่มีการเข้าถึงบันทึกของผู้ป่วย – และนักวิเคราะห์ของ Houston Methodist ทำซ้ำการวิเคราะห์นั้นโดยอิสระ Apella ไม่ได้ทุนการศึกษาและไม่มีบทบาทในการออกแบบหรือการตัดสินใจในการตีพิมพ์ตามคำชี้แจงผลประโยชน์ทับซ้อนของเอกสาร ระบบนี้กำลังทำงานในห้องผ่าตัดมากกว่า 200 ห้องของระบบสุขภาพ

สิ่งที่เกิดขึ้นต่อไป

ผู้เขียนวางแนวการวิจัยเฉพาะ: การประเมินระบบทั่วทั้งโรงพยาบาล Houston Methodist และพื้นที่ศัลยกรรมอื่น ๆ เพื่อทดสอบว่าการเพิ่มขึ้นในห้องผ่าตัดหัวใจและทรวงสามารถนำไปใช้กับพื้นที่อื่นได้หรือไม่; การประเมินอย่างเป็นทางการของเวลาการเปลี่ยนและการเริ่มการผ่าตัดครั้งแรกตามเวลาเป็นจุดสิ้นสุดหลัก; และการทำซ้ำโดยผู้ทรงคุณวุฒิของการค้นพบการประชุมปี 2024 ที่ว่าคอมพิวเตอร์วิชั่นตามเหตุการณ์ในห้องผ่าตัดได้อย่างสม่ำเสมอมากกว่าการบันทึกด้วยมือ การนำ Ambient AI ไปใช้ในสถานที่ทางคลินิกส่วนใหญ่ถูกตัดสินจากภาระการบันทึก (เครื่องมือฟัง Ambient AI กำลังเข้าถึงการทำงานของพยาบาล) และคู่การศึกษาของ Houston Methodist เป็นความพยายามในช่วงแรกในการตัดสิน Ambient AI ในห้องผ่าตัด

สำหรับภาคส่วนที่ผู้บริหารโรงพยาบาลได้รับการเสนอขาย AI อย่างต่อเนื่องด้วยหลักฐานที่บางและไม่แข็งแกร่ง การมีส่วนร่วมที่ทนทานมากกว่าอาจเป็นเชิงวิธีการ: ระบบสุขภาพที่ทดสอบแพลตฟอร์มของซัพพลายเออร์ตามเงื่อนไขของตนเอง เทียบกับสถานที่ควบคุมของตนเอง และตีพิมพ์ขอบเขตพร้อมกับผลลัพธ์