Переглянуті дослідження пов’язують амб’єнтний AI з більшим числом хірургічних операцій у Houston Methodist

Дослідники з Houston Methodist опублікували те, що вони описують як перші переглянуті докази того, що амб’єнтний AI в операційній є пов’язаним із вимірюваним збільшенням кількості хірургічних випадків: на 7%, або приблизно на 25 додаткових випадків на місяць, у високої складності кардіоторакального відділення після розгортання платформи комп’ютерного зору Apella. Дослідження, опубліковане 27 червня 2026 року в Журналі зображень, охоплює 5417 хірургічних випадків, які були відстежені протягом 16 місяців у флагманській лікарні системи.

Друге переглянуте дослідження, опубліковане в Періопераційній допомозі та управлінні операційною, розглянуло інший механізм у шести лікарнях Houston Methodist: прогностичний інструмент, який позначає випадки, які, ймовірно, будуть неправильно заплановані. Для позначених випадків точність планування покращилася на 40% (середня абсолютна похибка зменшилася з 57,4 до 34,2 хвилин), а пізні закінчення днів операційної зали зменшилися на 46 процентних пунктів, без зменшення кількості випадків, згідно з оголошенням Apella від 5 серпня 2026 року про дві публікації.

Результат щодо кількості випадків має значення через те, як він був отриманий. Більшість заяв виробників про ефективність базуються на порівнянні до і після, яке не може відокремити вплив технології від усіх інших змін у лікарняній системі. Команда Houston Methodist замість цього використала синтетичний контроль із оцінкою різниці в різницях, квазі-експериментальний метод з економіки: вони створили зважений контрфакт з 11 інших сайтів Houston Methodist, які не розгорнули платформу, 116 098 порівняльних випадків, і виміряли інтервенційний пакет проти нього. Результатом став статистично значимий приріст приблизно 25 випадків на місяць (95% CI 8,3 до 41,0), досягнутий без додавання кімнат, персоналу чи годин.

“Заяви про вплив AI на хірургію часто зустрічаються зі скептицизмом, і зрозуміло, чому”, – сказала Роберта Шварц, головний інноватор Houston Methodist і старший автор статті. “Саме тому ми підійшли до цієї роботи з тією ж ретельністю, яку застосовуємо до будь-якого клінічного дослідження, використовуючи незалежний перегляд і методологію, призначену для демонстрації причинно-наслідкових зв’язків, а не просто кореляції”.

Що насправді виміряли камери

Система, яку стаття називає заснованою на зображенні AI, побудована з камер, встановлених на стінах, по чотири на кімнату, які живлять модель виявлення об’єктів на основі YOLO, поєднану з детектором подій на основі трансформера. Вона ідентифікує пацієнтів, персонал, статус драпіровки та обладнання, а потім перетворює ці виявлення на події періопераційного періоду з часовими мітками: вхід пацієнта, драпіровка, зміна, виїзд. Навчальний набір даних охоплював 137 517 операцій у 315 операційних.

Ця деталізація дозволила пакету розділити хірургічний день на фази, яких не було в ЕХР. Платформа вставила подію “Пацієнт драпірований” між “Готовність до анестезії” і “Початок випадку”, наприклад, перетворивши одну непрозору блок на дві вимірювані. Живі панелі показували прогрес випадків і передбачувану тривалість у всіх 15 кімнатах, а автоматичні текстові сповіщення повідомляли хірургів, коли пацієнт був драпірований або коли їхній наступний випадок наближався.

Розгортання відбувалося під керівництвом IRB-визначеної рамки якості з patient згоди, включеною до загальних документів згоди, відео зберігалося не більше 30 днів, а аудіо – 7, а доступ до внутрішньоопераційних записів був обмежений трьома призначеними ролями.

Де докази мають межі

У розділі обмежень статті вказано кілька обмежень результату щодо кількості випадків. Інтервенція не була самим програмним забезпеченням, а пакетом: платформою плюс огляд часу зміни з управлінням операційної, оглядами потоку будинку та анестезіологічними протоколами повідомлення хірургам. Автори прямо заявляють, що оцінка “не може окремо приписати спостережувані вигоди одному чи іншому компоненту”.

Статистична картина також уже, ніж заголовок. Тест пермутації в просторі (вбудований перевірка на випадковість) повернув емпіричний p-значення 0,182, напрямно узгоджене, але коротше за звичайну значимість. Вторинні результати, включаючи невідкладну надgodинну роботу, не досягли значимості, а чутливий аналіз загальної тривалості операції також не був значимим, що означає, що виграш прийшов у вигляді більшої кількості випадків на одиницю часу операційної, а не більшої загальної тривалості операції. Автори інтерпретують ефект як “пов’язаний з, а не викликаний” розгортанням.

Розкриття конфліктів інтересів відбувається з обох сторін. Лікарня Houston Methodist володіє меншинним акціонерним інтересом в Apella і приєдналася до серії B компанії в січні 2026 року. Працівник Apella проводив оригінальні аналізи з агрегованих місячних даних – без доступу до реєстрів пацієнтів – а аналітик Houston Methodist незалежно відтворив їх. Apella не фінансувала дослідження і не брала участь у його розробці чи публікації, згідно з заявою про конфлікт інтересів статті. Система тепер працює в більш ніж 200 операційних кімнатах лікарняної системи.

Що відбувається далі

Автори викладають конкретну дослідницьку програму: оцінку системи по всій лікарні Houston Methodist та інших хірургічних спеціальностей для перевірки того, чи загальні вигоди від кардіоторакального відділення; формальну оцінку часу зміни та початку першої операції як основних результатів; і переглянуте повторення результату конференції 2024 року, який показав, що комп’ютерний зір відстежував операційні події більш послідовно, ніж ручна документація. Розгортання амб’єнтного AI у клінічних умовах в основному оцінювалися за навантаженням документації (інструменти амб’єнтного прослуховування тепер досягають потоків роботи медсестер) і пара досліджень Houston Methodist є ранніми спробами оцінити варіант операційної на основі проходження.

Для сектора, де керівники лікарень постійно чують пропозиції AI з тонкими доказами за ними, більш тривалим внеском може бути методологічний: система охорони здоров’я, яка тестує платформу постачальника на своїх умовах, проти своїх власних контрольних сайтів, і публікує межі поряд з результатом.