Comparing the Efficiency of Software-Based Speech Recognition Versus Traditional Telephone Transcription in an Outpatient Physical Medicine and Rehabilitation Practice
Notice bibliographique
Résumé
INTRODUCTION: Speech recognition (SR) uses computerized word recognition software that automatically transcribes spoken words to written text. Some studies indicate that SR may improve efficiency of electronic charting as well as associated cost and turnaround time1,2, but it remains unclear in the literature whether SR is superior to traditional transcription (TT). This study compared the impact of report generation efficiency of SR to TT at the Canadian Armed Forces Health Services Centre. MATERIALS AND METHODS: Dragon Medical Dictation™ SR software and traditional telephone dictation TT were used for two prespecified clinical days per week. In order to adjust for note length, total transcription efficacy was calculated as follows: word count/[dictation time + correction time]. The means and standard deviations were then separately calculated for TT visits and for SR visits. Differences in transcription efficacy and in visit measures, including patient demographics, visit duration, number of issues raised during the visit, and interventions performed, were compared using ANOVA, with the significance level set to 0.05. RESULTS: A total of 340 consecutive visits were analyzed; 198 were dictated over the phone using TT and 142 were transcribed using SR software. Dictation efficacy was significantly higher (p < 0.0001) for TT as compared to SR, while turnaround times were shorter for SR (0.12 versus 4.75 days). CONCLUSIONS: In light of these results, the Canadian Forces Health Services Centre in Ottawa has returned to use of TT because the relative inefficiency of report generation was deemed to have a greater impact on clinical care when compared to slower dictation turnaround time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».