Assessing Patient-Reported Satisfaction With Care and Documentation Time in Primary Care Through AI-Driven Automatic Clinical Note Generation: Protocol for a Proof-of-Concept Study
Notice bibliographique
Résumé
BACKGROUND: Relisten is an artificial intelligence (AI)-based software developed by Recog Analytics that improves patient care by facilitating more natural interactions between health care professionals and patients. This tool extracts relevant information from recorded conversations, structuring it in the medical record, and sending it to the Health Information System after the professional's approval. This approach allows professionals to focus on the patient without the need to perform clinical documentation tasks. OBJECTIVE: This study aims to evaluate patient-reported satisfaction and perceived quality of care, assess health care professionals' satisfaction with the care provided, and measure the time spent on entering records into the electronic medical record using this AI-powered solution. METHODS: This proof-of-concept (PoC) study is conducted as a multicenter trial with the participation of several health care professionals (nurses and physicians) in primary care centers (CAPs). The key outcome measures include (1) patient-reported quality of care (evaluated through anonymous surveys), (2) health care professionals' satisfaction with the care provided (assessed through surveys and structured interviews), and (3) time saved on clinical documentation (determined by comparing the time spent manually writing notes versus reviewing and correcting AI-generated notes). Statistical analyses will be performed for each objective, using independent sample comparison tests according to normality evaluated with the Kolmogorov-Smirnov test and Lilliefors correction. Stratified statistical tests will also be performed to consider the variance between professionals. RESULTS: The protocol has been developed using the SPIRIT (Standard Protocol Items: Recommendations for Interventional Trials) checklist. Recruitment began in July 2024, and as of November 2024, a total of 318 patients have been enrolled. Recruitment is expected to be completed by March 2025. Data analysis will take place between April and May 2025, with results expected to be published in June 2025. CONCLUSIONS: We expect an improvement in the perceived quality of care reported by patients and a significant reduction in the time spent taking clinical notes, with a saving of at least 30 seconds per visit. Although a high quality of the notes generated is expected, it is uncertain whether a significant improvement over the control group, which is already expected to have high-quality notes, will be demonstrated. TRIAL REGISTRATION: ClinicalTrials.gov NCT06618092; https://clinicaltrials.gov/study/NCT06618092. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/66232.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,045 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».