Clinical Implementation of Artificial Intelligence Scribes in Health Care: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Artificial intelligence (AI) scribes use advanced speech recognition and natural language processing to automate clinical documentation and ease administrative burden. However, little is known about the effect of AI scribes on clinicians, patients, and organizations. This study aimed to (1) propose an evaluation framework to guide future AI scribe implementations, (2) describe the effect of AI scribes along the domains proposed in the developed evaluation framework, and (3) identify gaps in the AI scribe implementation literature to be evaluated in future studies. Databases including Embase, Embase Classic, and Ovid Medline were searched, and a manual review was conducted of the New England Journal of Medicine AI. Studies published after 2021 that reported on the implementation of AI scribes in health care were included. Descriptive analysis was undertaken. Quality assessment was undertaken using the Newcastle–Ottawa Scale. The nominal group technique was used to develop an evaluation framework. Eleven studies met the inclusion criteria, with 10 published in 2024. The most frequently used AI scribe was Dragon Ambient eXperience (n = 7, 64%). While clinicians often reported improved documentation quality, AI scribe accuracy varied, frequently requiring manual edits and raising occasional concerns about errors. Nine of 10 studies reported improvements in at least one efficiency metric, and seven of ten studies highlighted positive effects on clinician wellness and burnout. Patient experience was assessed in three studies, all reporting favorable outcomes. AI scribes represent a promising tool for improving clinical efficiency and alleviating documentation burden. This systematic review highlights the potential benefits of AI scribes, including reduced documentation time and enhanced clinician satisfaction, while also identifying critical challenges such as variable adoption, performance limitations, and gaps in evaluation.
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.
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle