MétaCan
Menu
Retour à la cohorte
Enregistrement W4411338003 · doi:10.3390/healthcare13121447

The Impact of AI Scribes on Streamlining Clinical Documentation: A Systematic Review

2025· review· en· W4411338003 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueHealthcare · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueArtificial Intelligence in Healthcare and Education
Établissements canadiensUniversité de SherbrookeCanada Health InfowayUniversité Laval
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésDocumentationGeneralizability theoryWorkflowHealth careMedicineWorkloadBurnoutMEDLINEMedical educationComputer sciencePsychologyDatabase

Résumé

récupéré en direct d'OpenAlex

Background: Burnout among clinicians, including physicians, is a growing concern in healthcare. An overwhelming burden of clinical documentation is a significant contributor. While medical scribes have been employed to mitigate this burden, they have limitations such as cost, training needs, and high turnover rates. Artificial intelligence (AI) scribe systems can transcribe, summarize, and even interpret clinical conversations, offering a potential solution for improving clinician well-being. We aimed to evaluate the effectiveness of AI scribes in streamlining clinical documentation, with a focus on clinician experience, healthcare system efficiency, and patient engagement. Methods: We conducted a systematic review following Cochrane methods and PRISMA guidelines. Two reviewers conducted the selection process independently. Eligible intervention studies included quantitative and mixed-methods studies evaluating AI scribe systems. We summarized the data narratively. Results: Eight studies were included. AI scribes demonstrated positive effects on healthcare provider engagement, with users reporting increased involvement in their workflows. The documentation burden showed signs of improvement, as AI scribes helped alleviate the workload for some participants. Many clinicians have found AI systems to be user-friendly and intuitive, although some have expressed concerns about scribe training and documentation quality. A limited impact on reducing burnout was found, although documentation time improved in some studies. Conclusions: Most of the studies reported in this review involved small sample sizes and specific healthcare settings, limiting the generalizability of the findings to other contexts. Accuracy and consistency can vary significantly depending on the specific technology, model training data, and implementation approach. AI scribes show promise in improving documentation efficiency and clinician workflow, although the evidence remains limited and heterogeneous. Broader and real-world evaluations are needed to confirm their effectiveness and inform responsible implementations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,407
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,414
Tête enseignante GPT0,665
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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