Ambient Only vs. Longitudinal Data-Enhanced AI Documentation: A Pilot Study Quantifying the Value of Historical Clinical Context in Primary Care
Notice bibliographique
Résumé
Abstract Background Ambient artificial intelligence (AI) clinical documentation tools have gained rapid adoption in healthcare to address physician burnout from documentation burden. However, current implementations primarily rely on real-time audio capture without systematically incorporating longitudinal patient data, potentially limiting documentation completeness for chronic disease management. Objective To compare documentation completeness between ambient audio-only workflows and those augmented with historical clinical data from electronic health records (EHRs) for type 2 diabetes and hypertension encounters in primary care. Methods We conducted a retrospective, paired, cross-sectional study of 354 primary care encounters in which diabetes mellitus (DM, n=119) and/or hypertension (HTN, n=281) were treated. Each condition instance was analysed twice to compare two methods of automated documentation: using only physician-patient conversation transcripts (termed “ambient only”) compared with consolidated automated documentation that includes historical clinical data in addition to the ambient conversation (ambient + history; termed “consolidated”). Documentation completeness was assessed using the “assessment” subset of the QNOTE clinical documentation quality measurement instrument, evaluating four domains: completeness, clinical coherence, clarity, conciseness. Scoring was automated using an LLM pipeline with physician validation on a 20% sample. Results Consolidated documentation achieved significantly higher mean total assessment composite score compared to ambient-only (94.8 vs. 80.1 on a scale of 0-100; difference 14.6 points; 95% CI 13.4-15.8; P<0.001). The largest improvements was observed in the completeness domain (difference 42.5 points; P<0.001). DM and HTN both showed similar performance of consolidated documentation vs. ambient only. Conclusions Augmenting ambient AI documentation with historical EHR data significantly improves documentation completeness for chronic disease management in primary care. These preliminary findings challenge the prevailing audio-first implementation paradigm and suggest that bidirectional EHR integration may be essential for comprehensive AI-assisted documentation, particularly for conditions requiring synthesis of longitudinal clinical data.
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 | 0,030 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».