Protocol for an EHR-embedded pragmatic randomized control trial of Ambient AI to Reduce Nursing Staff Documentation Time

Resumen Técnico: Protocolo para un Ensayo Controlado Aleatorizado Pragmático de IA Ambiental Integrada en el EHR para Reducir el Tiempo de Documentación del Personal de Enfermería

Planteamiento del Problema
La documentación de enfermería es un contribuyente significativo a la carga de trabajo y al agotamiento (burnout), ocupando un estimado del 20–40% de un turno de enfermería. Las enfermeras realizan frecuentemente cientos de entradas de datos manuales por turno, navegando a menudo por hojas de cálculo complejas del Registro de Salud Electrónico (EHR) que cuentan con entre 45 y 87 filas. Esta carga está asociada con el agotamiento emocional, la despersonalización y el estrés relacionado con el EHR. Si bien la IA Ambiental (que utiliza el Reconocimiento Automático del Habla y Modelos de Lenguaje de Gran Escala) ha mostrado potencial para reducir el tiempo de documentación en los flujos de trabajo de proveedores ambulatorios, su aplicación en la enfermería intrahospitalaria permanece subevaluada. La literatura existente carece de estudios empíricos rigurosos sobre herramientas de voz a datos estructurados en entornos de cuidados agudos, particularmente aquellas que mapean conversaciones en tiempo real hacia campos discretos del EHR. Además, los manuales de implementación de IA estándar para el ámbito ambulatorio suelen no tener en cuenta las complejidades únicas de la enfermería intrahospitalaria, incluyendo la atención distribuida entre múltiples pacientes, los flujos de trabajo continuos basados en turnos y los entornos acústicos de alto ruido.

Metodología
El estudio emplea un ensayo controlado aleatorizado, de escalón ascendente (stepped-wedge) y pragmático, integrado dentro del EHR en un centro médico académico.

• Diseño: Tres unidades de medicina/cirugía de hospitalización son aleatorizadas para tiempos de inicio de intervención escalonados. El diseño incluye una línea base de 4 semanas de atención estándar, seguida de transiciones a la intervención en intervalos de 3 semanas durante un periodo de 22 semanas.
• Intervención: La intervención es la herramienta de IA Ambiental Abridge™, integrada en el EHR Epic a través de la aplicación móvil Rover. El sistema captura las conversaciones enfermera-paciente mediante micrófonos de teléfonos inteligentes, las transcribe y utiliza LLMs para generar entradas estructuradas en las hojas de cálculo del EHR.
  • Humano en el bucle (Human-in-the-Loop): Todos los borradores generados por la IA requieren la confirmación de la enfermera antes de su ingreso en el registro permanente. Las enfermeras pueden editar o eliminar contenido inexacto; los datos no confirmados no se archivan.
  • Integración: La herramienta se despliega como una aplicación "smart-on-FHIR" dentro de los dispositivos portátiles existentes utilizados para las operaciones.
• Participantes: Enfermeras registradas (RN) y asistentes de enfermería (NA) de ≥18 años, de habla inglesa y capacitadas en el uso de la herramienta.
• Resultados:
  • Primario: Tiempo de documentación por hora de turno, medido mediante registros de auditoría del EHR (tiempo activo pasado en las hojas de cálculo).
  • Secundarios: Carga de documentación (tiempo por paciente, conteo de clics/toques, horas extras de registro), bienestar profesional (encuesta Mini-Z 3.0) y usabilidad percibida (Escala de Usabilidad del Sistema - SUS).
• Análisis: Un enfoque de intención de tratar (ITT) utilizando modelos de efectos mixtos lineales con efectos aleatorios para la unidad de enfermería y el miembro del personal. El análisis ajusta las tendencias seculares, el estatus de "nurse champion" y posibles eventos intercurrentes (por ejemplo, actualizaciones de software) mediante análisis de diferencia en diferencias de ventana móvil.

Contribuciones Clave y Estrategia de Implementación
El artículo describe un modelo de gobernanza colaborativa diseñado para alinear la viabilidad operativa con el rigor de la investigación, sirviendo como un "manual" para la implementación de la IA en enfermería.

• Estructura de Gobernanza: El ensayo opera bajo un modelo de gobernanza compartida que involucra patrocinadores ejecutivos (CNO, CNIO), un equipo de supervisión multidisciplinario y tres grupos de trabajo específicos:
  1. Construcción Técnica: Gestión de la configuración del sistema e integración con el proveedor, revelando problemas técnicos emergentes tardíos (por ejemplo, interrupciones de difusión a nivel de unidad) que requirieron adaptación operativa.
  2. Experiencia del Usuario/Capacitación: Centrada en el diseño del flujo de trabajo y la capacitación basada en simulación, reconociendo que las enfermeras requerían una inducción más intensiva debido a la falta de experiencia previa con la verbalización de evaluaciones.
  3. Analítica: Liderada por científicos de enfermería para seleccionar métricas que reflejen el impacto multifacético de la IA en la carga de documentación y el bienestar.
• Adaptación de Manuales: Los autores destacan la necesidad de adaptar las estrategias de implementación de IA enfocadas en proveedores ambulatorios para la enfermería intrahospitalaria. Las adaptaciones clave incluyen abordar los desafíos acústicos de las unidades hospitalarias, gestionar la documentación continua en lugar de la discreta y ajustar para la naturaleza distribuida del cuidado de enfermería.
• Transparencia de Datos: El protocolo enfatiza el uso de métricas objetivas derivadas del EHR para reducir la dependencia de los autoinformes e incluye un repositorio público de GitLab para el protocolo, el diccionario de datos y el código de análisis para apoyar la reproducibilidad.

Resultados y Estado Actual
Dado que este es un artículo de protocolo, no se presentan resultados definitivos del ensayo respecto a la eficacia de la herramienta de IA. El artículo reporta sobre la viabilidad de la estrategia de implementación y observaciones operativas tempranas:

• Implementación: El ensayo se está implementando actualmente dentro del modelo de gobernanza compartida.
• Desafíos Tempranos: La implementación temprana resaltó la necesidad de adaptar las estrategias de capacitación y analítica para abordar la exposición diferencial a la intervención (por ejemplo, los "nurse champions" accediendo a la herramienta antes que la unidad general).
• Reclutamiento: El artículo señala desafíos en el reclutamiento de personal de enfermería de cuidado directo para la participación en encuestas, con solo 16 participantes inscritos en actividades de encuesta al momento de la redacción.
• Respuesta Operativa: La estructura de gobernanza identificó y abordó con éxito un problema técnico donde las difusiones de la unidad interrumpían las grabaciones, lo que llevó a una discusión cultural sobre las difusiones no esenciales para apoyar el uso consistente de la herramienta.

Significancia y Reivindicaciones
El artículo reivindica su significancia principalmente como una guía metodológica y operativa más que como un reporte de eficacia clínica.

• Viabilidad de Ensayos Pragmáticos: Demuestra la viabilidad de integrar un ensayo aleatorizado pragmático dentro de un despliegue operativo de IA liderado por un sistema de salud.
• Adaptación Específica para Enfermería: Proporciona un marco crítico para adaptar las estrategias de implementación de IA de proveedores ambulatorios a la enfermería intrahospitalaria, enfatizando las restricciones únicas de entorno y flujo de trabajo de esta última.
• Alineación con el Sistema de Salud de Aprendizaje (LHS): El estudio ejemplifica un enfoque de LHS donde la rigurosidad de la investigación y la toma de decisiones operativas se integran, permitiendo ajustes en tiempo real y la generación de evidencia basada en la práctica.
• Reproducibilidad: Al documentar las decisiones de diseño, las adaptaciones y las estructuras de gobernanza, el protocolo busca facilitar las comparaciones multisitio y la generación de conocimiento acumulativo respecto a la IA ambiental en enfermería, apoyando decisiones futuras sobre si expandir, modificar o retirar tales tecnologías.