Fonte: JMIR AI (2026) · PMID: 41875421
Autori: Fuster-Casanovas Aïna, Vidal-Alaball Josep, Alonso Carlos
Titolo originale: Evaluating Patient and Professional Satisfaction and Documentation Time Reduction Through AI-Driven Automatic Clinical Note Generation in Primary Care: Proof-of-Concept Study.
Abstract
Contesto: Il carico di lavoro derivante dalla scrittura di storie cliniche è una delle principali fonti di stress e sovraccarico per i professionisti delle cure primarie, che rappresentano fino al 43% della giornata lavorativa. L’introduzione della tecnologia, in particolare dell’intelligenza artificiale (AI), nel campo della salute potrebbe ridurre significativamente il tempo impiegato nella stesura dei referti clinici senza compromettere la qualità delle cure.
Obiettivo: L’obiettivo di questo studio è valutare l’impatto dell’implementazione di una soluzione di intelligenza artificiale per la trascrizione automatica delle visite in diversi centri di assistenza primaria in Catalogna.
Metodi: è stata effettuata una prova di concetto di uno studio multicentrico con assegnazione alternata di consultazioni al gruppo di intervento (utilizzo di un assistente AI che genera automaticamente note di consultazione) o al gruppo di controllo (pratica clinica usuale). L’impatto è stato valutato attraverso il tempo di documentazione registrato e la qualità iniziale della trascrizione misurata con la distanza di Levenshtein espressa come parole corrette al minuto, integrata da una categorizzazione qualitativa degli errori segnalati dal clinico e dalla soddisfazione percepita di pazienti e professionisti attraverso questionari valutati attraverso una scala Likert.
Risultati: Per il gruppo di intervento, il tempo medio di elaborazione è stato del 6,63%, mentre il tempo di revisione da parte del professionista è stato del 15,2%. Poiché i dati sul tempo di documentazione non erano disponibili per il gruppo di controllo, non era possibile un confronto diretto tra i gruppi dei risparmi di tempo; i risultati relativi al tempo sono quindi esplorativi e limitati alle metriche di processo e di revisione del gruppo di intervento. Le stime basate sulla levenshteina hanno mostrato che nella maggior parte dei casi, la revisione era <24 parole al minuto e il 26% delle bozze non richiedeva modifiche, indicando una trascrizione iniziale di alta qualità. Un’analisi qualitativa del feedback dei medici ha mostrato che gli errori di contesto o di significato erano i più frequenti, mentre le aggiunte o le allucinazioni non supportate erano rare. Alle indagini sulla soddisfazione hanno risposto 289 pazienti e 213 professionisti. La soddisfazione dei pazienti era elevata (≥4/5), senza differenze statisticamente significative tra il gruppo di controllo e il gruppo di intervento. I professionisti hanno valutato la qualità audio a 9,06 su 10 (SD 1,18; medicina) e 7,62 su 10 (SD 1,58; infermieristica) e la trascrizione a 8,14 su 10 (SD 1,74) e 6,93 su 10 (SD 1,52), rispettivamente.
Conclusioni: L’implementazione di uno strumento di intelligenza artificiale era fattibile nelle cure primarie di routine, era ben accettata dai medici e non influiva negativamente sulla soddisfazione del paziente, con un onere di revisione della trascrizione generalmente basso. Tuttavia, questo studio proof-of-concept non consente conclusioni sul risparmio di tempo comparativo e sono necessari studi randomizzati adeguatamente potenziati per confermare i benefici per la qualità e l’efficienza dell’assistenza.
Fabrizio Devito
Commenti