Po 30 dniach korzystania z ambientowego skryby AI odsetek klinicystów zgłaszających wypalenie zawodowe spadł z 51,9% do 38,8% w sześciu amerykańskich systemach opieki zdrowotnej (JAMA Network Open, Olson i in. 2025). Historia czasu jest skromniejsza: badanie obejmujące pięć systemów i 8.581 klinicystów wykazało o 16,0 minut krótszą dokumentację na 8 zaplanowanych godzin pracy z pacjentami (JAMA, badanie wieloośrodkowe 2026), a w randomizowanym badaniu jeden ze skrybów skrócił średni czas notatki o 41 sekund, podczas gdy grupa kontrolna skróciła go sama z siebie o 18 sekund (NEJM AI, Lukac i in. 2025). Otwartym pytaniem jest jakość notatek, z pominięciami w 18% sprawdzonych szkiców wygenerowanych przez AI w UC Davis (JMIR Medical Informatics 2026). Szerszy rynek dokumentacji wokół tych narzędzi opisujemy w naszych statystykach transkrypcji medycznej, a obciążenie pracą, które napędza popyt, w naszych statystykach wypalenia i godzin pracy lekarzy medycyny ratunkowej. Zebraliśmy dane z NEJM AI, JAMA, JAMA Network Open, JMIR Medical Informatics, JAMIA, The Permanente Medical Group, Amerykańskiego Towarzystwa Lekarskiego (AMA), Healthwatch England i KLAS Research.
TL;DR
- Randomizowane badanie UCLA przydzieliło 238 lekarzy do jednego z dwóch ambientowych skrybów lub do standardowej opieki; tylko jeden skryba pokonał grupę kontrolną pod względem czasu notatki (NEJM AI, Lukac i in. 2025).
- Użytkownicy w pięciu systemach akademickich zaoszczędzili 16,0 minuty dokumentacji na 8 zaplanowanych godzin pracy z pacjentami, ale praca po godzinach nie zmieniła się istotnie (JAMA, badanie wieloośrodkowe 2026).
- Klinicyści w Penn skrócili pracę po godzinach z 50,6 do 35,4 minuty dziennie (JAMA Network Open, Duggan i in. 2025).
- Wypalenie spadło z 51,9% do 38,8% po 30 dniach korzystania ze skryby (JAMA Network Open, Olson i in. 2025).
- Odsetek praktyków powyżej progu wysokiego wyczerpania pracą spadł z 56,1% do 35,4% w badaniu z klinowym wprowadzaniem interwencji (stepped-wedge) (NEJM AI, Afshar i in. 2025).
- Tylko 21,1% z 8.581 klinicystów zaczęło korzystać ze skryby, od 7,1% do 63,6% zależnie od ośrodka (JAMA, badanie wieloośrodkowe 2026).
- Notatki sporządzone przez AI zawierały pominięcia w 18% i halucynacje w 11,5% z 356 sprawdzonych notatek (JMIR Medical Informatics, UC Davis 2026).
- Użytkownicy skryby wygenerowali o 1,81 względnej jednostki wartości więcej tygodniowo, czyli około 3.044 USD na lekarza rocznie (JAMA Network Open, UCSF 2026).
- 61,8% z 12.153 dorosłych Kanadyjczyków wyrażało rezerwę wobec przyszłego użycia skryby AI, a tylko 28,3% wiedziało, że takie narzędzia są stosowane (JAMIA 2026).
- Zgoda pacjentów spadła z 81,6% po podstawowej informacji do 55,3% po szczegółowym ujawnieniu sposobu przechowywania danych i udziału dostawców (JAMA Network Open, NYU Langone 2025).
- 81% dorosłych w Wielkiej Brytanii chce, by przed użyciem skryby AI pytano ich o zgodę (Healthwatch England 2026).
1. Badania randomizowane: co kontrolowane dowody mówią o czasie notatki
Dowody z randomizacji pojawiły się późno w 2025 roku i urealniają oczekiwania. W trójramiennym badaniu UCLA opublikowanym w NEJM AI użytkownicy Nabla skrócili średnią notatkę o 41 sekund (z 4 minut 30 sekund do 3 minut 49 sekund), ale lekarze w standardowej opiece skrócili ją także o 18 sekund bez żadnej pomocy AI, a ramię DAX Copilot nie odróżniło się od grupy kontrolnej. Efekt netto względem grupy kontrolnej wyniósł 23 sekundy na notatkę (41 minus 18), czyli znacznie mniej, niż sugerowałby sam surowy spadek przed i po, i właśnie dlatego grupy kontrolne mają w tej kategorii tak duże znaczenie.
Część różnicy tłumaczy sposób użycia. Nawet w trakcie badania lekarze włączali skrybę tylko przy około jednej trzeciej wizyt, a około 15% lekarzy, którym przydzielono skrybę, nigdy z niego nie skorzystało. Badanie University of Wisconsin z klinowym wprowadzaniem interwencji (schemat, w którym każda przychodnia w końcu otrzymuje narzędzie, w losowych falach) odnotowało znacznie intensywniejsze użycie, co jest jednym z powodów, dla których jego efekty wyglądają na większe.
| Metryka | Wartość | Źródło |
|---|---|---|
| Lekarze losowo przydzieleni do DAX Copilot, Nabla lub standardowej opieki (UCLA) | 238 w 14 specjalnościach | NEJM AI, Lukac i in. 2025 |
| Zmiana średniego czasu spędzonego nad notatką: ramię Nabla wobec ramienia standardowej opieki | -41 sekund wobec -18 sekund | NEJM AI, Lukac i in. 2025 |
| Wizyty, w których faktycznie użyto przydzielonego skryby: ramię DAX Copilot wobec ramienia Nabla | 33,5% (8.271 z 24.696) wobec 29,5% (6.981 z 23.653) | NEJM AI, Lukac i in. 2025 |
| Praktycy w badaniu z klinowym wprowadzaniem interwencji w Wisconsin i Illinois oraz ważone liczbą notatek wykorzystanie ambientowego AI | 66 praktyków, 16.593 wizyty; wykorzystanie 71,0% (odchylenie standardowe 31,6%) | NEJM AI, Afshar i in. 2025 |
| Odsetek treści notatki wpisywanej ręcznie, przed użyciem skryby wobec w trakcie jego użycia (Penn Medicine, 46 klinicystów w 17 specjalnościach) | 11,2% do 7,9% (P < 0,001) | JAMA Network Open, Duggan i in. 2025 |
| Zamknięcie wizyty tego samego dnia, przed użyciem skryby wobec w trakcie jego użycia (Penn Medicine) | 66,2% do 72,4% (P < 0,001) | JAMA Network Open, Duggan i in. 2025 |
Kontekst: ramię DAX Copilot w UCLA skróciło czas o 23 sekundy na notatkę, co stanowiło -1,7% względem grupy kontrolnej (95% CI, od -9,4% do +5,9%; P=0,66). Nieistotny wynik w dwumiesięcznym badaniu nie dowodzi braku efektu, ale przypomina, że produkty typu skryba nie są wymienne.
2. Czas pracy w EHR po godzinach: obietnica czasu w piżamie pod lupą
“Czas w piżamie” to praca w elektronicznej dokumentacji medycznej (EHR), którą klinicyści wykonują poza zaplanowanymi godzinami przyjęć, zwykle kończąc notatki w domu wieczorem. To wynik, który systemy opieki zdrowotnej najbardziej chcą poprawić, i właśnie tu dowody najbardziej się rozchodzą. W pięciosystemowym badaniu JAMA praca po godzinach zmieniła się tylko o -3,1 minuty na 8 zaplanowanych godzin pracy z pacjentami, a przedział ufności (od -6,8 do 0,5) nie pozwala odróżnić tego wyniku od zera, a badanie UCLA również nie wykazało istotnej zmiany pracy po godzinach względem grupy kontrolnej.
Wyniki pozytywne pochodzą z intensywnie wykorzystywanego badania Wisconsin, badań jednego systemu, ankiet samoopisowych lub dłuższej obserwacji. Badanie Penn typu przed i po odnotowało spadek o około 15 minut dziennie, a preprint z Washington University wykazał, że czas w piżamie w dniu zerowym w ogóle się nie zmienił, ale w 150. dniu był o 19% niższy. Praktyczny wniosek: oszczędności po godzinach zdają się zależeć od zmiany nawyków, która trwa miesiące, a nie od samego włączenia narzędzia.
| Metryka | Wartość | Źródło |
|---|---|---|
| Praca poza godzinami pracy na 8 zaplanowanych godzin pracy z pacjentami, użytkownicy wobec nieużytkowników (5 systemów akademickich) | -3,1 minuty (95% CI od -6,8 do 0,5), nieistotne | JAMA, badanie wieloośrodkowe 2026 |
| Praca poza godzinami pracy, badanie z klinowym wprowadzaniem interwencji | -0,50 godziny/dzień (95% CI od -0,90 do -0,09; P=0,03) | NEJM AI, Afshar i in. 2025 |
| Praca po godzinach dziennie przed użyciem skryby wobec w trakcie jego użycia (Penn Medicine, 46 klinicystów) | 50,6 do 35,4 minuty (P=0,02) | JAMA Network Open, Duggan i in. 2025 |
| Mediana czasu dokumentacji po godzinach, przed wdrożeniem wobec po wdrożeniu (Providence, 1.547 klinicystów) | 22,0 do 20,6 minuty; trwały spadek o 0,38 minuty miesięcznie (P=0,02), bez natychmiastowej zmiany | JAMA Network Open, Husa i in. 2026 |
| Czas w piżamie w 150. dniu wobec stanu przed wdrożeniem (220 klinicystów podstawowej opieki zdrowotnej) | -19% (IRR 0,81, przedział od 0,73 do 0,90); bez zmiany w dniu zerowym | preprint medRxiv, Washington University 2026 |
| Samoopisowe tygodniowe godziny pisania notatek poza godzinami przyjęć, przed wobec po 30 dniach | 4,95 do 4,05 godziny (-0,90 godziny; P < 0,001) | JAMA Network Open, Olson i in. 2025 |
Uwaga o wartościach odstających: wynik dotyczący pracy po godzinach w badaniu Wisconsin przestał być istotny (-0,19 godziny, 95% CI od -0,40 do 0,03) po wykluczeniu górnych 3% obserwacji, co oznacza, że większość efektu wywołało kilku osób intensywnie pracujących wieczorami.
3. Wypalenie zawodowe, obciążenie poznawcze i wyczerpanie pracą
Wypalenie to wynik, w którym ambientowi skrybowie wypadają najmocniej, i zmienia się on szybciej niż jakakolwiek miara czasu. W sześciosystemowym badaniu Olson częstość wypalenia spadła o 13,1 punktu procentowego w 30 dni (z 51,9% do 38,8%; skorygowany iloraz szans 0,26, 95% CI od 0,13 do 0,54; P < 0,001), a związane z notatkami obciążenie poznawcze spadło z 7,10 do 4,46 w skali 10-punktowej. Jedna z wiarygodnych interpretacji jest taka, że ulga bierze się mniej z zaoszczędzonych minut, a bardziej z tego, że nie trzeba pisać podczas słuchania pacjenta, co wyjaśniałoby, dlaczego wypalenie maleje nawet tam, gdzie czas mierzony w logach prawie się nie zmienia.
Zastrzeżenie dotyczy schematu badania. Badanie Olson nie miało grupy kontrolnej, a ankiety Mass General Brigham i Emory miały wskaźniki odpowiedzi od 11% do 30%, więc najbardziej zadowoleni użytkownicy mogą być nadreprezentowani. Badania randomizowane także pokazują poprawę, ale mniejszą: w UCLA złożony wskaźnik wypalenia Mini-Z poprawił się o mniej niż 3 punkty w skali od 10 do 50 dla obu skrybów. Lekarze już tego oczekują: 70% widzi w AI sposób na automatyzację zadań, które przyczyniają się do wypalenia (AMA, ankieta lekarzy o sztucznej inteligencji wspomagającej 2026).
| Metryka | Wartość | Źródło |
|---|---|---|
| Klinicyści zgłaszający wypalenie wobec poważnego wypalenia, przed wobec po 30 dniach ze skrybą (6 systemów, 186 klinicystów w modelach wypalenia) | Wypalenie 51,9% do 38,8%; poważne wypalenie 18,4% do 12,2% (analiza post hoc, P = 0,01) | JAMA Network Open, Olson i in. 2025 |
| Związane z notatkami obciążenie poznawcze, skala 10-punktowa, przed wobec po | 7,10 do 4,46 (P < 0,001) | JAMA Network Open, Olson i in. 2025 |
| Praktycy powyżej progu wysokiego wyczerpania pracą, początek wobec końca badania | 56,1% do 35,4% | NEJM AI, Afshar i in. 2025 |
| Złożony wskaźnik wypalenia Mini-Z (10 do 50), zmiana względem grupy kontrolnej | DAX +2,83 (95% CI od +1,28 do +4,37); Nabla +2,69 (95% CI od +1,14 do +4,23) | NEJM AI, Lukac i in. 2025 |
| Klinicyści z Emory zgłaszający pozytywny wpływ dokumentacji na dobrostan, bezwzględna zmiana po 60 dniach | +30,7 punktu procentowego (wskaźnik odpowiedzi w ankiecie 11%) | Mass General Brigham, You i in. JAMA Network Open 2025 |
| Wskaźnik odpowiedzi w ankiecie Mass General Brigham po 42 dniach wobec 84 dni | Około 30% wobec 22% | Mass General Brigham, You i in. 2025 |
| Wzrost zadowolenia z pracy w Hattiesburg Clinic: pierwszy dostawca skryby wobec drugiego dostawcy | +17% wobec +13% | AMA, raport o zastosowaniach AI przez lekarzy 2025 |
Kontekst: satysfakcja zawodowa w badaniu Wisconsin wzrosła o 0,14 punktu (P=0,04), co autorzy uznali za nieistotne, ponieważ każdy współgłówny punkt końcowy musiał osiągnąć P < 0,025.
4. Wdrożenie: jak daleko skrybowie rozeszli się w systemach opieki zdrowotnej
Dostęp to nie użycie. W pięciu dużych systemach akademickich tylko 21,1% z 8.581 klinicystów ambulatoryjnych zaczęło korzystać ze skryby AI, od 7,1% w Mass General Brigham do 63,6% w Yale New Haven Health, a tylko około 32% użytkowników stosowało go przy połowie lub większej liczbie swoich notatek. Obraz z ogólnokrajowych ankiet jest spójny: dokumentacja to jedno z głównych zastosowań AI, ale mniej niż jedna trzecia lekarzy używa AI do notatek z wizyt.
Tam, gdzie wdrożenie jest wysokie, staje się nawykiem. Wśród 102 ankietowanych lekarzy Permanente z medycyny dorosłych i rodzinnej dwie trzecie korzystało ze skryby 5 lub więcej dni w tygodniu, a 63% używało go podczas każdej wizyty stacjonarnej (The Permanente Medical Group, NEJM Catalyst 2025). Różnica we wdrożeniu między systemami dotyczy więc mniej tego, czy lekarzom podoba się narzędzie, a bardziej tego, jak każda organizacja je wprowadza: w 4 z 5 systemów akademickich użytkownicy dołączali sami, a terminy wdrożenia rozciągały się od czerwca 2023 do sierpnia 2025.
| Metryka | Wartość | Źródło |
|---|---|---|
| Lekarze w USA używający AI do dokumentowania kodów rozliczeniowych, kart medycznych lub notatek z wizyt | 28% (ankieta niemal 1.700 lekarzy) | AMA, ankieta lekarzy o sztucznej inteligencji wspomagającej 2026 |
| Lekarze w USA używający AI do tworzenia zaleceń przy wypisie, planów opieki lub notatek o przebiegu leczenia | 30% | AMA, ankieta lekarzy o sztucznej inteligencji wspomagającej 2026 |
| Klinicyści, którzy zaczęli korzystać ze skryby AI w 5 systemach akademickich, ogółem oraz najniższy wobec najwyższego ośrodka | 21,1% (1.809 z 8.581); 7,1% w Mass General Brigham wobec 63,6% w Yale New Haven Health | JAMA, badanie wieloośrodkowe 2026 |
| Użytkownicy stosujący skrybę przy 50% lub więcej swoich notatek | Około 32% (577 użytkowników) | JAMA, badanie wieloośrodkowe 2026 |
| Klinicyści Providence będący aktywnymi użytkownikami ambientowego AI, styczeń 2024 wobec marca 2025 | 0,1% do 28,8% | JAMA Network Open, Husa i in. 2026 |
| Lekarze UCSF, którzy zaczęli korzystać ze skryby, wobec odsetka wizyt obsłużonych z jego pomocą | 44,6% z 1.565 lekarzy wobec 15,2% wizyt | JAMA Network Open, UCSF 2026 |
| Lekarze Permanente, którzy zaczęli korzystać ze skryby w pierwszych 10 tygodniach wdrożenia w 2023 roku | 3.442 z 10.000 objętych ofertą, w 303.266 wizytach | AMA, raport z pilotażu Permanente 2024 |
Kontekst: w Providence aktywni użytkownicy stanowili w całym okresie badania tylko około 8% wszystkich klinicystów, co przypomina, że ogólnosystemowe “wdrożenie” może współistnieć z niską średnią penetracją.
5. Produktywność, rozliczenia i pytanie o zwrot z inwestycji
Argument finansowy jest realny, ale niewielki. Użytkownicy w UCSF wygenerowali o 1,81 względnej jednostki wartości (RVU, jednostka Medicare mierząca rozliczalną pracę lekarza) więcej tygodniowo, co autorzy przeliczyli na około 3.044 USD na lekarza rocznie według stawek Medicare z 2025 roku, bez różnicy w odrzucaniu roszczeń (JAMA Network Open, UCSF 2026). Są to szacunki przychodu brutto, a nie zmierzony zwrot z inwestycji.
Sygnał rozliczeniowy wymaga uważnej oceny. Część wzrostu RVU może wynikać z lepszego uchwycenia pracy, którą zawsze wykonywano, a część z intensywności kodowania. Walidacja KLAS dla jednego dostawcy wykazała, że kody wizyt kontrolnych poziomu 3 spadły o 18,2%, podczas gdy kody poziomu 4 wzrosły o 7,3%, a kody poziomu 5 o 5,0% w McLeod Health, a autorzy z UCSF wyraźnie zaznaczają, że przyszłe prace muszą oddzielić dokładne kodowanie od zawyżania kodowania (upcodingu).
| Metryka | Wartość | Źródło |
|---|---|---|
| RVU tygodniowo, użytkownicy skryby wobec nieużytkowników (UCSF, 1,2 miliona wizyt) | +1,81 (95% CI od 0,86 do 2,75; P < 0,001) | JAMA Network Open, UCSF 2026 |
| Wizyty pacjentów tygodniowo, użytkownicy wobec nieużytkowników (UCSF) | +0,80 (95% CI od 0,05 do 1,56; P = 0,04) | JAMA Network Open, UCSF 2026 |
| Dodatkowe wizyty tygodniowo i eksploracyjny miesięczny przychód z ocen i zarządzania na jednego klinicystę korzystającego ze skryby (5 systemów akademickich) | +0,49 wizyty (95% CI od 0,17 do 0,81), wzrost o 1,7%; 167,37 USD miesięcznie (95% CI od 86,52 do 248,21 USD) | JAMA, badanie wieloośrodkowe 2026 |
| Mediana RVU, przed wdrożeniem wobec po wdrożeniu (Providence) | 382,3 do 399,1 (P < 0,001); bez istotnej zmiany liczby wizyt dziennie | JAMA Network Open, Husa i in. 2026 |
| Robocze RVU w 150. dniu wobec stanu przed wdrożeniem (podstawowa opieka zdrowotna) | +2% (IRR 1,02) | preprint medRxiv, Washington University 2026 |
| Wynik zgodności kodowania rozpoznań (ICD-10), od 0 do 10: notatki ambientowego AI wobec notatek napisanych przez człowieka | 6,87 wobec 5,94 (P<0,001) | NEJM AI, Afshar i in. 2025 |
| Czas spędzony nad notatkami i miesięczny zysk netto na jednego praktyka w McLeod Health (walidacja dotycząca konkretnego dostawcy, Suki) | -26,8% czasu nad notatkami; zysk netto 1.004 USD na praktyka miesięcznie; kody wizyt kontrolnych poziomu 3 -18,2% | KLAS Research, walidacje ROI Suki 2026 (raport dotyczący jednego dostawcy, za HIT Consultant) |
Kontekst: dane KLAS opisują klientów jednego dostawcy i nie są wzorcem dla całej kategorii; FMOL Health w tym samym raporcie odnotowało 21-procentowe skrócenie czasu spędzonego nad notatkami.
6. Dokładność notatek, błędy i obciążenie edycją
Najbardziej szczegółowy rzeczywisty audyt pochodzi dotąd z UC Davis, gdzie recenzenci przeczytali 356 spośród 7.545 notatek sporządzonych przez AI. Pominięcia wystąpiły w 18% sprawdzonych notatek, a halucynacje (treści, które AI napisało, a które nie padły podczas wizyty) w 11,5%, natomiast 5,3% zawierało błędy ocenione jako stwarzające poważne lub bezpośrednie zagrożenie (JMIR Medical Informatics, UC Davis 2026). Innymi słowy, 19 z 356 próbkowanych szkiców wymagało poprawki istotnej dla bezpieczeństwa, dlatego autorzy konkludują, że przegląd przez klinicystę pozostaje konieczny.
Odsetek błędów zależy w dużej mierze od tego, kto i jak liczy. Audyt z sierpnia 2026 roku, opublikowany jako preprint i obejmujący trzech komercyjnych skrybów, wykazał potwierdzoną usterkę w 31,3% notatek, ale pokazał też, że od 28% do 97% próbkowanych notatek zawierało usterkę, zależnie od zastosowanego standardu przeglądu (preprint arXiv 2026). Wcześniejsze, korzystniejsze wyniki pochodziły z pilotażu Permanente z 2024 roku, który ocenił 35 transkrypcji średnio na 48 z 50 punktów w zakresie dokładności i powiązanych miar, oraz z badania Wisconsin, które wykazało język stygmatyzujący w mniej niż 1% notatek (12 notatek). Warstwa transkrypcji pod tymi notatkami ma własne luki w dokładności zależne od mówiącego, opisane w naszych statystykach błędu rozpoznawania mowy związanego z akcentem.
| Metryka | Wartość | Źródło |
|---|---|---|
| Sprawdzone notatki sporządzone przez AI z przypadkowymi pominięciami (UC Davis, 356 notatek) | 18% (64 notatki) | JMIR Medical Informatics, UC Davis 2026 |
| Sprawdzone notatki ze zmyślonymi treściami (halucynacje) | 11,5% (41 notatek) | JMIR Medical Informatics, UC Davis 2026 |
| Sprawdzone notatki z przypadkowymi dodatkami wobec notatek z uprzedzeniem | 9,3% (33 notatki) wobec 1,1% (4 notatki) | JMIR Medical Informatics, UC Davis 2026 |
| Sprawdzone notatki z błędami ocenionymi jako poważne lub bezpośrednie zagrożenie (nasilenie od 4 do 5) | 5,3% (19 notatek) | JMIR Medical Informatics, UC Davis 2026 |
| Mediana odsetka słów wygenerowanych przez AI i zmienionych przez lekarzy wobec notatek pozostawionych bez edycji | 9,0% wobec 14,9% (143 z 960) | JMIR Medical Informatics, UC Davis 2026 |
| Ogólna jakość notatki w skali PDQI-9, symulowane wizyty specjalistyczne (VA, 2 produkty) | 36,2 z 50; najniższa pozycja to kompletność, 3,4 z 5 | JAMA Network Open, badanie symulacyjne VA 2026 |
| Notatki z co najmniej jedną potwierdzoną usterką, 3 komercyjni skrybowie, 142 konsultacje (preprint) | 31,3% [27,0, 35,6] | preprint arXiv 2026 |
| Oceniana przez lekarzy częstość klinicznie istotnych nieścisłości, skala 5-punktowa (2 = rzadko, 3 = czasami) | DAX 2,7; Nabla 2,8; jedno łagodne zdarzenie niepożądane w badaniu | NEJM AI, Lukac i in. 2025 |
Kontekst: badanie VA wskazało typy błędów, których klinicyści obawiali się najbardziej, w tym zmyślone wyniki badania przedmiotowego i pominięte istotne wyniki ujemne, a jeden z uczestników z hematologii onkologicznej nazwał je “poważnymi problemami bezpieczeństwa”.
7. Akceptacja pacjentów i zgoda
W amerykańskich przychodniach pacjenci rzadko odmawiają. W badaniu Wisconsin 99,92% pacjentów wyraziło zgodę na nagrywanie ambientowe, przy zaledwie 22 odmowach (NEJM AI, Afshar i in. 2025). Sondaże publiczne opowiadają ostrożniejszą historię, a różnica dotyczy głównie informacji: komfort spada, gdy pacjenci dowiadują się, dokąd trafia nagranie i jakie firmy są zaangażowane.
Badanie zgody z NYU pokazuje ten efekt bezpośrednio. Zgoda wyniosła 81,6% po podstawowej informacji o technologii, ale 55,3% po szczegółowym wyjaśnieniu funkcji AI, przechowywania danych i zaangażowania firm (JAMA Network Open, NYU Langone 2025). W Wielkiej Brytanii komfort spada z 48% przy rutynowym badaniu kontrolnym do 23% przy konsultacji dotyczącej przemocy domowej (Healthwatch England 2026). Rozmowy o zgodzie w środowiskach wielojęzycznych dodają kolejną warstwę, opisaną w naszych statystykach tłumaczy medycznych w szpitalach.
| Metryka | Wartość | Źródło |
|---|---|---|
| Pacjenci pilotażu NYU komfortowo czujący się z dokumentacją ambientową na początku (103 pacjentów) | 74,8% (77 pacjentów) | JAMA Network Open, NYU Langone 2025 |
| Pacjenci pilotażu NYU, którzy wyraziliby zgodę po podstawowej informacji wobec po szczegółowym ujawnieniu funkcji AI, przechowywania danych i zaangażowania firm | 81,6% (84) wobec 55,3% (57) | JAMA Network Open, NYU Langone 2025 |
| Pacjenci pilotażu NYU, którzy nie chcieli udostępniania swoich danych dostawcy | 59,2% (61 pacjentów) | JAMA Network Open, NYU Langone 2025 |
| Dorośli Kanadyjczycy z rezerwą wobec przyszłego użycia skryby AI wobec świadomych, że skrybowie AI są stosowani (12.153 dorosłych) | 61,8% wobec 28,3% | JAMIA, Chandrasekaran i Moustakas 2026 |
| Dorośli w Wielkiej Brytanii, którzy chcą, by klinicyści pytali o zgodę przed użyciem skryby AI (4.039 dorosłych) | 81% | Healthwatch England, sondaż YouGov 2026 |
| Dorośli w Wielkiej Brytanii z niedawną wizytą, którzy nie wiedzieli, że stosowano skrybę AI | Prawie 90% z 2.795 | Healthwatch England, sondaż YouGov 2026 |
| Dorośli w Wielkiej Brytanii nieco lub bardzo komfortowo czujący się ze skrybą AI: rutynowe badanie kontrolne wobec konsultacji dotyczącej przemocy domowej | 48% wobec 23% | Healthwatch England, sondaż YouGov 2026 |
| Pacjenci Permanente komfortowo wobec niekomfortowo czujący się ze skrybą (118 pacjentów) | Dwie trzecie wobec 8% (26% neutralnych) | The Permanente Medical Group, NEJM Catalyst 2025 |
Kontekst: poparcie w Wielkiej Brytanii dla wdrożenia w całym NHS jest podzielone niemal po równo, 38% za i 37% przeciw, a zdecydowany sprzeciw (21%) jest prawie dwukrotnie większy niż zdecydowane poparcie (11%).
Podsumowanie: ambientowy skryba AI w medycynie w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Wypalenie przed wobec po 30 dniach korzystania ze skryby (6 systemów) | 51,9% do 38,8% | JAMA Network Open, Olson i in. 2025 |
| Praktycy powyżej progu wysokiego wyczerpania pracą, początek wobec końca badania | 56,1% do 35,4% | NEJM AI, Afshar i in. 2025 |
| Czas dokumentacji na 8 zaplanowanych godzin pracy z pacjentami, użytkownicy wobec nieużytkowników | -16,0 minuty (około -10%) | JAMA, badanie wieloośrodkowe 2026 |
| Zmiana średniego czasu notatki: ramię Nabla wobec grupy kontrolnej (randomizowane) | -41 sekund wobec -18 sekund | NEJM AI, Lukac i in. 2025 |
| Praca po godzinach dziennie, Penn Medicine | 50,6 do 35,4 minuty | JAMA Network Open, Duggan i in. 2025 |
| Czas w piżamie w 150. dniu, podstawowa opieka zdrowotna (preprint) | -19% | preprint medRxiv, Washington University 2026 |
| Klinicyści, którzy zaczęli korzystać ze skryby w 5 systemach akademickich | 21,1% | JAMA, badanie wieloośrodkowe 2026 |
| Aktywni użytkownicy ambientowego AI w Providence, styczeń 2024 wobec marca 2025 | 0,1% do 28,8% | JAMA Network Open, Husa i in. 2026 |
| Lekarze używający AI do kodów rozliczeniowych, kart lub notatek z wizyt | 28% | AMA, ankieta lekarzy o sztucznej inteligencji wspomagającej 2026 |
| RVU tygodniowo, użytkownicy wobec nieużytkowników (UCSF) | +1,81 | JAMA Network Open, UCSF 2026 |
| Szacowany dodatkowy przychód na lekarza rocznie (UCSF) | Około 3.044 USD | JAMA Network Open, UCSF 2026 |
| Sprawdzone notatki AI z pominięciami / halucynacjami / błędami poważnego lub bezpośredniego zagrożenia | 18% / 11,5% / 5,3% | JMIR Medical Informatics, UC Davis 2026 |
| Notatki z potwierdzoną usterką, 3 komercyjni skrybowie (preprint) | 31,3% | preprint arXiv 2026 |
| Zgoda pacjentów na nagrywanie ambientowe (badanie w USA) | 99,92% | NEJM AI, Afshar i in. 2025 |
| Zgoda pacjentów po szczegółowym wobec podstawowego ujawnienia (NYU) | 55,3% wobec 81,6% | JAMA Network Open, NYU Langone 2025 |
| Dorośli Kanadyjczycy z rezerwą wobec przyszłego użycia skryby AI | 61,8% | JAMIA 2026 |
| Dorośli w Wielkiej Brytanii chcący, by pytano ich o zgodę | 81% | Healthwatch England 2026 |
Metodologia i źródła
Priorytet dawaliśmy badaniom randomizowanym i recenzowanym badaniom systemów opieki zdrowotnej, komunikaty prasowe wykorzystywaliśmy tylko wtedy, gdy streszczały konkretną publikację, a preprinty i raporty dotyczące jednego dostawcy oznaczaliśmy jako takie. Żadna liczba w tym zestawieniu nie pochodzi z danych VoxBooster.
- NEJM AI, Lukac i in. 2025, Ambientowi skrybowie AI w praktyce klinicznej: badanie randomizowane (UCLA), wraz z komunikatem UCLA Health
- NEJM AI, Afshar i in. 2025, Pragmatyczne randomizowane badanie kontrolowane ambientowego AI na rzecz poprawy dobrostanu pracowników opieki zdrowotnej (University of Wisconsin)
- JAMA 2026, Zmiany w czasie pracy klinicysty i liczbie wizyt po wdrożeniu skrybów opartych na AI: badanie wieloośrodkowe
- JAMA Network Open, Olson i in. 2025, Wykorzystanie ambientowych skrybów AI do zmniejszenia obciążenia administracyjnego i wypalenia zawodowego
- JAMA Network Open, Duggan i in. 2025, Doświadczenia klinicystów z technologią ambientowego skryby (Penn Medicine)
- JAMA Network Open, Husa i in. 2026, Wykorzystanie ambientowego AI a obciążenie dokumentacją, produktywność i efektywność klinicystów (Providence)
- JAMA Network Open 2026, Ambientowi skrybowie AI a produktywność finansowa lekarzy (UCSF)
- preprint medRxiv 2026, Długofalowe skutki korzystania z ambientowego skryby AI w podstawowej opiece zdrowotnej (Washington University), bez recenzji
- The Permanente Medical Group, roczny przegląd w NEJM Catalyst 2025, streszczony przez Division of Research Kaiser Permanente
- AMA, ankieta lekarzy o sztucznej inteligencji wspomagającej 2026
- AMA, raport o zastosowaniach AI przez lekarzy i pilotażu w Hattiesburg Clinic 2025
- AMA, raport o 10-tygodniowym pilotażu Permanente 2024
- Mass General Brigham, komunikat o badaniu You i in. w JAMA Network Open 2025 (Mass General Brigham i Emory)
- JMIR Medical Informatics 2026, Jakość notatek klinicznych tworzonych przez generatywne AI z nasłuchem ambientowym (UC Davis)
- JAMA Network Open 2026, Technologia ambientowego skryby w symulowanych wizytach pacjentów w różnych specjalnościach (Veterans Health Administration)
- preprint arXiv 2026, Jedna notatka na trzy: potwierdzony spis trzech wdrożonych skrybów AI, bez recenzji
- JAMA Network Open 2025, Świadoma zgoda na dokumentację ambientową z użyciem generatywnego AI w opiece ambulatoryjnej (NYU Langone)
- JAMIA 2026, Postawy pacjentów wobec ambientowych skrybów AI w opiece klinicznej (ankieta w Kanadzie)
- Healthwatch England 2026, Co społeczeństwo sądzi o używaniu skrybów AI w opiece zdrowotnej (sondaż YouGov)
- KLAS Research, walidacje ROI Suki 2026, raport dotyczący jednego dostawcy, za HIT Consultant
- Uwaga o danych: większość wielkości efektów pochodzi tu z nierandomizowanych schematów typu przed i po lub obserwacyjnych, z użytkownikami, którzy sami się zdecydowali, więc są to zależności, a nie dowód przyczynowości; tylko badania UCLA i Wisconsin są randomizowane. Publikacja Penn podaje w streszczeniu 30,0-procentowe skrócenie pracy po godzinach, ale -16,9% w swojej Tabeli 2, a jej streszczenie mówi “na dzień roboczy”, podczas gdy tabela “na zaplanowany dzień”. Badanie Olson przelicza swoją tygodniową zmianę pracy po godzinach na 10,8 minuty na dzień roboczy, co jest wyliczonym szacunkiem, a kilku jego autorów ma powiązania z dostawcą, którego skrybę badano. Publikacja symulacyjna VA podaje wynik dla neurologii jako 42,2 w tekście i 41,2 w tabeli. Ankiety o wypaleniu w Mass General Brigham i Emory miały wskaźniki odpowiedzi od 11% do 30%. Badania Washington University i arXiv to preprinty i mogą się zmienić przed recenzją, a dane KLAS opisują klientów jednego dostawcy. Dane z ankiety lekarzy Permanente (102 respondentów) i ankiety pacjentów (118 respondentów) to małe próby z jednej grupy medycznej. Najważniejsze oczekiwane nowe dane to kolejna ankieta AMA o sztucznej inteligencji wspomagającej oraz dłuższa obserwacja kohorty z pięciosystemowego badania JAMA, której najbardziej wiarygodne szacunki sięgają zaledwie około 5 miesięcy po wdrożeniu.
Ostatnia aktualizacja: 24 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się, gdy AMA opublikuje swoją ankietę lekarzy z 2027 roku o sztucznej inteligencji wspomagającej.