หลังใช้ AI สไครบ์ (ผู้ช่วยจดบันทึกทางการแพทย์ด้วย AI ที่ฟังการสนทนาระหว่างแพทย์กับผู้ป่วยแล้วร่างบันทึกทางคลินิก) ครบ 30 วัน สัดส่วนบุคลากรทางคลินิกที่รายงานภาวะหมดไฟลดลงจาก 51.9% เป็น 38.8% ใน 6 ระบบสุขภาพของสหรัฐอเมริกา (JAMA Network Open, Olson และคณะ 2025) ภาพด้านเวลาเรียบง่ายกว่านั้น การศึกษา 5 ระบบในบุคลากรทางคลินิก 8,581 คนวัดได้ว่าเวลาบันทึกเอกสารลดลง 16.0 นาทีต่อชั่วโมงตรวจผู้ป่วยตามนัด 8 ชั่วโมง (JAMA, การศึกษาหลายแห่ง 2026) และในการทดลองแบบสุ่ม AI สไครบ์ตัวหนึ่งลดเวลาเขียนบันทึกเฉลี่ยลง 41 วินาที ขณะที่กลุ่มควบคุมลดลงเองถึง 18 วินาที (NEJM AI, Lukac และคณะ 2025) คุณภาพของบันทึกยังเป็นคำถามที่ยังไม่มีคำตอบ โดยพบการตกหล่นของข้อมูลใน 18% ของร่างบันทึกจาก AI ที่ได้รับการตรวจทานที่ UC Davis (JMIR Medical Informatics 2026) สำหรับตลาดการบันทึกเอกสารที่กว้างขึ้นรอบเครื่องมือเหล่านี้ ดูสถิติการถอดเสียงทางการแพทย์ของเรา และสำหรับภาระงานที่ผลักดันความต้องการ ดูสถิติภาวะหมดไฟและชั่วโมงทำงานของแพทย์ห้องฉุกเฉินของเรา เรารวบรวมข้อมูลจาก NEJM AI, JAMA, JAMA Network Open, JMIR Medical Informatics, JAMIA, The Permanente Medical Group, American Medical Association, Healthwatch England และ KLAS Research
สรุปโดยย่อ
- การทดลองแบบสุ่มของ UCLA ให้แพทย์ 238 คนใช้ AI สไครบ์แบบฟังการตรวจ 1 ใน 2 ตัว หรือรับการดูแลตามปกติ มีเพียง AI สไครบ์ตัวเดียวที่เอาชนะกลุ่มควบคุมด้านเวลาเขียนบันทึก (NEJM AI, Lukac และคณะ 2025)
- ผู้ที่นำมาใช้ใน 5 ระบบสถาบันการศึกษาประหยัดเวลาบันทึกเอกสารได้ 16.0 นาทีต่อชั่วโมงตรวจผู้ป่วยตามนัด 8 ชั่วโมง แต่งานนอกเวลาไม่เปลี่ยนแปลงอย่างมีนัยสำคัญ (JAMA, การศึกษาหลายแห่ง 2026)
- บุคลากรทางคลินิกของ Penn ลดงานนอกเวลาจาก 50.6 เป็น 35.4 นาทีต่อวัน (JAMA Network Open, Duggan และคณะ 2025)
- ภาวะหมดไฟลดลงจาก 51.9% เป็น 38.8% หลังใช้ AI สไครบ์ 30 วัน (JAMA Network Open, Olson และคณะ 2025)
- ผู้ปฏิบัติงานที่อยู่เหนือเกณฑ์ความเหนื่อยล้าจากการทำงานระดับสูงลดลงจาก 56.1% เป็น 35.4% ในการทดลองแบบสเต็ปด์เวดจ์ (NEJM AI, Afshar และคณะ 2025)
- มีเพียง 21.1% ของบุคลากรทางคลินิก 8,581 คนที่นำ AI สไครบ์มาใช้ โดยอยู่ที่ 7.1% ถึง 63.6% ตามสถานที่ (JAMA, การศึกษาหลายแห่ง 2026)
- บันทึกที่ AI ร่างมีการตกหล่นของข้อมูล 18% และมีเนื้อหาที่ AI แต่งขึ้นเอง 11.5% จากบันทึกที่ได้รับการตรวจทาน 356 ฉบับ (JMIR Medical Informatics, UC Davis 2026)
- ผู้ที่นำ AI สไครบ์มาใช้สร้างหน่วยมูลค่าสัมพัทธ์เพิ่มขึ้น 1.81 หน่วยต่อสัปดาห์ หรือราว $3,044 ต่อแพทย์ต่อปี (JAMA Network Open, UCSF 2026)
- 61.8% ของผู้ใหญ่ชาวแคนาดา 12,153 คนยังลังเลต่อการใช้ AI สไครบ์ในอนาคต และมีเพียง 28.3% ที่ทราบว่ามีการใช้เครื่องมือเหล่านี้ (JAMIA 2026)
- ความยินยอมของผู้ป่วยลดลงจาก 81.6% หลังได้รับข้อมูลพื้นฐาน เหลือ 55.3% หลังได้รับการเปิดเผยรายละเอียดเรื่องการจัดเก็บข้อมูลและการมีส่วนเกี่ยวข้องของผู้ให้บริการ (JAMA Network Open, NYU Langone 2025)
- 81% ของผู้ใหญ่ในสหราชอาณาจักรต้องการให้มีการขอความยินยอมก่อนใช้ AI สไครบ์ (Healthwatch England 2026)
1. การทดลองแบบสุ่ม: หลักฐานที่มีการควบคุมบอกอะไรเกี่ยวกับเวลาเขียนบันทึก
หลักฐานจากการทดลองแบบสุ่มมาถึงช่วงปลายปี 2025 และทำให้ต้องปรับความคาดหวังใหม่ ในการทดลอง 3 กลุ่มของ UCLA ที่ตีพิมพ์ใน NEJM AI ผู้ใช้ Nabla ลดเวลาเขียนบันทึกเฉลี่ยลง 41 วินาที (จาก 4 นาที 30 วินาที เหลือ 3 นาที 49 วินาที) แต่แพทย์ในกลุ่มดูแลตามปกติก็ลดลง 18 วินาทีโดยไม่ได้ใช้ AI เลย และกลุ่ม DAX Copilot ก็ไม่ต่างจากกลุ่มควบคุม ผลสุทธิเมื่อเทียบกับกลุ่มควบคุมคือ 23 วินาทีต่อบันทึก (41 ลบ 18) ซึ่งน้อยกว่าที่การลดลงแบบก่อนและหลังเพียงอย่างเดียวบ่งชี้มาก และนี่คือเหตุผลที่กลุ่มควบคุมสำคัญในหมวดนี้
การใช้งานอธิบายได้ส่วนหนึ่ง แม้ในการทดลอง แพทย์เปิดใช้ AI สไครบ์เพียงราวหนึ่งในสามของการตรวจทั้งหมด และแพทย์ที่ได้รับมอบหมายให้ใช้ AI สไครบ์ราว 15% ไม่เคยใช้เลย การทดลองแบบสเต็ปด์เวดจ์ของ University of Wisconsin (รูปแบบที่ทุกคลินิกได้รับเครื่องมือในที่สุดเป็นระลอกแบบสุ่ม) พบการใช้งานที่เข้มข้นกว่ามาก ซึ่งเป็นเหตุผลหนึ่งที่ผลของการทดลองนี้ดูใหญ่กว่า
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| แพทย์ที่ถูกสุ่มให้ใช้ DAX Copilot, Nabla หรือการดูแลตามปกติ (UCLA) | 238 คนจาก 14 สาขาเฉพาะทาง | NEJM AI, Lukac และคณะ 2025 |
| การเปลี่ยนแปลงของเวลาเฉลี่ยในบันทึกต่อบันทึก: กลุ่ม Nabla เทียบกับกลุ่มดูแลตามปกติ | -41 วินาที เทียบกับ -18 วินาที | NEJM AI, Lukac และคณะ 2025 |
| การตรวจที่ใช้ AI สไครบ์ที่ได้รับมอบหมายจริง: กลุ่ม DAX Copilot เทียบกับกลุ่ม Nabla | 33.5% (8,271 จาก 24,696) เทียบกับ 29.5% (6,981 จาก 23,653) | NEJM AI, Lukac และคณะ 2025 |
| ผู้ปฏิบัติงานในการทดลองแบบสเต็ปด์เวดจ์ของ Wisconsin และ Illinois และอัตราการใช้ AI แบบฟังการตรวจถ่วงน้ำหนักตามบันทึก | ผู้ปฏิบัติงาน 66 คน การตรวจ 16,593 ครั้ง อัตราการใช้ 71.0% (SD 31.6%) | NEJM AI, Afshar และคณะ 2025 |
| สัดส่วนเนื้อหาบันทึกที่พิมพ์เอง ก่อนเทียบกับระหว่างใช้ AI สไครบ์ (Penn Medicine, บุคลากรทางคลินิก 46 คนใน 17 สาขา) | 11.2% เป็น 7.9% (P < .001) | JAMA Network Open, Duggan และคณะ 2025 |
| การปิดนัดหมายภายในวันเดียวกัน ก่อนเทียบกับระหว่างใช้ AI สไครบ์ (Penn Medicine) | 66.2% เป็น 72.4% (P < .001) | JAMA Network Open, Duggan และคณะ 2025 |
บริบท: กลุ่ม DAX Copilot ที่ UCLA ลดลง 23 วินาทีต่อบันทึก ซึ่งเท่ากับ -1.7% เมื่อเทียบกับกลุ่มควบคุม (ช่วงความเชื่อมั่น 95%, -9.4% ถึง +5.9%; P=0.66) ผลที่ไม่มีนัยสำคัญในการทดลองสองเดือนไม่ใช่หลักฐานว่าไม่มีผล แต่เป็นเครื่องเตือนว่าผลิตภัณฑ์ AI สไครบ์ไม่สามารถใช้แทนกันได้
2. เวลาทำงานเวชระเบียนนอกเวลา: คำสัญญาเรื่องเวลาชุดนอนภายใต้การวัดผล
“เวลาชุดนอน” คืองานเวชระเบียนอิเล็กทรอนิกส์ (EHR) ที่บุคลากรทางคลินิกทำนอกเวลาตรวจตามตารางที่กำหนด โดยทั่วไปคือการเขียนบันทึกให้เสร็จที่บ้านในตอนเย็น นี่คือผลลัพธ์ที่ระบบสุขภาพอยากขยับมากที่สุด และเป็นจุดที่หลักฐานขัดแย้งกันมากที่สุดด้วย ในการศึกษา JAMA ที่ครอบคลุม 5 ระบบ งานนอกเวลาเปลี่ยนไปเพียง -3.1 นาทีต่อชั่วโมงตรวจผู้ป่วยตามนัด 8 ชั่วโมง ซึ่งช่วงความเชื่อมั่น (-6.8 ถึง 0.5) แยกไม่ออกจากศูนย์ และการทดลองของ UCLA ก็ไม่พบการเปลี่ยนแปลงนอกเวลาอย่างมีนัยสำคัญเมื่อเทียบกับกลุ่มควบคุมเช่นกัน
ผลเชิงบวกมาจากการทดลองของ Wisconsin ที่มีการใช้งานหนัก การศึกษาในระบบเดียว การสำรวจที่ผู้ตอบรายงานเอง หรือการติดตามผลที่นานกว่า การศึกษาก่อนและหลังของ Penn บันทึกการลดลงราว 15 นาทีต่อวัน และพรีปรินต์ของ Washington University พบว่าเวลาชุดนอนไม่เปลี่ยนเลยในวันที่ 0 แต่ต่ำลง 19% ในวันที่ 150 ข้อสรุปเชิงปฏิบัติคือ การประหยัดเวลานอกเวลาน่าจะขึ้นอยู่กับการเปลี่ยนนิสัยที่ใช้เวลาหลายเดือน ไม่ใช่เพียงการเปิดใช้เครื่องมือ
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| งานนอกเวลาทำงานต่อชั่วโมงตรวจผู้ป่วยตามนัด 8 ชั่วโมง ผู้ที่นำมาใช้เทียบกับผู้ที่ไม่ได้ใช้ (5 ระบบสถาบันการศึกษา) | -3.1 นาที (ช่วงความเชื่อมั่น 95% -6.8 ถึง 0.5) ไม่มีนัยสำคัญ | JAMA, การศึกษาหลายแห่ง 2026 |
| งานนอกเวลาทำงาน การทดลองแบบสเต็ปด์เวดจ์ | -0.50 ชั่วโมง/วัน (ช่วงความเชื่อมั่น 95% -0.90 ถึง -0.09; P=0.03) | NEJM AI, Afshar และคณะ 2025 |
| งานนอกเวลาต่อวัน ก่อนเทียบกับระหว่างใช้ AI สไครบ์ (Penn Medicine, บุคลากรทางคลินิก 46 คน) | 50.6 เป็น 35.4 นาที (P=.02) | JAMA Network Open, Duggan และคณะ 2025 |
| เวลาบันทึกเอกสารนอกเวลามัธยฐาน ก่อนเทียบกับหลังการนำมาใช้ (Providence, บุคลากรทางคลินิก 1,547 คน) | 22.0 เป็น 20.6 นาที ลดลงต่อเนื่อง 0.38 นาทีต่อเดือน (P=.02) ไม่มีการเปลี่ยนแปลงทันที | JAMA Network Open, Husa และคณะ 2026 |
| เวลาชุดนอนในวันที่ 150 เทียบกับก่อนการนำมาใช้ (บุคลากรทางคลินิกด้านปฐมภูมิ 220 คน) | -19% (IRR 0.81 ช่วง 0.73 ถึง 0.90) ไม่เปลี่ยนแปลงในวันที่ 0 | พรีปรินต์ medRxiv, Washington University 2026 |
| ชั่วโมงต่อสัปดาห์ที่ผู้ตอบรายงานเองว่าเขียนบันทึกนอกเวลาคลินิก ก่อนเทียบกับหลัง 30 วัน | 4.95 เป็น 4.05 ชั่วโมง (-0.90 ชั่วโมง; P < .001) | JAMA Network Open, Olson และคณะ 2025 |
หมายเหตุเรื่องค่าผิดปกติ: ผลนอกเวลาของการทดลอง Wisconsin กลายเป็นไม่มีนัยสำคัญ (-0.19 ชั่วโมง ช่วงความเชื่อมั่น 95% -0.40 ถึง 0.03) เมื่อตัดข้อมูลสูงสุด 3% ออก ดังนั้นผู้ที่ทำงานหนักตอนเย็นเพียงไม่กี่คนเป็นตัวขับเคลื่อนผลส่วนใหญ่
3. ภาวะหมดไฟ ภาระทางความคิด และความเหนื่อยล้าจากการทำงาน
ภาวะหมดไฟคือผลลัพธ์ที่ AI สไครบ์ดูแข็งแกร่งที่สุด และเปลี่ยนเร็วกว่าตัวชี้วัดเวลาใด ๆ ในการศึกษา Olson ที่ครอบคลุม 6 ระบบ อัตราภาวะหมดไฟลดลง 13.1 จุดเปอร์เซ็นต์ใน 30 วัน (51.9% เป็น 38.8%; aOR 0.26, ช่วงความเชื่อมั่น 95% 0.13 ถึง 0.54; P < .001) ขณะที่ภาระทางความคิดที่เกี่ยวกับบันทึกลดลงจาก 7.10 เป็น 4.46 บนมาตรวัด 10 คะแนน การตีความที่น่าจะเป็นไปได้คือความโล่งใจมาจากการไม่ต้องพิมพ์ไปพลางฟังไปพลางมากกว่าจากจำนวนนาทีที่ประหยัดได้ ซึ่งอธิบายได้ว่าทำไมภาวะหมดไฟจึงดีขึ้นแม้ในที่ที่เวลาที่วัดจากบันทึกการใช้งานแทบไม่เปลี่ยน
ข้อควรระวังอยู่ที่รูปแบบการศึกษา การศึกษา Olson ไม่มีกลุ่มควบคุม และการสำรวจของ Mass General Brigham และ Emory มีอัตราการตอบกลับระหว่าง 11% ถึง 30% จึงอาจมีผู้ใช้ที่พึงพอใจที่สุดถูกนับมากเกินจริง การทดลองแบบสุ่มก็แสดงการดีขึ้นเช่นกัน แต่น้อยกว่า คือที่ UCLA คะแนนรวมภาวะหมดไฟ Mini-Z ดีขึ้นไม่ถึง 3 คะแนนบนมาตรวัด 10 ถึง 50 สำหรับ AI สไครบ์ทั้งสองตัว แพทย์เองก็คาดหวังเช่นนี้อยู่แล้ว โดย 70% มองว่า AI เป็นวิธีทำงานที่ก่อให้เกิดภาวะหมดไฟให้เป็นอัตโนมัติ (AMA, การสำรวจแพทย์เรื่องปัญญาเสริมกำลัง 2026)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| บุคลากรทางคลินิกที่รายงานภาวะหมดไฟเทียบกับภาวะหมดไฟรุนแรง ก่อนเทียบกับหลังใช้ AI สไครบ์ 30 วัน (6 ระบบ บุคลากรทางคลินิก 186 คนในแบบจำลองภาวะหมดไฟ) | ภาวะหมดไฟ 51.9% เป็น 38.8% ภาวะหมดไฟรุนแรง 18.4% เป็น 12.2% (การวิเคราะห์ภายหลัง, P = .01) | JAMA Network Open, Olson และคณะ 2025 |
| ภาระงานทางความคิดที่เกี่ยวกับบันทึก มาตรวัด 10 คะแนน ก่อนเทียบกับหลัง | 7.10 เป็น 4.46 (P < .001) | JAMA Network Open, Olson และคณะ 2025 |
| ผู้ปฏิบัติงานที่อยู่เหนือเกณฑ์ความเหนื่อยล้าจากการทำงานระดับสูง ช่วงเริ่มต้นเทียบกับช่วงสิ้นสุดการทดลอง | 56.1% เป็น 35.4% | NEJM AI, Afshar และคณะ 2025 |
| คะแนนรวมภาวะหมดไฟ Mini-Z (10 ถึง 50) การเปลี่ยนแปลงเทียบกับกลุ่มควบคุม | DAX +2.83 (ช่วงความเชื่อมั่น 95% +1.28 ถึง +4.37); Nabla +2.69 (ช่วงความเชื่อมั่น 95% +1.14 ถึง +4.23) | NEJM AI, Lukac และคณะ 2025 |
| บุคลากรทางคลินิกของ Emory ที่รายงานว่าการบันทึกเอกสารส่งผลดีต่อความเป็นอยู่ที่ดี การเปลี่ยนแปลงสัมบูรณ์ที่ 60 วัน | +30.7 จุดเปอร์เซ็นต์ (อัตราการตอบแบบสำรวจ 11%) | Mass General Brigham, You และคณะ JAMA Network Open 2025 |
| อัตราการตอบแบบสำรวจของ Mass General Brigham ที่ 42 วันเทียบกับ 84 วัน | ราว 30% เทียบกับ 22% | Mass General Brigham, You และคณะ 2025 |
| ความพึงพอใจในงานที่เพิ่มขึ้นที่ Hattiesburg Clinic: ผู้ให้บริการ AI สไครบ์รายแรกเทียบกับรายที่สอง | +17% เทียบกับ +13% | AMA, รายงานการใช้ AI ของแพทย์ 2025 |
บริบท: ความสำเร็จในวิชาชีพในการทดลอง Wisconsin เพิ่มขึ้น 0.14 คะแนน (P=0.04) ซึ่งผู้เขียนนับว่าไม่มีนัยสำคัญ เพราะผลลัพธ์หลักร่วมแต่ละตัวต้องผ่านเกณฑ์ P < 0.025
4. การนำมาใช้: AI สไครบ์แพร่กระจายในระบบสุขภาพได้ไกลแค่ไหน
การเข้าถึงไม่ใช่การใช้งาน ใน 5 ระบบสถาบันการศึกษาขนาดใหญ่ มีเพียง 21.1% ของบุคลากรทางคลินิกผู้ป่วยนอก 8,581 คนที่นำ AI สไครบ์มาใช้ โดยมีช่วงตั้งแต่ 7.1% ที่ Mass General Brigham ถึง 63.6% ที่ Yale New Haven Health และมีเพียงราว 32% ของผู้ที่นำมาใช้ที่ใช้กับบันทึกตั้งแต่ครึ่งหนึ่งขึ้นไป ภาพจากการสำรวจระดับประเทศก็สอดคล้องกัน การบันทึกเอกสารเป็นกรณีใช้งาน AI อันดับต้น ๆ แต่แพทย์น้อยกว่าหนึ่งในสามใช้ AI กับบันทึกการตรวจ
ในที่ที่การนำมาใช้สูง มันกลายเป็นนิสัย ในหมู่แพทย์เวชศาสตร์ผู้ใหญ่และเวชศาสตร์ครอบครัวของ Permanente 102 คนที่ตอบแบบสำรวจ สองในสามใช้ AI สไครบ์ 5 วันขึ้นไปต่อสัปดาห์ และ 63% ใช้ในทุกการตรวจแบบพบหน้า (The Permanente Medical Group, NEJM Catalyst 2025) ช่องว่างของการนำมาใช้ระหว่างระบบจึงเกี่ยวกับว่าแพทย์ชอบเครื่องมือหรือไม่น้อยกว่า และเกี่ยวกับวิธีที่แต่ละองค์กรนำออกใช้มากกว่า โดยใน 4 จาก 5 ระบบสถาบันการศึกษา ผู้ที่นำมาใช้เลือกเข้าร่วมเอง และช่วงเวลาการนำออกใช้ตั้งแต่มิถุนายน 2023 ถึงสิงหาคม 2025
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| แพทย์สหรัฐอเมริกาที่ใช้ AI บันทึกรหัสการเรียกเก็บเงิน เวชระเบียน หรือบันทึกการตรวจ | 28% (สำรวจแพทย์เกือบ 1,700 คน) | AMA, การสำรวจแพทย์เรื่องปัญญาเสริมกำลัง 2026 |
| แพทย์สหรัฐอเมริกาที่ใช้ AI สร้างคำแนะนำเมื่อออกจากโรงพยาบาล แผนการดูแล หรือบันทึกความก้าวหน้า | 30% | AMA, การสำรวจแพทย์เรื่องปัญญาเสริมกำลัง 2026 |
| บุคลากรทางคลินิกที่นำ AI สไครบ์มาใช้ใน 5 ระบบสถาบันการศึกษา ภาพรวม และสถานที่ต่ำสุดเทียบกับสูงสุด | 21.1% (1,809 จาก 8,581); 7.1% ที่ Mass General Brigham เทียบกับ 63.6% ที่ Yale New Haven Health | JAMA, การศึกษาหลายแห่ง 2026 |
| ผู้ที่นำมาใช้ที่ใช้ AI สไครบ์กับบันทึก 50% ขึ้นไป | ราว 32% (577 คน) | JAMA, การศึกษาหลายแห่ง 2026 |
| บุคลากรทางคลินิกของ Providence ที่เป็นผู้ใช้ AI แบบฟังการตรวจอย่างแข็งขัน มกราคม 2024 เทียบกับ มีนาคม 2025 | 0.1% เป็น 28.8% | JAMA Network Open, Husa และคณะ 2026 |
| แพทย์ UCSF ที่นำ AI สไครบ์มาใช้เทียบกับสัดส่วนการตรวจที่ใช้ร่วมกับเครื่องมือ | 44.6% ของแพทย์ 1,565 คน เทียบกับ 15.2% ของการตรวจ | JAMA Network Open, UCSF 2026 |
| แพทย์ Permanente ที่นำ AI สไครบ์มาใช้ใน 10 สัปดาห์แรกของการนำออกใช้ปี 2023 | 3,442 จาก 10,000 คนที่ได้รับการเสนอ ครอบคลุมการตรวจ 303,266 ครั้ง | AMA, รายงานโครงการนำร่อง Permanente 2024 |
บริบท: ที่ Providence ผู้ใช้ที่แข็งขันคิดเป็นเพียงราว 8% ของบุคลากรทางคลินิกทั้งหมดตลอดช่วงเวลาการศึกษา ซึ่งเตือนว่า “การนำออกใช้” ทั่วทั้งระบบอาจอยู่ร่วมกับอัตราการแพร่หลายเฉลี่ยที่ต่ำได้
5. ผลิตภาพ การเรียกเก็บเงิน และคำถามเรื่องผลตอบแทนจากการลงทุน
เหตุผลด้านการเงินมีอยู่จริงแต่เล็กน้อย ผู้ที่นำมาใช้ที่ UCSF สร้างหน่วยมูลค่าสัมพัทธ์ (RVU หน่วยของ Medicare ที่วัดงานของแพทย์ที่เรียกเก็บเงินได้) เพิ่มขึ้น 1.81 หน่วยต่อสัปดาห์ ซึ่งผู้เขียนแปลงเป็นราว $3,044 ต่อแพทย์ต่อปีตามอัตรา Medicare ปี 2025 โดยไม่พบความแตกต่างในการปฏิเสธการเบิกจ่าย (JAMA Network Open, UCSF 2026) ตัวเลขเหล่านี้เป็นการประมาณรายได้ขั้นต้น ไม่ใช่ผลตอบแทนจากการลงทุนที่วัดได้จริง
สัญญาณด้านการเรียกเก็บเงินควรได้รับการพิจารณาอย่างรอบคอบ RVU ที่เพิ่มขึ้นบางส่วนอาจมาจากการบันทึกงานที่ทำมาตลอดได้ครบถ้วนขึ้น และบางส่วนอาจมาจากความเข้มข้นของการให้รหัส การตรวจสอบความถูกต้องของ KLAS กับผู้ให้บริการรายหนึ่งแสดงให้เห็นว่ารหัสการตรวจติดตามระดับ 3 ลดลง 18.2% ขณะที่รหัสระดับ 4 เพิ่มขึ้น 7.3% และรหัสระดับ 5 เพิ่มขึ้น 5.0% ที่ McLeod Health และผู้เขียนจาก UCSF ระบุอย่างชัดเจนว่างานในอนาคตต้องแยกการให้รหัสที่ถูกต้องออกจากอัปโค้ดดิ้ง (การใช้รหัสระดับสูงเกินจริง)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| RVU ต่อสัปดาห์ ผู้ที่นำ AI สไครบ์มาใช้เทียบกับผู้ที่ไม่ได้ใช้ (UCSF, การตรวจ 1.2 ล้านครั้ง) | +1.81 (ช่วงความเชื่อมั่น 95% 0.86 ถึง 2.75; P < .001) | JAMA Network Open, UCSF 2026 |
| จำนวนการตรวจผู้ป่วยต่อสัปดาห์ ผู้ที่นำมาใช้เทียบกับผู้ที่ไม่ได้ใช้ (UCSF) | +0.80 (ช่วงความเชื่อมั่น 95% 0.05 ถึง 1.56; P = .04) | JAMA Network Open, UCSF 2026 |
| การตรวจเพิ่มเติมต่อสัปดาห์และรายได้ค่าประเมินและการจัดการรายเดือนเชิงสำรวจต่อบุคลากรทางคลินิกที่นำมาใช้ (5 ระบบสถาบันการศึกษา) | +0.49 การตรวจ (ช่วงความเชื่อมั่น 95% 0.17 ถึง 0.81) เพิ่มขึ้น 1.7%; $167.37 ต่อเดือน (ช่วงความเชื่อมั่น 95% $86.52 ถึง $248.21) | JAMA, การศึกษาหลายแห่ง 2026 |
| RVU มัธยฐาน ก่อนเทียบกับหลังการนำมาใช้ (Providence) | 382.3 เป็น 399.1 (P < .001) ไม่มีการเปลี่ยนแปลงอย่างมีนัยสำคัญของจำนวนนัดหมายต่อวัน | JAMA Network Open, Husa และคณะ 2026 |
| RVU จากงานในวันที่ 150 เทียบกับก่อนการนำมาใช้ (ปฐมภูมิ) | +2% (IRR 1.02) | พรีปรินต์ medRxiv, Washington University 2026 |
| คะแนนความสอดคล้องของการให้รหัสวินิจฉัย (ICD-10) 0 ถึง 10: บันทึกจาก AI แบบฟังการตรวจเทียบกับบันทึกที่มนุษย์เขียน | 6.87 เทียบกับ 5.94 (P<0.001) | NEJM AI, Afshar และคณะ 2025 |
| เวลาในบันทึกและกำไรสุทธิรายเดือนต่อผู้ให้บริการที่ McLeod Health (การตรวจสอบเฉพาะผู้ให้บริการของ Suki) | -26.8% เวลาในบันทึก; กำไรสุทธิ $1,004 ต่อผู้ให้บริการต่อเดือน; รหัสการตรวจติดตามระดับ 3 -18.2% | KLAS Research, Suki ROI Validations 2026 (รายงานเฉพาะผู้ให้บริการ ผ่าน HIT Consultant) |
บริบท: ตัวเลขของ KLAS อธิบายลูกค้าของผู้ให้บริการรายเดียวและไม่ใช่เกณฑ์เปรียบเทียบของทั้งหมวด FMOL Health ในรายงานเดียวกันบันทึกการลดลง 21% ของเวลาในบันทึก
6. ความแม่นยำของบันทึก ข้อผิดพลาด และภาระการแก้ไข
การตรวจสอบในสภาพจริงที่ละเอียดที่สุดจนถึงตอนนี้มาจาก UC Davis ที่ผู้ตรวจทานอ่านบันทึกที่ AI ร่าง 356 จาก 7,545 ฉบับ พบการตกหล่นของข้อมูลใน 18% ของบันทึกที่ได้รับการตรวจทาน และพบภาวะหลอนของ AI (เนื้อหาที่ AI เขียนขึ้นโดยไม่ได้พูดถึงในการตรวจ) ใน 11.5% ขณะที่ 5.3% มีข้อผิดพลาดที่ถูกประเมินว่าก่อความเสี่ยงร้ายแรงหรือใกล้จะเกิดขึ้น (JMIR Medical Informatics, UC Davis 2026) กล่าวอีกอย่างคือ 19 จาก 356 ร่างที่สุ่มตรวจต้องแก้ไขในจุดที่สำคัญต่อความปลอดภัย จึงเป็นเหตุผลที่ผู้เขียนสรุปว่ายังจำเป็นต้องให้บุคลากรทางคลินิกตรวจทาน
อัตราข้อผิดพลาดขึ้นอยู่กับว่าใครนับและนับอย่างไรเป็นอย่างมาก การตรวจสอบแบบพรีปรินต์เมื่อสิงหาคม 2026 กับ AI สไครบ์เชิงพาณิชย์ 3 ตัวพบความล้มเหลวที่ยืนยันแล้วใน 31.3% ของบันทึก แต่ก็แสดงด้วยว่าระหว่าง 28% ถึง 97% ของบันทึกที่สุ่มตรวจมีความล้มเหลว ขึ้นอยู่กับมาตรฐานการตรวจทานที่ใช้ (พรีปรินต์ arXiv 2026) ผลที่ออกมาก่อนหน้าและดีกว่ามาจากโครงการนำร่องของ Permanente ปี 2024 ซึ่งให้คะแนนบทถอดความ 35 ฉบับเฉลี่ย 48 จาก 50 ด้านความแม่นยำและมาตรวัดที่เกี่ยวข้อง และจากการทดลอง Wisconsin ซึ่งพบภาษาที่ตีตราในบันทึกไม่ถึง 1% (12 ฉบับ) ชั้นการถอดเสียงที่อยู่ใต้บันทึกเหล่านี้มีช่องว่างด้านความแม่นยำของตัวเองตามผู้พูด ซึ่งเราอธิบายไว้ในสถิติอคติด้านสำเนียงของการรู้จำเสียงพูด
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| บันทึกที่ AI ร่างและได้รับการตรวจทานซึ่งมีการตกหล่นโดยไม่ตั้งใจ (UC Davis, 356 ฉบับ) | 18% (64 ฉบับ) | JMIR Medical Informatics, UC Davis 2026 |
| บันทึกที่ได้รับการตรวจทานซึ่งมีเนื้อหาที่ AI แต่งขึ้นเอง | 11.5% (41 ฉบับ) | JMIR Medical Informatics, UC Davis 2026 |
| บันทึกที่ได้รับการตรวจทานซึ่งมีส่วนที่ใส่เพิ่มโดยไม่ตั้งใจเทียบกับที่มีอคติ | 9.3% (33 ฉบับ) เทียบกับ 1.1% (4 ฉบับ) | JMIR Medical Informatics, UC Davis 2026 |
| บันทึกที่ได้รับการตรวจทานซึ่งมีข้อผิดพลาดที่ประเมินว่าเสี่ยงร้ายแรงหรือใกล้จะเกิดขึ้น (ความรุนแรง 4 ถึง 5) | 5.3% (19 ฉบับ) | JMIR Medical Informatics, UC Davis 2026 |
| สัดส่วนมัธยฐานของคำที่ AI สร้างซึ่งแพทย์แก้ไขเทียบกับบันทึกที่ปล่อยไว้โดยไม่แก้ | 9.0% เทียบกับ 14.9% (143 จาก 960) | JMIR Medical Informatics, UC Davis 2026 |
| คุณภาพบันทึกโดยรวมตามมาตรวัด PDQI-9 การตรวจแพทย์เฉพาะทางจำลอง (VA, 2 ผลิตภัณฑ์) | 36.2 จาก 50; ความครบถ้วนเป็นหัวข้อที่ต่ำสุดที่ 3.4 จาก 5 | JAMA Network Open, การศึกษาจำลองของ VA 2026 |
| บันทึกที่มีความล้มเหลวที่ยืนยันแล้วอย่างน้อยหนึ่งจุด AI สไครบ์เชิงพาณิชย์ 3 ตัว การปรึกษา 142 ครั้ง (พรีปรินต์) | 31.3% [27.0, 35.6] | พรีปรินต์ arXiv 2026 |
| ความถี่ของความไม่แม่นยำที่มีนัยสำคัญทางคลินิกตามที่แพทย์ประเมิน มาตรวัด 5 ระดับ (2 = นาน ๆ ครั้ง, 3 = เป็นครั้งคราว) | DAX 2.7; Nabla 2.8; เหตุการณ์ไม่พึงประสงค์ระดับเล็กน้อย 1 ครั้งในการทดลอง | NEJM AI, Lukac และคณะ 2025 |
บริบท: การศึกษาของ VA ระบุชนิดของข้อผิดพลาดที่บุคลากรทางคลินิกกลัวมากที่สุด รวมถึงผลตรวจร่างกายที่แต่งขึ้นและผลลบที่สำคัญซึ่งถูกละเว้น และผู้เข้าร่วมจากสาขาโลหิตวิทยา-มะเร็งวิทยาคนหนึ่งเรียกสิ่งเหล่านี้ว่า “ปัญหาความปลอดภัยครั้งใหญ่”
7. การยอมรับของผู้ป่วยและความยินยอม
ในคลินิกของสหรัฐอเมริกา ผู้ป่วยแทบไม่ปฏิเสธ ในการทดลอง Wisconsin ผู้ป่วย 99.92% ยินยอมให้บันทึกเสียงแบบฟังการตรวจ มีผู้ปฏิเสธเพียง 22 คน (NEJM AI, Afshar และคณะ 2025) การสำรวจความเห็นสาธารณะเล่าเรื่องที่ระมัดระวังกว่า และช่องว่างส่วนใหญ่เกี่ยวกับข้อมูล คือความสบายใจลดลงเมื่อผู้ป่วยรู้ว่าเสียงถูกส่งไปที่ไหนและมีบริษัทใดเกี่ยวข้อง
การศึกษาความยินยอมของ NYU แสดงผลนี้โดยตรง ความยินยอมอยู่ที่ 81.6% หลังได้รับข้อมูลพื้นฐานเกี่ยวกับเทคโนโลยี แต่เหลือ 55.3% หลังได้รับคำอธิบายโดยละเอียดเกี่ยวกับคุณสมบัติด้าน AI การจัดเก็บข้อมูล และการมีส่วนเกี่ยวข้องของบริษัท (JAMA Network Open, NYU Langone 2025) ในสหราชอาณาจักร ความสบายใจลดลงจาก 48% สำหรับการตรวจสุขภาพตามปกติ เหลือ 23% สำหรับการปรึกษาเรื่องความรุนแรงในครอบครัว (Healthwatch England 2026) การพูดคุยเรื่องความยินยอมในสภาพแวดล้อมหลายภาษาเพิ่มอีกชั้นหนึ่ง ซึ่งเราอธิบายไว้ในสถิติล่ามทางการแพทย์ในโรงพยาบาล
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผู้ป่วยโครงการนำร่องของ NYU ที่สบายใจกับการบันทึกเอกสารแบบฟังการตรวจตั้งแต่เริ่มต้น (ผู้ป่วย 103 คน) | 74.8% (77 คน) | JAMA Network Open, NYU Langone 2025 |
| ผู้ป่วยโครงการนำร่องของ NYU ที่จะยินยอมหลังได้รับข้อมูลพื้นฐานเทียบกับหลังการเปิดเผยรายละเอียดเรื่องคุณสมบัติด้าน AI การจัดเก็บข้อมูล และการมีส่วนเกี่ยวข้องของบริษัท | 81.6% (84) เทียบกับ 55.3% (57) | JAMA Network Open, NYU Langone 2025 |
| ผู้ป่วยโครงการนำร่องของ NYU ที่ไม่ต้องการให้ข้อมูลของตนถูกแชร์กับผู้ให้บริการ | 59.2% (61 คน) | JAMA Network Open, NYU Langone 2025 |
| ผู้ใหญ่ชาวแคนาดาที่ลังเลต่อการใช้ AI สไครบ์ในอนาคตเทียบกับที่ทราบว่ามีการใช้ AI สไครบ์ (ผู้ใหญ่ 12,153 คน) | 61.8% เทียบกับ 28.3% | JAMIA, Chandrasekaran และ Moustakas 2026 |
| ผู้ใหญ่ในสหราชอาณาจักรที่ต้องการให้บุคลากรทางคลินิกขอความยินยอมก่อนใช้ AI สไครบ์ (ผู้ใหญ่ 4,039 คน) | 81% | Healthwatch England, โพลของ YouGov 2026 |
| ผู้ใหญ่ในสหราชอาณาจักรที่เพิ่งมีนัดหมายและไม่ทราบว่ามีการใช้ AI จดบันทึก | เกือบ 90% ของ 2,795 คน | Healthwatch England, โพลของ YouGov 2026 |
| ผู้ใหญ่ในสหราชอาณาจักรที่ค่อนข้างหรือสบายใจมากกับ AI สไครบ์: การตรวจสุขภาพตามปกติเทียบกับการปรึกษาเรื่องความรุนแรงในครอบครัว | 48% เทียบกับ 23% | Healthwatch England, โพลของ YouGov 2026 |
| ผู้ป่วย Permanente ที่สบายใจเทียบกับไม่สบายใจกับ AI สไครบ์ (ผู้ป่วย 118 คน) | สองในสาม เทียบกับ 8% (เป็นกลาง 26%) | The Permanente Medical Group, NEJM Catalyst 2025 |
บริบท: การสนับสนุนการนำออกใช้ทั่ว NHS ในสหราชอาณาจักรแบ่งกันเกือบเท่ากัน คือสนับสนุน 38% และคัดค้าน 37% และการคัดค้านอย่างรุนแรง (21%) เกือบสองเท่าของการสนับสนุนอย่างเต็มที่ (11%)
สรุป: AI สไครบ์ทางการแพทย์แบบฟังการตรวจในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาวะหมดไฟ ก่อนเทียบกับหลังใช้ AI สไครบ์ 30 วัน (6 ระบบ) | 51.9% เป็น 38.8% | JAMA Network Open, Olson และคณะ 2025 |
| ผู้ปฏิบัติงานที่อยู่เหนือเกณฑ์ความเหนื่อยล้าจากการทำงานระดับสูง ช่วงเริ่มต้นเทียบกับช่วงสิ้นสุดการทดลอง | 56.1% เป็น 35.4% | NEJM AI, Afshar และคณะ 2025 |
| เวลาบันทึกเอกสารต่อชั่วโมงตรวจผู้ป่วยตามนัด 8 ชั่วโมง ผู้ที่นำมาใช้เทียบกับผู้ที่ไม่ได้ใช้ | -16.0 นาที (ราว -10%) | JAMA, การศึกษาหลายแห่ง 2026 |
| การเปลี่ยนแปลงของเวลาเขียนบันทึกเฉลี่ย: กลุ่ม Nabla เทียบกับกลุ่มควบคุม (สุ่ม) | -41 วินาที เทียบกับ -18 วินาที | NEJM AI, Lukac และคณะ 2025 |
| งานนอกเวลาต่อวัน Penn Medicine | 50.6 เป็น 35.4 นาที | JAMA Network Open, Duggan และคณะ 2025 |
| เวลาชุดนอนในวันที่ 150 ปฐมภูมิ (พรีปรินต์) | -19% | พรีปรินต์ medRxiv, Washington University 2026 |
| บุคลากรทางคลินิกที่นำ AI สไครบ์มาใช้ใน 5 ระบบสถาบันการศึกษา | 21.1% | JAMA, การศึกษาหลายแห่ง 2026 |
| ผู้ใช้ AI แบบฟังการตรวจอย่างแข็งขันของ Providence ม.ค. 2024 เทียบกับ มี.ค. 2025 | 0.1% เป็น 28.8% | JAMA Network Open, Husa และคณะ 2026 |
| แพทย์ที่ใช้ AI กับรหัสการเรียกเก็บเงิน เวชระเบียน หรือบันทึกการตรวจ | 28% | AMA, การสำรวจแพทย์เรื่องปัญญาเสริมกำลัง 2026 |
| RVU ต่อสัปดาห์ ผู้ที่นำมาใช้เทียบกับผู้ที่ไม่ได้ใช้ (UCSF) | +1.81 | JAMA Network Open, UCSF 2026 |
| รายได้เพิ่มเติมโดยประมาณต่อแพทย์ต่อปี (UCSF) | ราว $3,044 | JAMA Network Open, UCSF 2026 |
| บันทึกจาก AI ที่ได้รับการตรวจทานซึ่งมีการตกหล่น / เนื้อหาที่ AI แต่งขึ้นเอง / ข้อผิดพลาดเสี่ยงร้ายแรงหรือใกล้จะเกิดขึ้น | 18% / 11.5% / 5.3% | JMIR Medical Informatics, UC Davis 2026 |
| บันทึกที่มีความล้มเหลวที่ยืนยันแล้ว AI สไครบ์เชิงพาณิชย์ 3 ตัว (พรีปรินต์) | 31.3% | พรีปรินต์ arXiv 2026 |
| ความยินยอมของผู้ป่วยต่อการบันทึกเสียงแบบฟังการตรวจ (การทดลองในสหรัฐอเมริกา) | 99.92% | NEJM AI, Afshar และคณะ 2025 |
| ความยินยอมของผู้ป่วยหลังการเปิดเผยโดยละเอียดเทียบกับข้อมูลพื้นฐาน (NYU) | 55.3% เทียบกับ 81.6% | JAMA Network Open, NYU Langone 2025 |
| ผู้ใหญ่ชาวแคนาดาที่ลังเลต่อการใช้ AI สไครบ์ในอนาคต | 61.8% | JAMIA 2026 |
| ผู้ใหญ่ในสหราชอาณาจักรที่ต้องการให้มีการขอความยินยอม | 81% | Healthwatch England 2026 |
ระเบียบวิธีและแหล่งที่มา
เราให้ความสำคัญกับการทดลองแบบสุ่มและการศึกษาในระบบสุขภาพที่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิก่อน ใช้ข่าวประชาสัมพันธ์เฉพาะเมื่อสรุปบทความที่ระบุชื่อ และระบุว่าพรีปรินต์และรายงานเฉพาะผู้ให้บริการเป็นเช่นนั้น ไม่มีตัวเลขใดในสรุปนี้มาจากข้อมูลของ VoxBooster
- NEJM AI, Lukac และคณะ 2025, Ambient AI Scribes in Clinical Practice: A Randomized Trial (UCLA) พร้อมข่าวประชาสัมพันธ์ของ UCLA Health
- NEJM AI, Afshar และคณะ 2025, A Pragmatic Randomized Controlled Trial of Ambient AI to Improve Health Practitioner Well-Being (University of Wisconsin)
- JAMA 2026, Changes in Clinician Time Expenditure and Visit Quantity With Adoption of AI-Powered Scribes: A Multisite Study
- JAMA Network Open, Olson และคณะ 2025, Use of Ambient AI Scribes to Reduce Administrative Burden and Professional Burnout
- JAMA Network Open, Duggan และคณะ 2025, Clinician Experiences With Ambient Scribe Technology (Penn Medicine)
- JAMA Network Open, Husa และคณะ 2026, Ambient AI Use and Clinician Documentation Burden, Productivity, and Efficiency (Providence)
- JAMA Network Open 2026, Ambient AI Scribes and Physician Financial Productivity (UCSF)
- พรีปรินต์ medRxiv 2026, Longitudinal Effects of Ambient AI Scribe Use in Primary Care (Washington University) ยังไม่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิ
- The Permanente Medical Group, การทบทวนหนึ่งปีของ NEJM Catalyst 2025 สรุปโดย Kaiser Permanente Division of Research
- AMA, การสำรวจแพทย์เรื่องปัญญาเสริมกำลัง 2026
- AMA, รายงานการใช้ AI ของแพทย์และโครงการนำร่อง Hattiesburg Clinic 2025
- AMA, รายงานโครงการนำร่อง 10 สัปดาห์ของ Permanente 2024
- Mass General Brigham, ข่าวประชาสัมพันธ์เกี่ยวกับ You และคณะ JAMA Network Open 2025 (Mass General Brigham และ Emory)
- JMIR Medical Informatics 2026, Quality of Clinical Notes Created by Ambient Listening Generative AI (UC Davis)
- JAMA Network Open 2026, Ambient Scribe Technology in Simulated Patient Encounters Across Specialties (Veterans Health Administration)
- พรีปรินต์ arXiv 2026, One note in three: a verified census of three deployed AI scribes ยังไม่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิ
- JAMA Network Open 2025, Informed Consent for Ambient Documentation Using Generative AI in Ambulatory Care (NYU Langone)
- JAMIA 2026, Patient attitudes toward ambient AI scribes in clinical care (การสำรวจในแคนาดา)
- Healthwatch England 2026, What does the public think about AI scribe use in healthcare (โพลของ YouGov)
- KLAS Research, Suki ROI Validations 2026 รายงานเฉพาะผู้ให้บริการตามที่ HIT Consultant รายงาน
- ข้อสังเกตเกี่ยวกับข้อมูล: ขนาดผลส่วนใหญ่ในที่นี้มาจากการออกแบบแบบก่อนและหลังที่ไม่สุ่มหรือแบบสังเกตการณ์ซึ่งผู้ที่นำมาใช้เลือกเอง จึงเป็นความสัมพันธ์ ไม่ใช่หลักฐานของเหตุและผล มีเพียงการทดลองของ UCLA และ Wisconsin เท่านั้นที่เป็นแบบสุ่ม บทความของ Penn รายงานการลดลงของงานนอกเวลา 30.0% ในบทคัดย่อ แต่ -16.9% ในตารางที่ 2 และบทคัดย่อระบุว่า “ต่อวันทำงาน” ขณะที่ตารางระบุว่า “ต่อวันตามนัด” การศึกษา Olson แปลงการเปลี่ยนแปลงงานนอกเวลารายสัปดาห์เป็น 10.8 นาทีต่อวันทำงาน ซึ่งเป็นค่าประมาณที่คำนวณต่อ และผู้เขียนหลายคนมีความเกี่ยวข้องกับผู้ให้บริการที่ AI สไครบ์ถูกนำมาศึกษา บทความจำลองของ VA ให้คะแนนด้านประสาทวิทยาเป็น 42.2 ในเนื้อความและ 41.2 ในตาราง การสำรวจภาวะหมดไฟที่ Mass General Brigham และ Emory มีอัตราการตอบกลับ 11% ถึง 30% การศึกษาของ Washington University และ arXiv เป็นพรีปรินต์และอาจเปลี่ยนแปลงก่อนผ่านการทบทวนโดยผู้ทรงคุณวุฒิ และตัวเลขของ KLAS อธิบายลูกค้าของผู้ให้บริการรายเดียว ตัวเลขจากการสำรวจแพทย์ Permanente (ผู้ตอบ 102 คน) และผู้ป่วย (ผู้ตอบ 118 คน) เป็นกลุ่มตัวอย่างขนาดเล็กจากกลุ่มแพทย์เดียว ข้อมูลใหม่ที่สำคัญที่สุดที่คาดหวังคือการสำรวจเรื่องปัญญาเสริมกำลังครั้งถัดไปของ AMA และการติดตามผลที่ยาวนานขึ้นจากกลุ่มตัวอย่าง JAMA ใน 5 ระบบ ซึ่งค่าประมาณที่แข็งแกร่งที่สุดครอบคลุมเพียงราว 5 เดือนหลังการนำมาใช้
อัปเดตล่าสุด: 24 ตุลาคม 2026 เราจะอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อ AMA เผยแพร่การสำรวจแพทย์เรื่องปัญญาเสริมกำลังประจำปี 2027