多伦多大学模拟研究：AI scribe把医生文书时间砍掉69.1%，从36.3%降到11.2%
9月15日news-medical报道，多伦多大学博士生LaShawn Murray团队发表于JAMIA Open的研究显示：AI scribe可使初级保健模拟问诊中的文书时间减少69.1%。研究让9名家庭医生在有无AI scribe条件下完成标准化模拟接诊，通过录像分析时间分配——不使用时医生超过三分之一（36.3%）的接诊时间花在记录上，使用后降至11.2%。团队此前对6款AI scribe产品做过可用性与准确性 competitive 分析，本次选用表现最好的3款。一个意外发现是工作流变化：医生从边问边打字转向事后审校AI生成病历，部分医生开始用便签记录追问要点，提示文书方式本身影响临床思考。研究处于模拟环境，团队明确提示真实门诊中的患者接受度、录音同意等仍是待验证问题。
文书时间从36.3%降到11.2%：多伦多大学模拟研究给AI病历写下第一份成绩单
事实报道 × 医院信息化与临床医生 ｜ 深度研报
9月15日，news-medical报道，多伦多大学与Women's College Hospital团队发表于JAMIA Open的研究显示：在模拟初级保健问诊中，AI scribe（AI病历助手）使医生文书时间减少69.1%——文书占接诊时长的比例从36.3%降至11.2%，直接诊疗时间则从63.7%升至88.8%。这项覆盖9名家庭医生的对照研究还捕捉到一个意外信号：医生的工作流从“边问边打字”转向“事后审校”，文书方式本身参与临床思考。
核心数字开场：69.1%从何而来
先看两组数。不使用AI scribe时，医生在一次接诊中超过三分之一的时间（36.3%）花在记录上；使用后这一比例降至11.2%，降幅达69.1%。相应地，直接诊疗时间占比从63.7%升至88.8%。
这里的AI scribe指录音并生成结构化、合规临床病历的工具，输出通常采用SOAP (Subjective, Objective, Assessment, Plan) 格式。医生倦怠与患者安全、错误率及人才流失相关，而行政负担是重要来源——研究第一作者、多伦多大学博士生LaShawn Murray自2023年起研究AI scribes，她希望这项工作能减少延时补记 (after-hours charting)，以及靠回忆补记几天前接诊内容的负担。
研究团队由Murray、多伦多大学教授Enid Montague与Women's College Hospital的Onil Bhattacharyya医生组成，项目属多伦多大学Wellness and Health Enhancement Engineering Lab与Women's College Hospital数字健康评价中心的多年期合作，此前已产出多篇AI scribe评估论文，本次研究是其中的时间分配量化环节。
研究设计拆解：九名医生、模拟问诊、六选三
设计上有两个值得注意的细节。
第一，对照方法。9名家庭医生在有无AI scribe两种条件下完成标准化模拟患者接诊，研究者用录像逐段分析时间分配，让“文书占了多少时间”变成可测量的分段数据，而非问卷自报。
第二，产品筛选。团队此前曾对6款AI scribe产品做可用性、技术性能与准确性的competitive analysis（JAMIA系列论文，PMID 40700466），本次选用表现最好的3款。那次分析还有两个结论：几乎所有产品都能在15分钟标准化接诊后约1分钟内生成SOAP病历；但无一完全无错，常见错误包括删除、遗漏与SOAP结构错误。
意外发现深挖：便签现象与文书方式的变化
真正的增量发现不在数字而在工作流。使用AI scribe时，部分医生改用便签 (scratch pad) 记录追问要点；接诊中的打断更少；医生的角色从“边问边打字”转向“事后审校AI生成的病历”。
一个可能的解读是：亲手写病历本身参与临床思考与决策提问，记录方式的变化会反过来改变问诊行为。这意味着AI scribe带来的不是单纯的省时，而是一次岗位内工作流重构——省下的打字时间被重新分配给追问、观察与倾听，而质量控制转移到了审校环节。审校是新引入的关键动作：产品会出错，医生必须兜底。
横向对照：时间分配的阶梯
把两种条件下的时间分配并排看，AI scribe对问诊结构的改变一目了然：
| 指标 | 无AI scribe | 有AI scribe |
|---|---|---|
| 直接诊疗时间占比 | 63.7% | 88.8% |
| 文书时间占比 | 36.3% | 11.2% |
| 文书时间降幅 | — | 69.1% |
把模拟数据当成采购决策的唯一依据并不稳妥，但作为“时间都去哪儿了”的基线证据，它比厂商宣传材料里的省时百分比更可复核。语境差异也值得记录：加拿大安大略的隐私法规与美国不同，此前证据多来自美国大医院系统，团队刻意做了安大略本地化研究。目前，Sinai Health与多伦多大学家庭医学科 (DFCM) 等已将发现转化为临床试点，背景是CMA、MD Financial与Scotiabank共同出资1000万加元的Health Care Unburdened Grant计划。
落地启示：模拟数据怎么用、边界在哪里
对正在评估文书AI的医院信息科，这项研究给出三个可操作的参考点：一是采购前先做本地化小样本模拟对照，量化自家场景的时间分配基线；二是把病历准确率纳入验收标准——生成快不等于生成对，删除、遗漏与结构错误需要人工审校兜底；三是配套工作流培训，医生需要学会“审校者”这个新角色。
不确定性同样明确：模拟环境不等于真实门诊。患者对录音的接受度、不同患者群体的差异，以及医生几乎总用scribe时如何处理不同意录制的患者，都是下一步待验证的问题。69.1%是一份亮眼的模拟成绩单，真实门诊的成绩，还要等试点数据来写。
原文链接：news-medical
千方医数集编辑部 出品
