Оценка эффективности распознавания речи на основе искусственного интеллекта для ведения медицинской документации: систематический обзор

Введение: Медицинская документация имеет ключевое значение для эффективного обмена информацией, юридической ответственности и преемственности медицинской помощи. Традиционные методы документирования, например ручная расшифровка, требуют много времени, подвержены ошибкам и способствуют профессиональному выгоранию врачей. Системы расшифровки на основе искусственного интеллекта, использующие автоматическое распознавание речи (ASR) и обработку естественного языка (NLP), призваны автоматизировать ведение медицинской документации и повысить его точность и эффективность. Однако эффективность этих систем существенно различается в разных клинических условиях, что обусловливает необходимость систематического обзора опубликованных исследований.

Методы: Проведён комплексный поиск в базах данных MEDLINE, Embase и Cochrane Library; поиск охватывал все публикации, доступные до 16 февраля 2025 года. В обзор включали исследования с участием врачей, использовавших программное обеспечение для расшифровки речи на основе искусственного интеллекта, в которых оценивали такие исходы, как точность (например, частота ошибок распознавания слов), временная эффективность и удовлетворённость пользователей. Данные извлекали систематически, а качество исследований оценивали с помощью инструмента QUADAS-2. Из-за неоднородности дизайна исследований и оцениваемых исходов был выполнен нарративный синтез с представлением ключевых результатов и общих закономерностей.

Результаты: Критериям включения соответствовали 29 исследований. Частота ошибок распознавания слов варьировала от 0,087 в условиях контролируемой диктовки до более 50% в разговорной речи или при участии нескольких говорящих. Значения F1 варьировали от 0,416 до 0,856, что отражает значительную неоднородность точности. В одних исследованиях отмечалось сокращение времени ведения документации и повышение полноты записей, тогда как в других указывались увеличение объёма редактирования, непоследовательная экономическая эффективность и сохранение ошибок при распознавании специализированной терминологии или речи с акцентом. Современные подходы на основе больших языковых моделей обеспечивали автоматическое составление резюме, однако для гарантии клинической безопасности часто требовали проверки человеком.

Выводы: Системы расшифровки речи на основе искусственного интеллекта способны улучшить ведение медицинской документации, однако их применению препятствуют проблемы точности, адаптивности и интеграции в рабочие процессы. Для эффективного внедрения в клиническую практику необходимо совершенствовать обучение на данных предметной области, коррекцию ошибок в режиме реального времени и совместимость с электронными медицинскими картами. В дальнейших исследованиях также следует сосредоточиться на цифровых медицинских секретарях нового поколения, использующих большие языковые модели для составления резюме и последующего преобразования текста в другие форматы.

Номер клинического исследования: неприменимо.