Impact of an AI-assisted automated system on the clinical workload of orthopedic trauma surgeons and the quality of medical documentation

Tariel Z. Mamuladze; Мамуладзе Тариэл Зурабович; Irina A. Kirilova; Кирилова Ирина Анатольевна; Andrey A. Korytkin; Корыткин Андрей Александрович; Andrey P. Sereda; Середа Андрей Петрович; Sergey V. Mishinov; Мишинов Сергей Валерьевич

doi:10.17816/2311-2905-17757

Impact of an AI-assisted automated system on the clinical workload of orthopedic trauma surgeons and the quality of medical documentation

Authors: Mamuladze T.Z.¹, Kirilova I.A.¹, Korytkin A.A.¹, Sereda A.P.¹, Mishinov S.V.¹
Affiliations:
1. Tsivyan Novosibirsk Research Institute of Traumatology and Orthopaedics
Issue: Vol 32, No 1 (2026)
Pages: 127-134
Section: Trauma and orthopedic care
Submitted: 22.08.2025
Accepted: 17.02.2026
Published: 27.03.2026
URL: https://journal.rniito.org/jour/article/view/17757
DOI: https://doi.org/10.17816/2311-2905-17757
ID: 17757

Cite item

Full Text

Abstract
Full Text
About the authors
References
Supplementary files
Statistics

Abstract

Background. The increasing volume of clinical information under conditions of limited time and human resources places a substantial burden on medical personnel and increases the risk of errors in routine tasks, including the completion of medical records. Automation of medical documentation using artificial intelligence (AI) technologies represents a promising approach to reducing time costs and improving the quality of clinical data management.

The aim of the study — to evaluate the impact of an AI-assisted automated system on the clinical workload of an orthopedic trauma surgeon and the quality of medical documentation.

Methods. A retrospective comparative before-after study was conducted. An automated system integrating automatic speech recognition (ASR), natural language processing (NLP), and generative text modules was implemented in the clinical workflow. Three orthopedic trauma surgeons with more than 10 years of professional experience participated in the study. Data from 480 electronic medical records of patients hospitalized for primary total hip arthroplasty were analyzed (240 before and 240 after system implementation). The following parameters were evaluated: time required for completing medical records, frequency of record returns for correction by the quality control department, subjective workload assessed using the adapted Russian version of the NASA-TLX, and physician satisfaction assessed using a 5-point Likert scale.

Results. After system implementation, the average time required to complete a full medical record decreased from 92.4±14.7 to 48.1±11.2 minutes (p < 0.001). The proportion of records returned for revision decreased from 18.3% to 6.7% (p = 0.004). The mean NASA-TLX score reflecting subjective workload decreased from 67.5±8.2 to 48.9±7.1 (p = 0.002). Physician satisfaction with the system averaged 4.3 out of 5.0 points on the Likert scale.

Conclusion. Implementation of an automated system incorporating artificial intelligence technologies significantly reduces the time required for medical documentation, improves its quality, and decreases the cognitive workload of physicians. These findings support the potential of AI-based tools to optimize clinical workflows and improve efficiency in orthopedic practice.

Keywords

medical documentation, artificial intelligence, automatic speech recognition, natural language processing, NASA-TLX, clinical efficiency

Full Text

ВВЕДЕНИЕ

Рост объема клинической информации при ограниченных ресурсах повышает нагрузку на медицинский персонал и риск ошибок при оформлении документации. Значительная доля рабочего времени хирургов тратится на рутинные задачи, включая заполнение историй болезни (ИБ) и стандартных форм [1, 2].

В Российской Федерации в последние годы отмечается активное внедрение технологий искусственного интеллекта (ИИ) в клиническую практику, включая диагностические и организационные процессы [3]. В травматологии и ортопедии внедрение технологий ИИ сопровождается как перспективами повышения диагностической точности и стандартизации процессов, так и дискуссией о реальных возможностях и ограничениях данных решений [4]. Технологии обработки естественного языка (NLP) и генеративные языковые модели рассматриваются как инструмент структурирования медицинских записей и стандартизации клинической документации [5, 6]. Отдельные клинические исследования демонстрируют повышение диагностической точности при использовании алгоритмов ИИ при заболеваниях крупных суставов [7].

Несмотря на очевидные преимущества, существуют барьеры для внедрения: сложность интеграции с существующими медицинскими информационными системами (МИС), потребность в вычислительных ресурсах, вопросы интерпретируемости алгоритмов и необходимость повышения уровня цифровой грамотности персонала [8, 9].

Цель исследования — оценить влияние автоматизированной системы с элементами искусственного интеллекта на клиническую нагрузку врача-травматолога-ортопеда и качество ведения медицинской документации.

МАТЕРИАЛ И МЕТОДЫ

Дизайн исследования

Тип исследования — ретроспективное сравнительное исследование типа «до – после».

Период наблюдения составил 12 мес.: 6 мес. до внедрения системы (контрольный период) и 6 мес. — после (основной период).

Исследование проводилось в отделении травматологии и ортопедии Новосибирского научно-исследовательского института травматологии и ортопедии им. Я.Л. Цивьяна. Внедрению предшествовало обучение персонала, обеспеченное постоянной технической поддержкой IT-службы учреждения.

Участники. В исследовании приняли участие три врача-травматолога-ортопеда со стажем работы по специальности более 10 лет. Для анализа временных затрат и качества документации были использованы данные 480 пациентов (240 в контрольном периоде и 240 — в основном), госпитализированных в плановом порядке для первичного эндопротезирования тазобедренного сустава. Критериями невключения являлись случаи ревизионного эндопротезирования и случаи, когда лечащий врач не использовал автоматизированную систему.

Описание автоматизированной системы

Разработанная автоматизированная система предназначена для интеллектуальной поддержки врача-ортопеда при оформлении медицинской документации и создании структурированных разделов электронной ИБ в медицинской информационной системе (МИС МЕД ассист 2.37). Система функционирует в изолированном вычислительном контуре и не предусматривает сетевого взаимодействия или передачи данных во внешние информационные среды. Архитектура включает три основных компонента.

Модуль автоматизации пользовательских сценариев. Взаимодействие с МИС осуществляется посредством локального программного модуля автоматизации пользовательских сценариев, реализующего подходы роботизированной автоматизации процессов (Robotic Process Automation — RPA). Модуль имитирует стандартные действия пользователя в интерфейсе МИС (переход по вкладкам, выделение полей, копирование и вставку текстовых данных), не имея прямого доступа к базе данных и внутренним API системы. Данный подход обеспечивает воспроизводимость операций, совместимость с различными версиями МИС и исключает вмешательство в структуру медицинских данных, что принципиально важно с точки зрения информационной безопасности и нормативных ограничений.
Модуль обработки текстовой информации с элементами искусственного интеллекта. Обработка текстовых данных выполняется локально на рабочей станции врача в изолированной вычислительной среде. В системе используется трансформерная языковая модель с открытой лицензией, адаптированная для офлайн-инференса и работы на ограниченных вычислительных ресурсах.

Языковая модель применяется для структурирования и нормализации текстовых данных, формирования разделов ИБ (жалобы, анамнез, объективный статус, план лечения, выписной эпикриз) на основе контекстных запросов, учитывающих тип документа и клиническую ситуацию. Алгоритм обеспечивает унификацию терминологии, устранение стилистической вариативности и повышение полноты медицинских записей.

Распознавание речи (Automatic Speech Recognition – ASR) в рамках данной версии системы не используется; обработке подлежат исключительно текстовые данные, полученные из интерфейса МИС или введенные врачом вручную.

Модуль взаимодействия с МИС. Сформированные текстовые блоки автоматически переносятся в соответствующие поля электронной ИБ посредством сценариев пользовательской автоматизации. Такой механизм обеспечивает корректное внесение информации без изменения структуры базы данных и без нарушения логики функционирования МИС.

Использование локального инференса и отсутствие сетевого взаимодействия позволяют обеспечить высокий уровень защиты персональных данных пациентов и соответствие действующим нормативным требованиям.

Модульная архитектура системы допускает адаптацию к различным клиническим профилям и масштабирование функциональности без изменения принципов информационной безопасности.

Все этапы обработки медицинской информации выполнялись локально на рабочей станции врача в изолированной вычислительной среде без доступа к сети Интернет. Передача персональных данных во внешние информационные системы и использование облачных сервисов не осуществлялись. Программные модули не имели прямого доступа к базам данных МИС и функционировали исключительно путем имитации пользовательских действий, что обеспечивает соответствие требованиям Федеральных законов № 152-ФЗ и № 323-ФЗ.

Оцениваемые параметры

Время на оформление медицинской документации (в минутах) — оценивалось суммарное время, затраченное врачом на оформление первичного осмотра при поступлении, ежедневных дневниковых записей (совместного разбора с заведующим, клинического разбора, предоперационного и выписного эпикриза).
Качество медицинской документации — оценивалось по частоте возвратов ИБ отделом контроля качества для доработки вследствие неполноты сведений или ошибок оформления.
Субъективная рабочая нагрузка — оценивалась с использованием сокращенной версии шкалы NASA Task Load Index (NASA-TLX) [10]. Методика включает шесть субшкал: психическая нагрузка, физическая нагрузка, временное давление, результативность (performance), усилия и фрустрация. Каждая из субшкал оценивалась по визуально-аналоговой шкале от 0 до 100 баллов, где 0 соответствует минимальной выраженности показателя, а 100 — максимальной. Итоговый показатель рабочей нагрузки рассчитывался как среднее арифметическое значений по всем субшкалам.
Удовлетворенность врачей — c использованием системы оценивалась по 5-балльной шкале Ликерта после внедрения автоматизированной системы в клиническую практику.

Статистический анализ

Нормальность распределения количественных данных проверяли с помощью критерия Шапиро – Уилка. Для сравнения независимых выборок применяли t-критерий Стьюдента для данных с нормальным распределением и U-критерий Манна – Уитни для данных, не соответствующих нормальному распределению. Для сравнения качественных переменных испо льзовался критерий ÷² Пирсона. Уровень статистической значимости был принят p < 0,05.

РЕЗУЛЬТАТЫ

Внедрение автоматизированной системы привело к унификации стиля медицинских записей и снижению вариативности в описаниях клинических случаев. Среднее время оформления полной ИБ, включая прием, осмотр, ежедневные записи и выписной эпикриз, статистически значимо снизилось с 92,4±14,7 мин. в контрольном периоде до 48,1±11,2 мин. в основном периоде (p < 0,001). Наибольшее сокращение времени наблюдалось при оформлении первичного осмотра и выписного эпикриза (табл. 1).

Таблица 1

Среднее время, затраченное на ведение медицинской документации, мин., M ± SD

Этап документирования	Затраты времени до внедрения	Затраты времени после внедрения
Прием, первичный осмотр	28,0±5,2	12,0±2,5
Ежедневные записи, дневники	36,0±6,8	22,0±4,1
Выписной эпикриз	27,0±4,5	13,0±3,2
Итого	92,4±14,7	48,1±11,2

Среднее количество ежедневных дневниковых записей за период госпитализации составило 5,6±1,3 на одного пациента.

Количество ИБ, возвращенных отделом контроля качества на доработку, снизилась с 18,3% (44 из 240) до 6,7% (16 из 240) (p = 0,004). До внедрения системы исправления чаще всего требовались в разделах «Жалобы», «Анамнез заболевания» и «План лечения», тогда как после внедрения основной причиной возвратов стали ошибки, связанные с некорректной работой функции автозамены (табл. 2).

Таблица 2

Частота возвратов историй болезни на доработку

Показатель	До внедрения	После внедрения
Количество проанализированных ИБ	240	240
Возвращено на доработку, n (%)	44 (18,3)	16 (6,7)
Основные причины возврата	Неполнота данных в разделах «Жалобы», «Анамнез заболевания», «План лечения»	Технические ошибки автозамены

Оценка субъективной рабочей нагрузки по шкале NASA-TLX, проведенная среди трех врачей, показала снижение общего балла с 67,5±8,2 до 48,9±7,1 (p = 0,002). Наиболее выраженное снижение наблюдалось по шкалам «Психическая нагрузка» и «Временное давление» (табл. 3).

Таблица 3

Субъективная оценка клинической нагрузки по шкале NASA-TLX, средний балл

Шкала	До внедрения ИИ	После внедрения ИИ
Психическая нагрузка	75	52
Физическая нагрузка	67	36
Временное давление	70	49
Эффективность/результативность	60	58
Усилия	68	50
Фрустрация (стресс/раздражение)	65	48
Средний балл	67,5	48,9

Опрос по 5-балльной шкале Ликерта показал высокую удовлетворенность врачей новой системой. Средняя оценка составила 4,3 балла. Врачи отметили выраженное облегчение работы с документами и выразили готовность рекомендовать систему коллегам (табл. 4).

Таблица 4

Удовлетворенность врачей системой с искусственным интеллектом

Утверждение	Средний балл (из 5)
1. Заполнение электронной медицинской карты отнимает много времени	2,0
2. Использование ИИ-ассистента облегчает мою работу	4,7
3. Система ИИ-автоматизации повышает качество ведения документации	3,8
4. Пациенты положительно воспринимают применение цифровых технологий	4,0
5. Я испытываю стресс при работе с новой медицинской системой	1,7
Общая субъективная оценка	4,3

Совокупность полученных данных показывает, что внедрение системы привело к ускорению оформления документации, снижению числа ошибок и уменьшению субъективной нагрузки врачей, что подтверждает ее эффективность в клинической практике.

ОБСУЖДЕНИЕ

Полученные нами результаты согласуются с данными исследований, демонстрирующих потенциал ИИ для повышения эффективности клинической деятельности [3, 5] и стандартизации медицинской документации. Значительное сокращение времени на ведение документации и снижение частоты ошибок подтверждают, что интеграция ASR, NLP и генеративных моделей позволяет эффективно перераспределить рутинные задачи, высвобождая время врача для непосредственной работы с пациентом.

Важным результатом нашего исследования является объективизация снижения рабочей нагрузки с помощью шкалы NASA-TLX. Этот инструмент, изначально разработанный для авиационной отрасли, все чаще применяется в здравоохранении для оценки когнитивной нагрузки медицинских работников [11]. Снижение общего балла по NASA-TLX, особенно по таким параметрам, как «Психическая нагрузка» и «Временное давление», свидетельствует об уменьшении когнитивного истощения и стресса, связанных с ведением документации. Эти данные коррелируют с работами, показывающими прямую связь между бременем документации и риском профессионального выгорания врачей [1, 2].

Как и в других исследованиях, на этапе внедрения отмечались некоторые трудности, связанные с адаптацией к новому интерфейсу и необходимостью коррекции ошибок автоматического распознавания текста. Это подчеркивает важность адекватного обучения персонала и наличия технической поддержки. Тем не менее высокая итоговая оценка удовлетворенности (4,3 из 5,0) говорит о том, что преимущества системы значительно перевешивают первоначальные неудобства.

Ограничения исследования

Во-первых, выборка врачей была небольшой (n = 3), что ограничивает возможность генерализации выводов. Во-вторых, исследование проводилось в одном центре с использованием локально настроенной системы, что может затруднить перенос результатов в другие медицинские организации с иными МИС. В-третьих, шестимесячный период наблюдения является относительно коротким и не позволяет оценить долгосрочные эффекты.

ЗАКЛЮЧЕНИЕ

Внедрение автоматизированной системы с элементами искусственного интеллекта в практику ортопедического стационара ассоциировано со значительным снижением времени на оформление медицинской документации (на 48%), уменьшением доли историй болезни, требующих доработки (с 18,3% до 6,7%) и снижением субъективно воспринимаемой рабочей нагрузки врачей по шкале NASA-TLX. олученные данные подтверждают целесообразность поэтапной интеграции ИИ-модулей в клиническую практику при условии организации качественного обучения персонала и обеспечения технической поддержки. Практическим значением работы является обоснование необходимости разработки локальных регламентов по применению ASR/NLP-модулей и протоколов контроля качества для повышения эффективности и безопасности использования данных технологий.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Заявленный вклад авторов

Мамуладзе Т.З. — концепция и дизайн исследования, разработка и внедрение автоматизированной системы, сбор, анализ и статистическая обработка данных, написание текста рукописи.

Кирилова И.А. — научное руководство, интерпретация полученных результатов, редактирование текста рукописи.

Корыткин А.А. — научное руководство, дизайн исследования, интерпретация результатов, редактирование текста рукописи.

Середа А.П. — экспертная оценка научной концепции исследования, поиск и анализ литературы, редактирование текста рукописи.

Мишинов С.В. — сбор данных, поиск и анализ литературы.

Все авторы прочли и одобрили финальную версию рукописи статьи. Все авторы согласны нести ответственность за все аспекты работы, чтобы обеспечить надлежащее рассмотрение и решение всех возможных вопросов, связанных с корректностью и надежностью любой части работы.

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования.

Возможный конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Этическая экспертиза. Не применима.

Информированное согласие на публикацию. Не требуется.

Генеративный искусственный интеллект. При создании статьи технологии генеративного искусственного интеллекта не использовали.

DISCLAIMERS

Author contribution

Mamuladze T.Z. — study concept and design, development and implementation of an automated system, data acquisition, analysis and interpretation, statistical data processing, drafting the manuscript.

Kirilova I.A. — scientific guidance, data interpretation, editing the manuscript.

Korytkin A.A. — scientific guidance, study design, data interpretation, editing the manuscript.

Sereda A.P. — expert evaluation of the scientific study concept, literature search and review, editing the manuscript.

Mishinov S.V. — data acquisition, literature search and review.

All authors have read and approved the final version of the manuscript of the article. All authors agree to bear responsibility for all aspects of the study to ensure proper consideration and resolution of all possible issues related to the correctness and reliability of any part of the work.

Funding source. This study was not supported by any external sources of funding.

Disclosure competing interests. The authors declare that they have no competing interests.

Ethics approval. Not applicable.

Consent for publication. Not required.

Use of artificial intelligence. No generative artificial intelligence technologies were used in the preparation of this manuscript.