Automatiske operasjons-tidsstempler like nøyaktige som manuelle, på tvers av syv kirurgiske fagområder, ifølge Aimbient

En Stanford Medicine-ledet studie publisert i JAMA Surgery finner at Aimbients omgivelses-KI registrerer pasientens ankomst og avgang fra operasjonsrommet like nøyaktig som manuell dokumentasjon på tvers av syv kirurgiske fagområder.

Arkivfoto: Li Ka Shing Center for Learning and Knowledge, Stanford University School of Medicine
Arkivfoto: LPS.1, CC0 1.0 · kilde

Automatiske operasjons-tidsstempler like nøyaktige som manuelle, på tvers av syv kirurgiske fagområder, ifølge Aimbient

En Stanford Medicine-ledet studie publisert i JAMA Surgery finner at Aimbients omgivelses-KI registrerer pasientens ankomst og avgang fra operasjonsrommet like nøyaktig som manuell dokumentasjon på tvers av syv kirurgiske fagområder. Men valideringen omfatter kun disse to tidsstemplene ved én institusjon – og alle funnene er formidlet gjennom selskapets egen betalte pressemelding.

Hva som faktisk er nytt

En studie ledet av Stanford Medicine-forskere og publisert i JAMA Surgery er den første storskala, tverrfaglige valideringen av automatisert operasjonsdokumentasjon, ifølge Aimbients pressemelding 18. november 2026. Selskapet Aimbient, tidligere Surgical Safety Technologies, beskriver studien slik: systemet matchet menneskelig nøyaktighet på sentrale operasjonsrom-tidsstempler, uten statistisk signifikant forskjell mellom automatiserte og manuelle registreringer på tvers av syv kirurgiske fagområder (pressemelding via Yahoo Finance, kilde 3d79816a).

Det er verdt å understreke hvor evidensen kommer fra: AIMag har ikke gjennomgått forskningsbrevet i JAMA Surgery selv. Alle tall og karakteriseringer, inkludert selskapets formulering om «nøyaktighet på menneskelig nivå», stammer fra en betalt pressemelding og sekundær dekning.

Hvordan systemet fungerer

I løpet av den åtte måneder lange studien løp Aimbientsystemet kontinuerlig i sanntid i 14 operasjonsrom og ett prosedyrerom ved Stanford Health Care. Datamodellen detekterer automatisk når pasienter kommer inn og ut av operasjonsrommet (kilde 3d79816a).

Nøyaktigheten ble målt mot blinded manuell videovurdering av mennesker – det vil si at folk som ikke kjente til systemets registreringer, gikk gjennom videoopptak og fastla når hendelsene faktisk skjedde. Sammenligningen gjaldt altså ikke om tidsstemplene var «korrekte» i abstrakt forstand, men om maskinens registrering samsvarte med det blinded menneskelig gjennomgang vurderte som sanntidspunktet.

I motsetning til tidligere valideringer av datamodell-baserte operasjonsrom-tidsstempler, som ifølge pressemeldingen var begrenset til én enkelt prosedyretype, inkluderte denne studien alle kirurgier som ble utført i studierommene i studieperioden (kilde 3d79816a).

Forsinkelsen som ikke kom med

Det kanskje mest konkrete funnet handler ikke om nøyaktighet i absolutt forstand, men om tid. Manuelt registrerte tidsstempler ligger i gjennomsnitt fem til seks minutter etter selve hendelsen, ifølge pressemeldingen. Årsaken er praktisk: sirkulasjonssykepleieren – den som skulle føre inn tidsstemplene – er opptatt av å ta imot og ivareta pasienten i akkurat de minuttene (kilde 3d79816a).

Det betyr at «lik nøyaktighet» ikke er det samme som «like oppdatert». Et manelt tidsstempel kan være like riktig når det endelig registreres, men systemet som registrerer i sanntid fjerner den innebygde forsinkelsen.

Hvorfor tidsstempler betyr noe

Grunnleggeren og administrerende direktør i Aimbient, Teodor Grantcharov, forklarer betydningen slik, sitert av Unite.AI (Unite.AI, kilde 35635b5d): «Hver operasjonsrom-metrikk et helsesystem bryr seg om, fra pontualitet for første økt til omstillingstid, bygger på nøyaktigheten til tidsstemplet under det.»

I praksis vil det si at rapporter om utnyttelse av operasjonsrom, ventetider og effektivitet – tall som helseledelser bruker til å fordele ressurser – står på et tidsstempelgrunnlag som i dag registreres manuelt, med en innebygget forsinkelse på flere minutter.

Hvor evidensen slutter

Det finnes flere viktige avgrensninger, og Unite.AI-rapporteringen er tydelig på dem (kilde 35635b5d):

  • Kun to milepæler. Valideringen dekker bare tidsstempler for pasientens inngang og utgang – ikke alle de kirurgiske milepælene i Aimbients bredere plattform.
  • Ett senter. Forskningsbrevet beskriver arbeidet som en enkeltinstitusjonserfaring på tvers av ulike prosedyrer, og konstaterer at studier av implementering og validering i virkelige omgivelser fortsatt er få.
  • Ingen effektutvalg. Unite.AI skiller eksplisitt mellom det som ble målt (nøyaktighet på tidsstempler) og potensielle bruksområder (effektivisering, kostnadsbesparelser). Ingen av delene ble målt i denne studien.
  • På forhånd lansert. Aimbient annonserte allerede 10. juli 2025 at automatisert deteksjon av kirurgiske milepæler og integrasjon med elektroniske pasientjournaler var i generell tilgjengelighet (kilde 35635b5d). Produktet er med andre ord i bruk i forkant av bred validering.

Åpne spørsmål

Tre spørsmål gjenstår: Hvor godt systemet fungerer på andre sykehus enn Stanford Health Care. Om de øvrige milepælene i plattformen holder samme nøyaktighet. Og hva forskningsbrevets faktiske metoder, statistikk og forfatterliste viser – noe som krever uavhengig tilgang til selve JAMA Surgery-publikasjonen, ikke bare selskapets beskrivelse av den.

Få de viktigste AI-nyhetene i innboksen

Nyheter, analyser og verktøy samlet for deg.