Incidence of speech recognition errors in the emergency department

Goss, Foster R.; Zhou, Li; Weiner, Scott G.

doi:10.1016/j.ijmedinf.2016.05.005

Cited by 21 publications

(7 citation statements)

References 26 publications

(24 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Clinicians face pressure to decrease documentation time and often only superficially review their notes before signing them. 9 Fully shifting the editing responsibility from transcriptionists to clinicians may lead to increased documentation errors if clinicians are unable to adequately review their notes.…”

Section: Discussionmentioning

confidence: 99%

“…Documentation errors can put patients at significant risk of harm. 9 An analysis of medical malpractice cases found that incorrect information (eg, faulty data entry) was the top EHR-related contributing factor, contributing to 20% of reviewed cases. 10,11 It is therefore in the best interest of both patients and clinicians that medical documents be accurate, complete, legible, and readily accessible for the purposes of patient safety, health care delivery, billing, audit, and possible litigation proceedings.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Analysis of Errors in Dictated Clinical Documents Assisted by Speech Recognition Software and Professional Transcriptionists

et al. 2018

Self Cite

View full text Add to dashboard Cite

Key Points Question How accurate are dictated clinical documents created by speech recognition software, edited by professional medical transcriptionists, and reviewed and signed by physicians? Findings Among 217 clinical notes randomly selected from 2 health care organizations, the error rate was 7.4% in the version generated by speech recognition software, 0.4% after transcriptionist review, and 0.3% in the final version signed by physicians. Among the errors at each stage, 15.8%, 26.9%, and 25.9% involved clinical information, and 5.7%, 8.9%, and 6.4% were clinically significant, respectively. Meaning An observed error rate of more than 7% in speech recognition–generated clinical documents demonstrates the importance of manual editing and review.

show abstract

Section: Discussionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Analysis of Errors in Dictated Clinical Documents Assisted by Speech Recognition Software and Professional Transcriptionists

et al. 2018

Self Cite

View full text Add to dashboard Cite

show abstract

“…In 6 von 10 Studien (siehe ▶ Tab. 2) zeigte sich bei der Analyse der Fehlerrate die Spracherkennungstechnologie im Vergleich zu einem Schreibdienst oder der Texteingabe als nicht überlegen [23], [24], [25], [26], [27], [28], [29], [30]. Die mit Spracherkennungstechnologie erstellten medizinischen Berichte enthielten im Durchschnitt der Studien eine um den Faktor 1,5 erhöhte Fehlerrate als bei Erstellung durch eine Schreibkraft, was mit einer Verlängerung der Doku- mentationszeit einhergehen kann [19].…”

Section: Analyse Der Genauigkeit Und Der Fehlerrateunclassified

Medizinische Spracherkennung im stationären und ambulanten Einsatz – Eine systematische Übersicht

Zuchowski

Pashayeva

Wohlrab

2020

Gesundh ökon Qual manag

View full text Add to dashboard Cite

Zusammenfassung Einleitung Die medizinische Dokumentation dient neben der Sicherung einer ordnungsgemäßen Behandlung auch der umfänglichen Aufklärung des Patienten. Gleichsam nimmt sie einen großen Anteil der Arbeitszeit von Gesundheitsprofessionen in Anspruch. Häufig ist die zeitnahe Fertigstellung der Dokumentation durch den zunehmenden Zeitdruck im klinischen Alltag zusätzlich erschwert. Um den Zeitaufwand für die medizinische Dokumentation zu reduzieren, werden auch im ärztlichen Dienst immer häufiger Spracherkennungstechnologien in Einsatz gebracht. Dennoch sind die Auswirkungen dieser medizinischen Spracherkennung auf Bearbeitungszeit und Qualität der Dokumentation zum aktuellen Zeitpunkt noch wenig erforscht. Die bestehende Literatur erfasst bis dato nicht in ausreichendem Maße alle Möglichkeiten des aktuellen technologischen Standes. Ziel dieser Übersichtsarbeit ist daher, den aktuellen Forschungsstand zu den Auswirkungen und Folgen des Einsatzes von digitaler Spracherkennung auf Arbeitsprozesse der Gesundheitsprofessionen zu analysieren. Dazu wurden alle seit dem Jahr 2000 veröffentlichten Studien der jeweiligen medizinischen Fachbereiche berücksichtigt. Methode Die Autoren führten eine Literaturrecherche unter Verwendung der Datenbanken Medline via PubMed und Google Scholar durch. Die Datenbanken wurden nach den folgenden Stichwörtern durchsucht: „speech recognition“, „voice recognition“, „medical“ und „healthcare“. Unter der Annahme, dass sich erst die ab dem Jahr 2000 entwickelten Spracherkennungstechnologien bezüglich ihrer Genauigkeit für den medizinischen Bereich eignen, wurden Studien erst ab diesem Zeitpunkt in der vorliegenden Übersichtsarbeit berücksichtigt. Ergebnisse Insgesamt lieferten die 29 für diese Analyse herangezogenen Studien sehr differente Ergebnisse. Im Vergleich zu alternativen Diktatserviceleistungen, konnte sich die Spracherkennungstechnologie als zeit- und kosteneffizienter erweisen. Im Vergleich zur Texteingabe zeigte sich die Spracherkennung in den betrachteten Studien jedoch nicht überlegen, was mehrheitlich an der geringeren beobachteten Genauigkeit der Spracherkennung lag. Schlussfolgerung Der Einsatz von digitaler Spracherkennung im klinischen Betrieb bietet einige Vorteile bezüglich der reinen Dokumentationszeit. Die vorhandenen qualitativen Probleme in der genauen semantischen Umsetzung führen jedoch in den vorliegenden Studien noch nicht zu einer eindeutigen Evidenz der Vorteilhaftigkeit dieser Technologie. Aus diesem Grund besteht darüber hinaus Bedarf an weiteren Untersuchungen auf diesem Forschungsfeld.

show abstract

“…Given the necessity of seeking solutions that will not degrade the clinical workflow, technology solutions using automatic speech recognition (ASR) have been explored for hands-free clinical documentation [20][21][22][23]. A mobile platform based on ASR technologies has the potential to enable hands-free documentation by extracting medical information from the incoming audio stream without hand-operated input devices.…”

Section: Introductionmentioning

confidence: 99%

Complete and Resilient Documentation for Operational Medical Environments Leveraging Mobile Hands-free Technology in a Systems Approach: Experimental Study

Woo¹,

Mishra²,

Lin³

et al. 2021

JMIR Mhealth Uhealth

View full text Add to dashboard Cite

Background Prehospitalization documentation is a challenging task and prone to loss of information, as paramedics operate under disruptive environments requiring their constant attention to the patients. Objective The aim of this study is to develop a mobile platform for hands-free prehospitalization documentation to assist first responders in operational medical environments by aggregating all existing solutions for noise resiliency and domain adaptation. Methods The platform was built to extract meaningful medical information from the real-time audio streaming at the point of injury and transmit complete documentation to a field hospital prior to patient arrival. To this end, the state-of-the-art automatic speech recognition (ASR) solutions with the following modular improvements were thoroughly explored: noise-resilient ASR, multi-style training, customized lexicon, and speech enhancement. The development of the platform was strictly guided by qualitative research and simulation-based evaluation to address the relevant challenges through progressive improvements at every process step of the end-to-end solution. The primary performance metrics included medical word error rate (WER) in machine-transcribed text output and an F1 score calculated by comparing the autogenerated documentation to manual documentation by physicians. Results The total number of 15,139 individual words necessary for completing the documentation were identified from all conversations that occurred during the physician-supervised simulation drills. The baseline model presented a suboptimal performance with a WER of 69.85% and an F1 score of 0.611. The noise-resilient ASR, multi-style training, and customized lexicon improved the overall performance; the finalized platform achieved a medical WER of 33.3% and an F1 score of 0.81 when compared to manual documentation. The speech enhancement degraded performance with medical WER increased from 33.3% to 46.33% and the corresponding F1 score decreased from 0.81 to 0.78. All changes in performance were statistically significant (P<.001). Conclusions This study presented a fully functional mobile platform for hands-free prehospitalization documentation in operational medical environments and lessons learned from its implementation.

show abstract

Incidence of speech recognition errors in the emergency department

Cited by 21 publications

References 26 publications

Analysis of Errors in Dictated Clinical Documents Assisted by Speech Recognition Software and Professional Transcriptionists

Analysis of Errors in Dictated Clinical Documents Assisted by Speech Recognition Software and Professional Transcriptionists

Medizinische Spracherkennung im stationären und ambulanten Einsatz – Eine systematische Übersicht

Complete and Resilient Documentation for Operational Medical Environments Leveraging Mobile Hands-free Technology in a Systems Approach: Experimental Study

Contact Info

Product

Resources

About

Incidence of speech recognition errors in the emergency department

Cited by 21 publications

References 26 publications

Analysis of Errors in Dictated Clinical Documents Assisted by Speech Recognition Software and Professional Transcriptionists

Analysis of Errors in Dictated Clinical Documents Assisted by Speech Recognition Software and Professional Transcriptionists

﻿Medizinische Spracherkennung im stationären und ambulanten Einsatz – Eine systematische Übersicht

Complete and Resilient Documentation for Operational Medical Environments Leveraging Mobile Hands-free Technology in a Systems Approach: Experimental Study

Contact Info

Product

Resources

About

Medizinische Spracherkennung im stationären und ambulanten Einsatz – Eine systematische Übersicht