[论文解读] Consumer-to-Clinical Language Shifts in Ambient AI Draft Notes and Clinician-Finalized Documentation: A Multi-level Analysis

Ha Na Cho, Yawen Guo+6 more|arXiv (Cornell University)|Mar 18, 2026

Electronic Health Records Systems被引用 0

一句话总结

该研究量化了临床医生如何在环境 AI 草稿笔记中将其规范化为临床用语，显示在消费者用语方面有显著减少，且在评估与计划部分的变换幅度在大型数据集中最大。

ABSTRACT

Ambient AI generates draft clinical notes from patient-clinician conversations, often using lay or consumer-oriented phrasing to support patient understanding instead of standardized clinical terminology. How clinicians revise these drafts for professional documentation conventions remains unclear. We quantified clinician editing for consumer-to- clinical normalization using a dictionary-confirmed transformation framework. We analyzed 71,173 AI-draft and finalized-note section pairs from 34,726 encounters. Confirmed transformations were defined as replacing a consumer expression with its dictionary-mapped clinical equivalent in the same section. Editing significantly reduced terminology density across all sections (p < 0.001). The Assessment and Plan accounted for the largest transformation volume (59.3%). Our analysis identified 7,576 transformation events across 4,114 note sections (5.8%), representing 1.2% consumer-term deletions. Transformation intensity varied across individual clinicians (p < 0.001). Overall, clinician post-editing demonstrates consistent shifts from conversational phrasing toward standardized, section- appropriate clinical terminology, supporting section-aware ambient AI design.

研究动机与目标

• 理解环境 AI 草拟笔记在真实工作流程中与临床术语的偏离程度。
• 衡量临床编辑过程中消费者语言向临床语言的转化程度及分布。
• 识别哪些笔记部分表现出最多的转化，以及临床医生在不同从业人员中的行为差异。

提出的方法

• 使用字典确认的转化框架，在同一笔记部分内检测消费者向临床术语的替换。
• 分析来自34,726次就诊的71,173对 AI 草拟与最终笔记部分。
• 计算转化计数、消费者术语密度以及按部分的转化量。
• 通过统计检验刻画临床医生间的变异性并评估显著性（报告 p 值）。
• 识别转化最集中的部分并量化总体转化强度。

实验结果

研究问题

• RQ1 在临床医生编辑环境 AI 草拟笔记时，消费者向临床语言的归一化程度如何？
• RQ2 哪些笔记部分经历了最多的从消费者术语到临床术语的转化？
• RQ3 个体临床医生之间的转化强度差异如何？
• RQ4 环境 AI 草拟笔记对最终笔记的术语密度总体影响如何？

主要发现

• 编辑显著降低了所有部分的术语密度（p < 0.001）。
• 评估与计划部分占据最大的转化量（59.3%）。
• 共发生了7,576次转化事件，涉及4,114个笔记部分（5.8%）。
• 这些转化代表了1.2%的消费者术语删除。
• 转化强度在个体临床医生之间存在差异（p < 0.001）。