Dans un cas fictif, une médecin de famille reçoit 22 personnes un jour de consultation externe. À huit heures du soir, après avoir couché ses enfants, elle ouvre le dossier électronique à la maison et il lui reste encore onze notes à fermer. La semaine suivante, le service propose un scribe d'intelligence artificielle (IA) : avec le consentement du patient, le téléphone enregistre la conversation et, à la fin de la consultation, un brouillon de note apparaît prêt à être révisé. La première semaine, elle ferme les notes au cabinet. La deuxième, elle signe une note où le patient qui a dit « je ne bois pas » apparaît comme quelqu'un qui « boit maintenant ».

Ce contraste résume le débat sur les scribes dits ambiants. Les premiers essais randomisés suggèrent des gains modestes sur le temps de documentation et des signes de moins d'épuisement, tandis que les études sur la qualité des notes montrent des omissions et des glissements de sens que seule une lecture attentive du médecin permet de repérer (Lukac et al., 2025).

Ce texte parcourt ce que l'on sait sur la charge de documentation, ce que les essais et les études avant et après montrent sur le burnout et le temps, quelles erreurs la note générée apporte et comment vérifier le brouillon avant de signer.

Points principaux

• Dans un essai randomisé avec 238 médecins de consultation externe, l'un des deux outils testés a réduit le temps de note de 9,5 pour cent par rapport au contrôle, et l'autre n'a montré aucune différence significative (Lukac et al., 2025).
• Dans un essai pragmatique avec 66 professionnels, le scribe a réduit le score d'épuisement au travail, tandis que l'amélioration de l'accomplissement professionnel n'a pas atteint le seuil de signification défini par les auteurs (Afshar et al., 2025).
• Dans une étude avant et après menée dans six systèmes de santé, la proportion de cliniciens en burnout est passée de 51,9 à 38,8 pour cent en 30 jours, sans groupe contrôle (Olson et al., 2025).
• Dans une évaluation avec des lectures simulées de consultations, 31 notes générées sur 44 (70 pour cent) comportaient au moins une erreur, et l'omission était le type le plus fréquent (Biro et al., 2025).
• Les auteurs de l'essai randomisé concluent que les imprécisions occasionnelles exigent une vigilance continue (Lukac et al., 2025).

• Pourquoi la documentation pèse autant
• Comment fonctionne le scribe ambiant
• Ce que montrent les essais randomisés
• Études observationnelles
• Quelles erreurs la note générée apporte
• Pourquoi et comment vérifier la note
• Consentement du patient
• Comment NEXO aide à entraîner ce raisonnement
• Questions fréquentes
• Take-home messages

Pourquoi la documentation pèse autant

L'Organisation mondiale de la Santé (OMS) décrit le burn-out, dans la CIM-11, comme un syndrome résultant d'un stress chronique au travail qui n'a pas été géré avec succès (OMS, 2019). Le syndrome a trois dimensions : sensation d'épuisement ou de perte d'énergie, distance mentale accrue vis-à-vis du travail ou sentiments de négativisme et de cynisme à son égard, et réduction de l'efficacité professionnelle.

L'OMS précise que le burn-out est classé comme phénomène professionnel et non comme affection médicale, dans le chapitre des facteurs influençant l'état de santé ou le contact avec les services de santé (OMS, 2019). Le terme ne se réfère qu'au contexte du travail et ne doit pas être appliqué à d'autres domaines de la vie. Cette définition aide à séparer le burnout d'autres formes de souffrance, comme celle discutée dans la lésion morale, la souffrance qui n'est pas un burnout, et de tableaux qui commencent dès les études, traités dans le burnout en faculté de médecine.

Combien de temps prend le dossier

L'une des études les plus citées sur le sujet a utilisé les journaux d'événements du dossier électronique de 142 médecins de famille d'un système de santé du sud du Wisconsin, sur trois ans (Arndt et al., 2017). Sur une journée de travail de 11,4 heures, ces médecins ont passé 355 minutes, environ 5,9 heures, dans le dossier : 269 minutes pendant les heures de consultation et 86 minutes en dehors.

Les tâches bureaucratiques et administratives, comme la documentation, les demandes, la facturation et le choix du code CIM-10, ont occupé 157 minutes, soit 44,2 pour cent du temps dans le dossier (Arndt et al., 2017). La boîte de messages a consommé 85 minutes de plus, soit 23,7 pour cent (Arndt et al., 2017). Ce tableau vient d'un seul système américain, mais il sert de point de départ pour comprendre le poids du dossier.

Le poids des alertes et des notifications a des effets propres, discutés dans la fatigue d'alerte. La documentation nocturne s'ajoute elle aussi à la fatigue accumulée, thème de la fatigue décisionnelle en garde.

Comment fonctionne le scribe ambiant

Le scribe ambiant est un programme qui capte l'audio de la consultation, en général via une application sur le téléphone ou l'ordinateur, transcrit la conversation et utilise un modèle de langage pour produire un brouillon de note clinique. Le médecin relit, modifie et signe. Dans les études discutées ici, les outils ont été intégrés au dossier patient informatisé et utilisés lors de consultations ambulatoires (Lukac et al., 2025 ; Afshar et al., 2025).

L'idée est de rendre l'attention du médecin au patient. Au lieu de taper pendant la consultation, il converse, et le compte rendu arrive ensuite. C'est une proposition proche de celle de laisser le patient terminer sa phrase d'ouverture, discutée dans l'agenda du patient, mais appliquée à la documentation.

Ce que la note générée ne remplace pas

La responsabilité de la note reste à celui qui la signe. Dans l'étude de Stanford, le brouillon comportait une section d'attestation où le clinicien consignait qu'il avait relu la note (Shah et al., 2025). L'organisation du raisonnement, avec les données subjectives, les constats, l'évaluation et la conduite, suit les mêmes règles qu'une note écrite à la main, et il vaut la peine de revoir comment organiser le raisonnement clinique dans le dossier patient avant de confier la première version à un programme.

Ce que montrent les essais randomisés

L'essai à deux scribes à l'UCLA

Lukac et ses collaborateurs ont randomisé 238 médecins ambulatoires de quatorze spécialités d'une institution universitaire américaine pour utiliser l'un de deux outils commerciaux, DAX Copilot ou Nabla, ou pour continuer sans scribe, entre novembre 2024 et janvier 2025 (Lukac et al., 2025). Seules des consultations en anglais ont été incluses.

Le critère de jugement principal était la variation du temps passé sur la note, en comparant le deuxième mois de l'étude aux six mois précédents. Avec Nabla, la baisse a été de 9,5 pour cent par rapport au groupe contrôle, avec une significativité statistique (Lukac et al., 2025). Avec DAX, la baisse de 1,7 pour cent n'était pas significative (Lukac et al., 2025). En termes absolus, le temps moyen passé sur la note a baissé d'environ 41 secondes dans le groupe Nabla, de 4 minutes et 30 secondes à 3 minutes et 49 secondes, contre 18 secondes dans le groupe contrôle.

L'usage réel est resté loin du total des consultations. DAX a été utilisé dans 33,5 pour cent de 24 696 consultations et Nabla dans 29,5 pour cent de 23 653 (Lukac et al., 2025). Environ 15 pour cent des médecins randomisés pour un scribe ne l'ont jamais utilisé (Lukac et al., 2025).

Les critères secondaires, comme la charge cognitive, l'épuisement au travail et le score Mini-Z de bien-être, se sont améliorés modestement dans les deux groupes de scribe, mais les auteurs n'ont pas fait de test d'hypothèse pour eux et disent que ces résultats demandent confirmation dans des essais plus grands et multicentriques (Lukac et al., 2025). La probabilité de burnout mesurée par un item unique était plus faible dans les groupes de scribe, avec des intervalles de confiance incluant l'absence d'effet.

L'essai par étapes dans le Wisconsin

Afshar et ses collaborateurs ont mené un essai pragmatique de 24 semaines, avec une randomisation individuelle par paliers, dans des services ambulatoires de UW Health dans deux États américains (Afshar et al., 2025). 66 professionnels ont participé, parmi lesquels des médecins et des professionnels de pratique avancée, avec l'outil Abridge. Sur les 71 487 notes de la période, 27 092 (38 pour cent) ont été générées avec le scribe (Afshar et al., 2025).

Pour les deux critères de jugement principaux, le score d'épuisement au travail et de désengagement interpersonnel a baissé de 0,44 point avec le scribe, avec une significativité statistique (Afshar et al., 2025). L'accomplissement professionnel a augmenté de 0,14 point, et les auteurs qualifient cette hausse de non significative, malgré la valeur de P de 0,04.

Le temps passé dans les notes a baissé de 0,36 heure par jour (Afshar et al., 2025). Le travail en dehors des horaires a baissé de 0,50 heure par jour, mais ce résultat était sensible à l'exclusion des valeurs extrêmes et a perdu sa significativité lorsque les 3 pour cent d'observations les plus élevées ont été retirées (Afshar et al., 2025). L'étude était ouverte, avec un groupe d'adoptants précoces plus jeune, majoritairement blanc et féminin, et près de la moitié en médecine de famille, et n'a pas collecté de critères de jugement rapportés par les patients.

Études observationnelles

Les études avant et après, sans groupe témoin, montrent des changements plus importants, mais comportent aussi plus de risques de biais. Elles répondent à la question de savoir si ceux qui ont utilisé l'outil se sont sentis mieux, et non si l'outil a causé l'amélioration.

Six systèmes de santé

Olson et ses collaborateurs ont évalué l'utilisation de l'outil Abridge dans six systèmes de santé américains, entre février et octobre 2024 (Olson et al., 2025). Sur les 451 cliniciens inscrits, 272 ont répondu aux questionnaires avant et après, et 263 cliniciens ambulatoires sont entrés dans l'analyse.

Parmi les 186 qui ont répondu aux questions sur l'épuisement professionnel, la proportion en situation d'épuisement professionnel a baissé de 51,9 à 38,8 pour cent après 30 jours d'utilisation (Olson et al., 2025). L'épuisement professionnel sévère, dans une analyse réalisée ensuite, a baissé de 18,4 à 12,2 pour cent (Olson et al., 2025). La charge cognitive a baissé, l'attention portée au patient a augmenté de 6,51 à 8,56 sur une échelle de 10 points, et le score de documentation en dehors des horaires, sur la même échelle de 10 points, a baissé de 4,95 à 4,05 (Olson et al., 2025). La disposition à insérer des patients urgents a augmenté de 6,21 à 6,72, mais le nombre de patients que les cliniciens accepteraient d'ajouter n'a pas changé.

Les auteurs rappellent que les critères de jugement secondaires sont exploratoires, sans correction pour comparaisons multiples. Les données proviennent d'un échantillon de convenance, sans groupe témoin, avec des questionnaires non anonymes et une possible autosélection (Olson et al., 2025).

Stanford

Shah et ses collaborateurs ont suivi 48 médecins qui ont utilisé DAX Copilot à Stanford entre octobre 2023 et janvier 2024 (Shah et al., 2025). La charge de tâche a baissé de 68,98 à 44,56 points sur une échelle de 0 à 100, et le score d'épuisement professionnel a baissé de 7,47 à 5,53 sur une échelle de 0 à 10 (Shah et al., 2025).

La médiane du temps épargné, selon les médecins eux-mêmes, était de 20 minutes par demi-journée de consultations, mais la variation était grande : de 90 minutes épargnées à 90 minutes ajoutées (Shah et al., 2025). L'échantillon réduit, composé de médecins intéressés, et le bon cadeau offert aux participants limitent la généralisation.

Sutter Health

Stults et ses collaborateurs ont évalué un pilote avec 100 cliniciens en Californie, avec 57 paires de questionnaires (Stults et al., 2025). L'épuisement professionnel est passé de 42,1 à 35,1 pour cent, sans significativité statistique (Stults et al., 2025). Le temps passé dans les notes par consultation a baissé de 6,2 à 5,3 minutes. La satisfaction s'est améliorée pour 85,8 pour cent des professionnels des soins primaires, contre 36,4 pour cent dans les surspécialités cliniques et 50,0 pour cent dans les chirurgicales (Stults et al., 2025).

Comparaison des études

Étude	Plan et lieu	Participants	Épuisement professionnel ou bien-être	Temps de documentation
Lukac et al., 2025	Essai randomisé, une institution académique	238 médecins	Améliorations modestes, sans test d'hypothèse	Baisse de 9,5 pour cent avec un outil (Lukac et al., 2025) ; sans différence avec l'autre
Afshar et al., 2025	Essai randomisé en étapes, deux États	66 professionnels	Épuisement moindre ; accomplissement sans significativité	0,36 heure par jour en moins dans les notes
Olson et al., 2025	Avant et après, six systèmes	263 cliniciens	Épuisement professionnel de 51,9 à 38,8 pour cent (Olson et al., 2025)	Score de documentation en dehors des horaires de 4,95 à 4,05, sur une échelle de 10 points
Shah et al., 2025	Avant et après, une institution	48 médecins	Score d'épuisement professionnel de 7,47 à 5,53	Médiane de 20 minutes par demi-journée, rapportée
Stults et al., 2025	Pilote avant et après, une organisation	100 cliniciens	Épuisement professionnel de 42,1 à 35,1 pour cent, sans significativité (Stults et al., 2025)	De 6,2 à 5,3 minutes par consultation
Pearlman et al., 2025	Cohorte rétrospective, une institution	125 utilisateurs et 478 non-utilisateurs	Hors périmètre	15,9 pour cent de moins dans les notes (Pearlman et al., 2025)

Sources : les études citées dans chaque ligne, lues dans le texte intégral.

Temps dans le dossier médical et productivité

Pearlman et collaborateurs ont comparé 125 utilisateurs d'un scribe à 478 non-utilisateurs appariés selon leurs caractéristiques, dans un système académique, entre juillet et septembre 2024 (Pearlman et al., 2025). Dans l'analyse pondérée, le temps total passé dans le dossier par consultation était inférieur de 8,5 pour cent, environ 2,4 minutes, et le temps consacré aux notes inférieur de 15,9 pour cent, environ 1,8 minute (Pearlman et al., 2025). Le temps hors horaires, la durée des consultations et le volume de prises en charge n'ont pas changé.

À l'UCSF, Holmgren et collaborateurs ont analysé 1 565 médecins, dont 698 ont adopté le scribe (Holmgren et al., 2026). Les adoptants ont eu une augmentation de 0,04 unité de valeur relative par prise en charge et de 0,80 prise en charge par semaine, sans différence dans les rejets de facturation (Holmgren et al., 2026). Les auteurs eux-mêmes disent qu'il faut vérifier si cette augmentation reflète davantage de services rendus, un choix plus précis du code CIM-10 ou un choix gonflé du code CIM-10.

Ce que les chiffres de temps cachent

Dans l'essai de l'UCLA, les métriques du dossier n'incluaient pas le temps d'édition effectué dans la plateforme du fournisseur, ce qui peut surestimer l'économie (Lukac et al., 2025). Autrement dit, une partie du temps de révision a peut-être simplement changé de place. Les gains moyens, de quelques secondes à quelques minutes par note, sont réels, mais ils sont loin de résoudre à eux seuls la charge décrite par Arndt et collaborateurs.

Quelles erreurs la note générée apporte

Ce que les médecins ont rapporté dans l'essai

Dans l'essai de l'UCLA, les médecins ont rapporté des imprécisions cliniquement pertinentes avec une fréquence décrite comme occasionnelle, avec une note moyenne de 2,7 et 2,8 sur une échelle de 1 à 5 (Lukac et al., 2025). Les exemples incluaient des omissions, des erreurs de structure et des inversions de pronoms, l'histoire des parents attribuée au patient et du contenu inventé. Dans un exemple cité par les auteurs, "not drinking alcohol" est devenu "now drinking alcohol" dans la note (Lukac et al., 2025).

Un événement indésirable léger a été enregistré : un long conseil au patient est resté hors de la note (Lukac et al., 2025). Dans l'évaluation de l'utilisabilité, l'affirmation selon laquelle les notes étaient au moins aussi bonnes que celles du médecin lui-même a reçu une évaluation neutre.

Le test avec des consultations simulées

Biro et collaborateurs ont lu à voix haute 11 scripts de consultations ambulatoires réelles et généré 44 brouillons avec deux produits commerciaux (Biro et al., 2025). Ils ont trouvé 127 erreurs, avec une moyenne de 2,9 par note, et 31 des 44 notes (70 pour cent) comportaient au moins une erreur (Biro et al., 2025). L'omission était l'erreur la plus fréquente, suivie de texte non pertinent ou mal placé, d'ajouts et d'informations erronées, et le schéma variait entre les produits.

Les auteurs attirent l'attention sur un point pratique : l'omission est l'erreur la plus difficile à détecter, parce que le médecin doit se rappeler de ce qui a été dit, ce qui devient plus difficile quand la révision a lieu après plusieurs consultations (Biro et al., 2025). L'étude a utilisé la simulation et peu de consultations, et les auteurs demandent des tests indépendants.

Ce que les cliniciens corrigent

Guo et collaborateurs ont analysé 200 consultations à l'UCI Health avec des brouillons de deux fournisseurs (Guo et al., 2026). Les modifications les plus fréquentes concernaient les demandes d'examens et les adressages (40,0 pour cent), les symptômes (30,3 pour cent), les médicaments (27,3 pour cent) et la description des diagnostics (25,9 pour cent) (Guo et al., 2026). Parmi les thèmes des modifications figuraient la correction de divergences factuelles et la précision du degré de certitude diagnostique.

À l'autre extrémité, l'essai d'Afshar a mesuré la qualité de notes non éditées avec un modèle de langage agissant comme évaluateur et a trouvé un langage stigmatisant dans moins de 1 pour cent des notes (Afshar et al., 2025). Cette évaluation automatique est utile pour surveiller, mais ne remplace pas la lecture de ceux qui étaient dans la salle.

Pourquoi et comment vérifier la note

Une erreur de saisie peut devenir une erreur de soin. Une médication absente, un antécédent attribué à la mauvaise personne ou une négation inversée peuvent orienter la consultation suivante dans la mauvaise direction, et la discussion plus large sur la façon dont cela se produit se trouve dans erreur diagnostique et le rapport Improving Diagnosis. Quand l'erreur atteint le patient, le médecin qui a signé souffre aussi, thème de seconde victime : le médecin après l'erreur.

Les études suggèrent quelques points de vigilance lors de la relecture :

• Cherchez ce qui manque, et pas seulement ce qui est faux, car l'omission a été l'erreur la plus fréquente et la plus difficile à remarquer (Biro et al., 2025).
• Vérifiez les négations et les attributions, comme « nie », « n'utilise pas » et les antécédents familiaux, qui sont apparus inversés dans l'essai de l'UCLA (Lukac et al., 2025).
• Révisez les médicaments, les prescriptions et les diagnostics, les domaines les plus modifiés par les cliniciens (Guo et al., 2026).
• Vérifiez le degré de certitude : une hypothèse discutée ne doit pas apparaître comme un diagnostic confirmé (Guo et al., 2026).
• Révisez juste après la consultation, tant que le souvenir de la conversation est encore frais (Biro et al., 2025).

La relecture comme partie du raisonnement

Les auteurs eux-mêmes de l'essai randomisé concluent que les imprécisions occasionnelles exigent une vigilance continue (Lukac et al., 2025). Guo et ses collaborateurs recommandent des routines de relecture solides et cohérentes (Guo et al., 2026). Lire la note est aussi un moment pour vérifier si l'évaluation reflète le raisonnement mené, et le débat plus large sur l'IA dans ce rôle se trouve dans usage de l'intelligence artificielle dans le raisonnement clinique.

Consentement du patient

Dans un centre universitaire de New York, Lawrence et ses collaborateurs ont étudié le consentement au scribe avec 18 cliniciens et 103 patients (Lawrence et al., 2025). La majorité des patients, 74,8 pour cent, se sont dits à l'aise avec l'outil (Lawrence et al., 2025). Quand ils recevaient seulement des informations de base, 81,6 pour cent consentaient, mais la proportion est tombée à 55,3 pour cent quand étaient détaillés les fonctions d'IA, le stockage des données et l'implication d'entreprises (Lawrence et al., 2025).

L'échantillon était petit, limité à des participants anglophones et très diplômés. Le résultat montre tout de même que le consentement change selon ce qui est expliqué, et qu'expliquer clairement fait partie de l'usage de l'outil.

Retour au cas

La médecin du cas fictif a gagné un peu de temps, comme le suggèrent les essais, mais la note avec « boit désormais » montre l'autre face. Le changement d'un mot a modifié le sens d'un antécédent, exactement le type d'erreur décrit dans l'essai de l'UCLA (Lukac et al., 2025). La conduite pratique consiste à relire chaque brouillon juste après la consultation, en prêtant attention aux négations, aux médicaments et à ce qui a pu être omis.

Comment NEXO aide à entraîner ce raisonnement

Dans NEXO, le cas du jour est fictif, avec une présentation clinique réelle et jusqu'à six indices progressifs, et vous proposez le diagnostic en cherchant le code dans la CIM-10. Relire une note générée par IA demande le même exercice : comparer chaque donnée consignée avec l'histoire réelle, repérer l'indice qui a manqué et vérifier si l'hypothèse écrite est celle que vous soutiendriez, comme dans l'entraînement au diagnostic différentiel avec des indices.

Les limites d'usage du jeu sont décrites sur la page Économie de NEXO. Si vous faites de la recherche sur l'enseignement du raisonnement clinique, la page pour les Researcher explique comment prendre contact. Les professionnels qui écrivent ou révisent des cas trouvent des informations dans Curator et dans Creators, et les institutions peuvent découvrir la proposition sur la page pour les partenariats. Chercher le bon code dans la CIM-10 complète cet entraînement.

Questions fréquentes

Le scribe d'IA réduit-il l'épuisement professionnel ?

Les études avant et après montrent une baisse de l'épuisement professionnel auto-déclaré, comme de 51,9 à 38,8 pour cent dans six systèmes de santé, mais sans groupe contrôle (Olson et al., 2025). Dans l'essai randomisé en escalier, l'épuisement au travail a diminué, tandis que l'accomplissement professionnel n'a pas connu de changement significatif (Afshar et al., 2025). Les données pointent un bénéfice, mais elles viennent encore d'études courtes et menées auprès d'adoptants motivés.

Combien de temps le scribe fait-il gagner ?

Peu par note. Dans l'essai de l'UCLA, la baisse significative du temps passé sur la note était de 9,5 pour cent avec l'un des outils (Lukac et al., 2025). Dans la cohorte de Pearlman, le temps passé sur les notes était inférieur d'environ 1,8 minute par consultation (Pearlman et al., 2025).

La note générée peut-elle être signée sans relecture ?

Les données le déconseillent. Dans des consultations simulées, 70 pour cent des notes contenaient au moins une erreur (Biro et al., 2025), et l'essai randomisé a relevé des imprécisions cliniquement pertinentes occasionnelles (Lukac et al., 2025).

Quelle erreur est la plus difficile à percevoir ?

L'omission. Biro et ses collaborateurs ont observé qu'elle exige que le médecin se souvienne de ce qui a été dit en consultation, ce qui devient plus difficile lorsque la relecture a lieu des heures plus tard (Biro et al., 2025).

Faut-il demander le consentement du patient ?

Les services étudiés ont demandé le consentement, et l'acceptation a dépendu de l'ampleur des explications : 81,6 pour cent avec une information de base et 55,3 pour cent avec une information détaillée (Lawrence et al., 2025).

Messages à retenir

• Traitez le burnout comme un phénomène professionnel, avec épuisement, distanciement et efficacité réduite, comme le définit l'OMS (OMS, 2019).
• Attendez des gains de temps modestes : dans l'essai randomisé, la seule réduction significative a été de 9,5 pour cent du temps passé sur la note (Lukac et al., 2025).
• Lisez les résultats sur le burnout avec prudence, car les plus grandes améliorations venaient d'études sans groupe contrôle (Olson et al., 2025 ; Shah et al., 2025).
• Relisez chaque note juste après la consultation, en cherchant surtout ce qui a été omis (Biro et al., 2025).
• Vérifiez les négations, les médicaments, les demandes et le degré de certitude diagnostique, les domaines les plus exposés aux erreurs et aux modifications (Lukac et al., 2025 ; Guo et al., 2026).
• Expliquez au patient comment fonctionne l'enregistrement, car le consentement varie selon le niveau de détail (Lawrence et al., 2025).

Références

1. World Health Organization. Burn-out an "occupational phenomenon": International Classification of Diseases. 28 mai 2019. [Texte intégral](https://www.who.int/news/item/28-05-2019-burn-out-an-occupational-phenomenon-international-classification-of-diseases).
2. Arndt BG, Beasley JW, Watkinson MD, Temte JL, Tuan WJ, Sinsky CA, Gilchrist VJ. Tethered to the EHR: primary care physician workload assessment using EHR event log data and time-motion observations. Ann Fam Med. 2017;15(5):419-26. [PubMed](https://pubmed.ncbi.nlm.nih.gov/28893811/).
3. Lukac PJ, Turner W, Vangala S, et al. Ambient AI scribes in clinical practice: a randomized trial. NEJM AI. 2025;2(12). [PubMed](https://pubmed.ncbi.nlm.nih.gov/41497288/).
4. Afshar M, Baumann MR, Resnik F, et al. A pragmatic randomized controlled trial of ambient artificial intelligence to improve health practitioner well-being. NEJM AI. 2025;2(12). [PubMed](https://pubmed.ncbi.nlm.nih.gov/41625485/).
5. Olson KD, Meeker D, Troup M, et al. Use of ambient AI scribes to reduce administrative burden and professional burnout. JAMA Netw Open. 2025;8(10):e2534976. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41037268/).
6. Shah SJ, Devon-Sand A, Ma SP, et al. Ambient AI scribes: physician burnout and perspectives on usability and documentation burden. J Am Med Inform Assoc. 2025;32(2):375-80. [PubMed](https://pubmed.ncbi.nlm.nih.gov/39657021/).
7. Stults CD, Deng S, Martinez MC, et al. Evaluation of an ambient artificial intelligence documentation platform for clinicians. JAMA Netw Open. 2025;8(5):e258614. [PubMed](https://pubmed.ncbi.nlm.nih.gov/40314951/).
8. Pearlman K, Wan W, Shah S, Laiteerapong N. Use of an AI scribe and EHR efficiency. JAMA Netw Open. 2025;8(10):e2537000. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41071550/).
9. Holmgren AJ, et al. Ambient AI scribes and physician financial productivity. JAMA Netw Open. 2026;9(1):e2553233. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41511775/).
10. Biro J, Handley JL, Cobb NK, et al. Accuracy and safety of AI-enabled scribe technology: instrument validation study. J Med Internet Res. 2025;27:e64993. [PubMed](https://pubmed.ncbi.nlm.nih.gov/39869899/).
11. Guo Y, Hu D, Yang Z, et al. What do clinicians edit in ambient AI-drafted clinical documentation? J Am Med Inform Assoc. 2026;33(8):1457-65. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42118974/).
12. Lawrence K, Kuram VS, Levine DL, et al. Informed consent for ambient documentation using generative AI in ambulatory care. JAMA Netw Open. 2025;8(7):e2522400. [PubMed](https://pubmed.ncbi.nlm.nih.gov/40694347/).