Leggibilità delle lettere di dimissione ospedaliera e intelligenza artificiale: uno studio controllato quasi-randomizzato

Introduction: Hospital discharge letters serve as crucial summaries for patients, outlining diagnoses, treatments, and care plans. However, complex medical language often hinders patient understanding, undermining treatment adherence and generating errors in medication management. This study explores the use of Artificial Intelligence (AI) for rewriting discharge letters. The primary objective is to assess the effectiveness of AI-optimized versions in improving patient understanding and satisfaction compared to traditional letters. Methods: In 2023, a nationwide quasi-randomized controlled experimental study was conducted by distributing an anonymous online questionnaire. Participants were divided into two study groups: the experimental group, which received the AI-optimized discharge letter, and the control group, which received the standard discharge letter. The questionnaire's four sections included: sociodemographic characteristics; assessment of health literacy (HLS-EU-Q6); understanding of the discharge letter (primary outcome: score from 0 to 5, where 5 represents higher understanding); satisfaction with the received letter (secondary outcomes: 7 items, each with a score from 1 to 5). Descriptive analyses, comparative analyses between the experimental and control groups using the Mann-Whitney U test, and multivariable regression models were performed. Subgroup analyses explored the effect of healthcare professional experience on understanding. Results: Overall, the sample consisted of 341 participants, 166 of which were assigned to the “Original Letter” group and 175 to the “AI Letter” group. The median age of participants was 42 years (IQR=29-56). The "AI Letter" group reported a median comprehension score of 4 (IQR=2-4), while the "Original Letter" group reported a median comprehension score of 2 (IQR=1-2) (p<0.001). The "AI Patient-friendly Letter" facilitated greater understanding of the main diagnosis (84.0% vs. 47.6%, p<0.001), antibiotic instructions (72.6% vs. 22.3%, p<0.001), and recognition of prescribed medications (57.7% vs. 8.4%, p<0.001). The multivariable regression identified belonging to the experimental group (coefficient: 1.4, p<0.001), higher education levels (coefficient: 0.6, p=0.027), previous experience in the healthcare sector (coefficient: 0.8, p<0.001), sufficient health literacy (coefficient: 1.1, p<0.001), and a positive perception of health status (coefficient: 0.4, p=0.036) as predictors of better comprehension. Subgroup analyses highlighted a reduction in the comprehension gap between healthcare professionals and non-healthcare participants in the intervention group (p=0.263). Considering secondary outcomes, participants in the experimental group expressed greater satisfaction and a better perception of clarity and organization of information (p<0.001). Conclusions: AI improved the understanding of discharge letters, increasing participants’ overall satisfaction and reducing the gap between healthcare professionals and non-healthcare participants. AI tools could therefore be employed to facilitate communication of hospital discharge instructions.

Introduzione: Le lettere di dimissione ospedaliera fungono da resoconto fondamentale per i pazienti, riassumendo diagnosi, trattamenti e piani di cura. Tuttavia, il linguaggio medico complesso spesso ostacola la comprensione dei pazienti, minando l'aderenza al trattamento e generando errori nella gestione dei farmaci. Questo studio esplora l'utilizzo dell’Intelligenza Artificiale (IA) per la riscrittura delle lettere di dimissione. L'obiettivo primario è valutare l'efficacia delle versioni ottimizzate dall'IA nel migliorare la comprensione e il grado di soddisfazione dei pazienti rispetto alle lettere tradizionali. Metodi: Nel 2023, è stato condotto uno studio sperimentale controllato e quasi-randomizzato su scala nazionale, distribuendo un questionario anonimo online. I partecipanti sono stati distribuiti tra i due gruppi di studio: il gruppo sperimentale, che ha ricevuto la lettera di dimissione ottimizzata IA, e il gruppo di controllo, che ha ricevuto la lettera di dimissione standard. Le quattro sezioni del questionario includevano: caratteristiche sociodemografiche; valutazione dell’health literacy (HLS-EU-Q6); comprensione della lettera di dimissione (outcome primario: score da 0 a 5, dove 5 rappresenta una maggiore comprensione); soddisfazione relativa alla lettera ricevuta (outcome secondari: 7 item, ognuno con uno score da 1 a 5). Sono state eseguite analisi descrittive, analisi comparative tra i gruppi sperimentale e di controllo tramite il test U di Mann-Whitney e modelli di regressione multivariabile. Analisi di sottogruppo hanno esplorato l'effetto dell'esperienza professionale in ambito sanitario sulla comprensione. Risultati: Il campione totale è stato di 341 partecipanti, di cui 166 assegnati al gruppo della "Lettera originale" e 175 al gruppo della "Lettera AI". L'età mediana dei partecipanti è risultata di 42 anni (IQR=29-56). Il gruppo che ha ricevuto la "Lettera AI" ha riportato una mediana dello score di comprensione di 4 (IQR=2-4), mentre il gruppo della "Lettera originale" di 2 (IQR=1-2) (p<0,001). La "Lettera AI patient-friendly" ha favorito una maggiore comprensione della diagnosi principale (84,0% vs. 47,6%, p<0,001), delle istruzioni sugli antibiotici (72,6% vs. 22,3%, p<0,001), e il riconoscimento dei farmaci prescritti (57,7% vs. 8,4%, p<0,001). La regressione multivariabile ha identificato l'appartenenza al gruppo sperimentale (coefficiente: 1,4, p<0,001), livelli di istruzione più elevati (coefficiente: 0,6, p=0,027), esperienza pregressa nel settore sanitario (coefficiente: 0,8, p<0,001), health literacy sufficiente (coefficiente: 1,1, p<0,001) e una percezione positiva dello stato di salute (coefficiente: 0,4, p=0,036) come predittori di una migliore comprensione. Le analisi dei sottogruppi hanno evidenziato una riduzione del gap di comprensione tra operatori sanitari e partecipanti non sanitari nel gruppo di intervento (p=0,263). Considerando gli outcome secondari, i partecipanti nel gruppo sperimentale hanno espresso una maggiore soddisfazione e una migliore percezione della chiarezza e dell'organizzazione delle informazioni (p<0,001). Conclusione: L'IA ha migliorato la comprensione delle lettere di dimissione, aumentando la soddisfazione complessiva dei partecipanti e riducendo il divario tra operatori sanitari e non: gli strumenti di IA potrebbero quindi essere impiegati per facilitare la comunicazione delle istruzioni di dimissione ospedaliera.