Challenges to the implementation of a nationwide electronic prescribing network in primary care: a qualitative study of users’ perceptions
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: The objective of this study was to identify physicians' and pharmacists' perceptions of the challenges and benefits to implementing a nationwide electronic prescribing network linking medical clinics and community pharmacies in Quebec, Canada. METHODS: Forty-nine people (12 general practitioners, 2 managers, 33 community pharmacists, and 2 pharmacy staff members) from 40 points of care (10 primary care clinics (42% of all the connected sites) and 30 community pharmacies (44%)) were interviewed in 2013. Verbatim transcripts were analyzed using thematic analysis. RESULTS: A low level of network use was observed. Most pharmacists processed e-prescriptions by manual entry instead of importing electronically. They reported concerns about potential errors generated by importing e-prescriptions, mainly due to the instruction field. Paper prescriptions were still perceived as the best means for safe and effective processing of prescriptions in pharmacies. Speed issues when validating e-prescription messages were seen as an irritant by physicians, and resulted in several of them abandoning transmission. Displaying the medications based on the dispensing data was identified as the main obstacle to meaningful use of medication histories. CONCLUSIONS: Numerous challenges impeded realization of the benefits of this network. Standards for e-prescription messages, as well as rules for message validation, need to be improved to increase the potential benefits of e-prescriptions. Standard drug terminology including the concept of clinical medication should be developed, and the implementation of rules in local applications to allow for the classification and reconciliation of medication lists from dispensing data should be made a priority.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».