EMRs and Clinical IS Implementation in Hospitals: A Statewide Survey
Notice bibliographique
Résumé
PURPOSE: Present an overview of clinical information systems (IS) in hospitals and analyze the level of electronic medical records (EMR) implementation in relation to clinical IS capabilities and organizational characteristics. METHODS: We developed a survey instrument measuring clinical IS implementation and classified clinical IS across 5 EMR levels. The survey was administered to hospitals in a state with a large number of rural hospitals (84% response rate). FINDINGS: Clinical IS were classified across 5 EMR levels, a useful approach for understanding the gaps in clinical IS in hospitals. Almost half (43%) of hospitals in Iowa were at EMR Level 0, with at least 1 of the ancillary systems still absent; 12% were at Level 1 with all 3 ancillary systems in place; 16% were at Level 2 corresponding to an early EMR system; 18% were at Level 3 corresponding to an intermediate EMR system; and 10% were at Level 4 corresponding to an advanced EMR system. In contrast, 22% had no plans for EMR implementation at all. EMR level was lower in critical access hospitals and positively associated with more slack resources and staffed beds. Over a 3-year period, there were increases in ancillary systems and clinical documentation implementation. CONCLUSIONS: The survey performed well. There was agreement with published estimates of EMR penetration, sensitivity to change over time, and association with known organizational factors. It is well designed and can be used to map onto a comprehensive classification scheme capturing the EMR level and evaluating progress toward meaningful use.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».