Cognitive Analysis of Decision Support for Antibiotic Ordering in a Neonatal Intensive Care Unit
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Clinical decision support systems (CDSS) are a method used to support prescribing accuracy when deployed within a computerized provider order entry system (CPOE). Divergence from using CDSS is exemplified by high alert override rates. Excessive cognitive load imposed by the CDSS may help to explain such high rates. OBJECTIVES: The aim of this study was to describe the cognitive impact of a CPOE-integrated CDSS by categorizing system use problems according to the type of mental processing required to resolve them. METHODS: A qualitative, descriptive design was used employing two methods; a cognitive walkthrough and a think-aloud protocol. Data analysis was guided by Norman's Theory of Action and a theory of cognitive distances which is an extension to Norman's theory. RESULTS: The most frequently occurring source of excess cognitive effort was poor information timing. Information presented by the CDSS was often presented after clinicians required the information for decision making. Additional sources of effort included use of language that was not clear to the user, vague icons, and lack of cues to guide users through tasks. CONCLUSIONS: Lack of coordination between clinician's task-related thought processes and those presented by a CDSS results in excessive cognitive work required to use the system. This can lead to alert overrides and user errors. Close attention to user's cognitive processes as they carry out clinical tasks prior to CDSS development may provide key information for system design that supports clinical tasks and reduces cognitive effort.
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.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle