Using social knowledge networking technology to enable meaningful use of electronic health record technology in hospitals and health systems
Notice bibliographique
Résumé
Despite the federal policy momentum towards “meaningful use” of Electronic Health Records (EHRs), the healthcare organizational literature remains replete with reports of unintended adverse consequences of implementing EHRs, including: increased work for clinicians, unfavorable workflow changes, and unexpected changes in communication patterns & practices. In addition to being costly and unsafe, these unintended adverse consequences may pose a formidable barrier to “meaningful use” of EHRs. Correspondingly, it is essential for hospital administrators to understand and detect the causes of unintended adverse consequences, to ensure successful implementation of EHRs. The longstanding Technology-in-Practice framework emphasizes the role of human agency in enacting structures of technology use or “technologies-in-practice”. Given a set of unintended adverse consequences from health information technology implementation, this framework could help trace them back to specific actions (types of technology-in-practice) and institutional conditions (social structures). On the other hand, the more recent Knowledge-in-Practice framework helps understand how information and communication technologies (e.g., social knowledge networking systems) could be implemented alongside existing technology systems, to create new social structures, generate new knowledge-in-practice, and transform technology-in-practice. Therefore, integrating the two literature streams could serve the dual purpose of understanding and overcoming unintended adverse consequences of EHR implementation. This paper seeks to: (1) review the theoretical literatures on technology use & implementation, and identify a framework for understanding & overcoming unintended adverse consequences of implementing EHRs; (2) outline a broad project proposal to test the applicability of the framework in enabling “meaningful use” of EHRs in a healthcare context; and (3) identify strategies for successful implementation of EHRs in hospitals & health systems, based on the literature review and application.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».