Prioritizing the risk factors influencing the success of clinical information system projects. A Delphi study in Canada.
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study is to gain a better understanding of the risk factors influencing the success of clinical information system projects. METHODS: This study addresses this issue by first reviewing the extant literature on information technology project risks, and second conducting a Delphi survey among 21 experts highly involved in clinical information system projects in Québec, Canada, a region where government have invested heavily in health information technologies in recent years. RESULTS: Twenty-three risk factors were identified. The absence of a project champion was the factor that experts felt most deserves their attention. Lack of commitment from upper management was ranked second. Our panel of experts also confirmed the importance of a variable that has been extensively studied in information systems, namely, perceived usefulness that ranked third. Respondents ranked project ambiguity fourth. The fifth-ranked risk was associated with poor alignment between the clinical information systems' characteristics and the organization of clinical work. The large majority of risk factors associated with the technology itself were considered less important. This finding supports the idea that technology-associated factors rarely figure among the main reasons for a project failure. CONCLUSIONS: In addition to providing a comprehensive list of risk factors and their relative importance, the study presents a major contribution by unifying the literature on information systems and medical informatics. Our checklist provides a basis for further research that may help practitioners identify the effective countermeasures for mitigating risks associated with the implementation of clinical information systems.
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 | 0,009 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».