Patient Accessible Electronic Health Records: Exploring Recommendations for Successful Implementation Strategies
Notice bibliographique
Résumé
BACKGROUND: Providing patients with access to their electronic health records offers great promise to improve patient health and satisfaction with their care, as well to improve professional and organizational approaches to health care. Although many benefits have been identified, there are many questions about best practices for the implementation of patient accessible Electronic Health Records (EHRs). OBJECTIVES: To develop recommendations to assist health care organizations in providing patients with access to EHRs in a meaningful, responsible, and responsive manner. METHODS: A Patient Accessible Electronic Health Record (PAEHR) Workshop was held with nationally and internationally renowned experts to explore issues related to providing patient access to the EHR and managing institutional change. RESULTS: The PAEHR Workshop was attended by 45 participants who discussed recommendations for the implementation of patient accessible EHRs. Recommendations were discussed under four subject domains: (1) providing patient access to the EHR, (2) maintaining privacy and confidentiality related to the PAEHR, (3) patient education and navigation of the PAEHR, and (4) strategies for managing institutional change. The discussion focused on the need for national infrastructure, clear definitions for privacy, security and confidentiality, flexible, interoperable solutions, and patient and professional education. In addition, there was a strong call for research into all domains of patient accessible EHRs to ensure the adoption of evidence-based practices. CONCLUSIONS: Patient access to personal health information is a fundamental issue for patient engagement and empowerment. Health care professionals and organizations should consider the potential benefits and risks of patient access when developing EHR strategies. Flexible, standardized, and interoperable solutions must be integrated with outcomes-based research to activate effectively patients as partners in their health care.
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 | 0,114 | 0,156 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,017 | 0,019 |
| Science ouverte | 0,008 | 0,008 |
| Intégrité de la recherche | 0,013 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».