Factors Associated With Adoption of the Electronic Health Record System Among Primary Care Physicians
Notice bibliographique
Résumé
BACKGROUND: A territory-wide Internet-based electronic patient record allows better patient care in different sectors. The engagement of private physicians is one of the major facilitators for implementation, but there is limited information about the current adoption level of electronic medical record (eMR) among private primary care physicians. OBJECTIVE: This survey measured the adoption level, enabling factors, and hindering factors of eMR, among private physicians in Hong Kong. It also evaluated the key functions and the popularity of electronic systems and vendors used by these private practitioners. METHODS: A central registry consisting of 4324 private practitioners was set up. Invitations for self-administered surveys and the completed questionnaires were sent and returned via fax, email, postal mail, and on-site clinic visits. Current users and non-users of eMR system were compared according to their demographic and practice characteristics. Student's t tests and chi-square tests were used for continuous and categorical variables, respectively. RESULTS: A total of 524 completed surveys (response rate 524/4405 11.90%) were collected. The proportion of using eMR in private clinics was 79.6% (417/524). When compared with non-users, the eMR users were younger (users: 48.4 years SD 10.6 years vs non-users: 61.7 years SD 10.2 years, P<.001); more were female physicians (users: 80/417, 19.2% vs non-users: 14/107, 13.1%, P=.013); possessed less clinical experience (with more than20 years of practice: users: 261/417, 62.6% vs non-user: 93/107, 86.9%, P<.001); fewer worked under a Health Maintenance Organization (users: 347/417, 83.2% vs non-users: 97/107, 90.7%, P<.001) and more worked with practice partners (users: 126/417, 30.2% vs non-users: 4/107, 3.7%, P<.001). Efficiency (379/417, 90.9%) and reduction of medical errors (229/417, 54.9%) were the major enabling factors, while patient-unfriendliness (58/107, 54.2%) and limited consultation time (54/107, 50.5%) were the most commonly reported hindering factors. The key functions of computer software among eMR users consisted of electronic patient registration system (376/417, 90.2%), drug dispensing system (328/417, 78.7%) and electronic drug labels (296/417, 71.0%). SoftLink Clinic Solution was the most popular vendor (160/417, 38.4%). CONCLUSIONS: These findings identified several physician groups who should be targeted for more assistance on eMR installation and its adoption. Future studies should address the barriers of using Internet-based eMR to enhance its adoption.
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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 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 ».