Local Public Health Department Adoption and Use of Electronic Health Records
Notice bibliographique
Résumé
CONTEXT: Electronic health records (EHRs) may help local health departments (LHDs) to improve services and thereby promote and protect population health. Yet, little is known about nationwide trends and correlates of EHR use by LHDs. OBJECTIVE: We examine relative contributions of LHD finances, leadership, and governance to EHR adoption and use from 2010 to 2013. The impact of LHD service provision and meaningful use factors on EHR use is explored in depth. DESIGN: Combining data from the National Association of County & City Health Officials Profile survey and the Area Health Resource File, logistic regression models were used to examine EHR use in 2013. Multinomial logistic models examined EHR adoption, use, or discontinuation from 2010 to 2013. PARTICIPANTS: EHR usage data were available for 514 and 488 LHDs in 2010 and 2013, respectively. A total of 117 LHDs had data for both 2010 and 2013. MAIN OUTCOME MEASURES: Outcomes included dichotomized measures of LHD self-reported use of EHRs in 2010 and 2013. For LHDs with 2 years of data, a 4-category variable measuring self-reported EHR use, nonuse, adoption, or discontinuation was analyzed. RESULTS: Overall LHD EHR use did not increase significantly between 2010 (19.3%) and 2013 (22.0%). While 15% of LHDs reported adopting EHRs from 2010 to 2013, another 8.5% reported discontinuing use of EHRs during this time. Likelihood of EHR use was strongly associated with LHD clinical service characteristics, per capita expenditures, and state governance structure. CONCLUSIONS: EHRs do not appear to be rapidly diffusing across LHDs, and retention of current systems may be a concern. Given trends away from clinical service provision and other pressing demands for LHD resources, the benefits of EHR adoption are unclear.
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 | 0,061 | 0,002 |
| 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 | 0,002 |
| 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 ».