Prehospital Electronic Patient Care Report Systems: Early Experiences from Emergency Medical Services Agency Leaders
Notice bibliographique
Résumé
BACKGROUND: As the United States embraces electronic health records (EHRs), improved emergency medical services (EMS) information systems are also a priority; however, little is known about the experiences of EMS agencies as they adopt and implement electronic patient care report (e-PCR) systems. We sought to characterize motivations for adoption of e-PCR systems, challenges associated with adoption and implementation, and emerging implementation strategies. METHODS: We conducted a qualitative study using semi-structured in-depth interviews with EMS agency leaders. Participants were recruited through a web-based survey of National Association of EMS Physicians (NAEMSP) members, a didactic session at the 2010 NAEMSP Annual Meeting, and snowball sampling. Interviews lasted approximately 30 minutes, were recorded and professionally transcribed. Analysis was conducted by a five-person team, employing the constant comparative method to identify recurrent themes. RESULTS: Twenty-three interviewees represented 20 EMS agencies from the United States and Canada; 14 EMS agencies were currently using e-PCR systems. The primary reason for adoption was the potential for e-PCR systems to support quality assurance efforts. Challenges to e-PCR system adoption included those common to any health information technology project, as well as challenges unique to the prehospital setting, including: fear of increased ambulance run times leading to decreased ambulance availability, difficulty integrating with existing hospital information systems, and unfunded mandates requiring adoption of e-PCR systems. Three recurring strategies emerged to improve e-PCR system adoption and implementation: 1) identify creative funding sources; 2) leverage regional health information organizations; and 3) build internal information technology capacity. CONCLUSION: EMS agencies are highly motivated to adopt e-PCR systems to support quality assurance efforts; however, adoption and implementation of e-PCR systems has been challenging for many. Emerging strategies from EMS agencies and others that have successfully implemented EHRs may be useful in expanding e-PCR system use and facilitating this transition for other EMS agencies.
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 | 0,012 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».