MétaCan
Menu
Retour à la cohorte
Enregistrement W2086254292 · doi:10.1186/1472-6947-12-10

Impact of electronic medical record on physician practice in office settings: a systematic review

2012· review· en· W2086254292 sur OpenAlexafffundabout
Francis Lau, Morgan Price, Jeanette Boyd, Colin Partridge, Heidi Bell, Rebecca Raworth

Notice bibliographique

RevueBMC Medical Informatics and Decision Making · 2012
Typereview
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensUniversity of British ColumbiaUniversity of Victoria
Organismes subventionnairesCanadian Institutes of Health ResearchUniversity of British Columbia
Mots-clésCINAHLHealth informaticsMedicineDocumentationMedical recordeHealthMEDLINEFamily medicineHealth careSystematic reviewElectronic medical recordNursingMedical educationPublic healthPsychological interventionComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Increased investments are being made for electronic medical records (EMRs) in Canada. There is a need to learn from earlier EMR studies on their impact on physician practice in office settings. To address this need, we conducted a systematic review to examine the impact of EMRs in the physician office, factors that influenced their success, and the lessons learned. RESULTS: For this review we included publications cited in Medline and CINAHL between 2000 and 2009 on physician office EMRs. Studies were included if they evaluated the impact of EMR on physician practice in office settings. The Clinical Adoption Framework provided a conceptual scheme to make sense of the findings and allow for future comparison/alignment to other Canadian eHealth initiatives.In the final selection, we included 27 controlled and 16 descriptive studies. We examined six areas: prescribing support, disease management, clinical documentation, work practice, preventive care, and patient-physician interaction. Overall, 22/43 studies (51.2%) and 50/109 individual measures (45.9%) showed positive impacts, 18.6% studies and 18.3% measures had negative impacts, while the remaining had no effect. Forty-eight distinct factors were identified that influenced EMR success. Several lessons learned were repeated across studies: (a) having robust EMR features that support clinical use; (b) redesigning EMR-supported work practices for optimal fit; (c) demonstrating value for money; (d) having realistic expectations on implementation; and (e) engaging patients in the process. CONCLUSIONS: Currently there is limited positive EMR impact in the physician office. To improve EMR success one needs to draw on the lessons from previous studies such as those in this review.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,025
score de la tête « metaresearch » (Gemma)0,134
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,130

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,134
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0050,005
Bibliométrie0,0130,023
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,096
Tête enseignante GPT0,535
Écart entre enseignants0,439 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations205
Publié2012
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Medical Informatics and Decision MakingMême sujetElectronic Health Records SystemsTravaux en français237 207