Physician Satisfaction Following Electronic Health Record Adoption in Three Massachusetts Communities
Notice bibliographique
Résumé
BACKGROUND: Despite mandates and incentives for electronic health record (EHR) adoption, little is known about factors predicting physicians' satisfaction following EHR implementation. OBJECTIVE: To measure predictors of physician satisfaction following EHR adoption. METHODS: A total of 163 physicians completed a mailed survey before and after EHR implementation through a statewide pilot project in Massachusetts. Multivariable logistic regression identified predictors of physician satisfaction with their current practice situation in 2009 and generalized estimating equations accounted for clustering. RESULTS: The response rate was 77% in 2005 and 68% in 2009. In 2005, prior to EHR adoption, 28% of physicians were very satisfied with their current practice situation compared to 25% in 2009, following EHR adoption (P < .001). In multivariate analysis, physician satisfaction following EHR adoption was correlated with self-reported ease of EHR implementation (adjusted odds ratio [OR] = 5.7, 95% CI 2.1 - 16), resources for practice improvement (adjusted OR = 2.6, 95% CI 1.2 - 6.1), pre-intervention satisfaction (adjusted OR = 4.8, 95% CI 1.5 - 15), and stress (adjusted OR = 5.3, 95% CI 1.1 - 25). Male physicians reported lower satisfaction following EHR adoption (adjusted OR = 0.3, 95% CI 0.2 - 0.6). CONCLUSIONS: Interventions to expand EHR use should consider additional support for practices with fewer resources for improvement and ensure ease of EHR implementation. EHR adoption may be a factor in alleviating physicians' stress. Addressing physicians' satisfaction prior to practice transformation and anticipating greater dissatisfaction among male physicians will be essential to retaining the physician workforce and ensuring the quality of care they deliver.
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 | 0,043 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».