Resident Duty Hours in the Outpatient Electronic Health Record Era: Inaccuracies and Implications
Notice bibliographique
Résumé
BACKGROUND: The Accreditation Council for Graduate Medical Education expects resident duty hours to be monitored, yet no previous studies have examined the effect of after-hours electronic health record (EHR) use on resident hours or burnout. OBJECTIVE: We assessed internal medicine residents' perceived and actual time spent on after-hours outpatient EHR use and calculated increased duty hours if after-hours EHR use were included; we also assessed its effect on resident burnout. METHODS: We retrospectively aggregated time spent logged on to the outpatient EHR for residents in a general internal medicine clinic for 13 weeks in 2011. Residents completed a survey on EHR use, which was correlated with objectively recorded data on EHR usage. We compared actual and self-reported EHR time and identified violations that would be generated if these hours were included in reported duty hours. We also correlated resident after-hours EHR use with responses to an internally developed burnout survey. RESULTS: The 44 residents in this study overestimated time spent on the ambulatory EHR (they spent 3.03 hours/week on after-hours use compared with a recorded 1.20 hours/week). In total, 190 duty hour violations (mean duration of violation = 37 minutes) would have been generated if after-hours EHR usage were included in residents' reported duty hours. CONCLUSIONS: Resident estimates of EHR use by residents were not accurate; including after-hours EHR use would increase the number of reported duty hour violations. There was no association between after-hours EHR use and resident burnout.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».