Adopting electronic medical records: are they just electronic paper records?
Notice bibliographique
Résumé
OBJECTIVE: To understand the key challenges to adoption of advanced features of electronic medical records (EMRs) in office practice, and to better understand these challenges in a Canadian context. DESIGN: Mixed-methods study. SETTING: Manitoba. PARTICIPANTS: Health care providers and staff in 5 primary care offices. METHODS: Level of EMR adoption was assessed, and field notes from interviews and discussion groups were qualitatively analyzed for common challenges and themes across all sites. MAIN FINDINGS: Fifty-seven interviews and 4 discussion groups were conducted from November 2011 to January 2012. Electronic medical record adoption scores ranged from 2.3 to 3.0 (out of a theoretical maximum of 5). Practices often scored lower than expected on use of decision support, providing patients with access to their own data, and use of practice-reporting tools. Qualitative analysis showed there were ceiling effects to EMR adoption owing to how the EMR was implemented, the supporting eHealth infrastructure, lack of awareness or availability of EMR functionality, and poor EMR data quality. CONCLUSION: Many practitioners used their EMRs as "electronic paper records" and were not using advanced features of their EMRs that could further enhance practice. Data-quality issues within the EMRs could affect future attempts at using these features. Education and quality improvement activities to support data quality and EMR optimization are likely needed to support practices in maximizing their use of EMRs.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».