Barriers and facilitators to implementing electronic prescription: a systematic review of user groups' perceptions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: We conducted a systematic review identifying users groups' perceptions of barriers and facilitators to implementing electronic prescription (e-prescribing) in primary care. METHODS: We included studies following these criteria: presence of an empirical design, focus on the users' experience of e-prescribing implementation, conducted in primary care, and providing data on barriers and facilitators to e-prescribing implementation. We used the Donabedian logical model of healthcare quality (adapted by Barber et al) to analyze our findings. RESULTS: We found 34 publications (related to 28 individual studies) eligible to be included in this review. These studies identified a total of 594 elements as barriers or facilitators to e-prescribing implementation. Most user groups perceived that e-prescribing was facilitated by design and technical concerns, interoperability, content appropriate for the users, attitude towards e-prescribing, productivity, and available resources. DISCUSSION: This review highlights the importance of technical and organizational support for the successful implementation of e-prescribing systems. It also shows that the same factor can be seen as a barrier or a facilitator depending on the project's own circumstances. Moreover, a factor can change in nature, from a barrier to a facilitator and vice versa, in the process of e-prescribing implementation. CONCLUSIONS: This review summarizes current knowledge on factors related to e-prescribing implementation in primary care that could support decision makers in their design of effective implementation strategies. Finally, future studies should emphasize on the perceptions of other user groups, such as pharmacists, managers, vendors, and patients, who remain neglected in the literature.
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.
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 | 0,017 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découle