Understanding Electronic Medical Record Adoption in the United States: Communication and Sociocultural Perspectives
Notice bibliographique
Résumé
BACKGROUND: This paper adopts a communication and sociocultural perspective to analyze the factors behind the lag in electronic medical record (EMR) adoption in the United States. Much of the extant research on this topic has emphasized economic factors, particularly, lack of economic incentives, as the primary cause of the delay in EMR adoption. This prompted the Health Information Technology on Economic and Clinical Health Act that allow financial incentives through the Centers of Medicare and Medicaid Services for many health care organizations planning to adopt EMR. However, financial incentives alone have not solved the problem; many new innovations do not diffuse even when offered for free. Thus, this paper underlines the need to consider communication and sociocultural factors to develop a better understanding of the impediments of EMR adoption. OBJECTIVE: The objective of this paper was to develop a holistic understanding of EMR adoption by identifying and analyzing the impact of communication and sociocultural factors that operate at 3 levels: macro (environmental), meso (organizational), and micro (individual). METHODS: We use the systems approach to focus on the 3 levels (macro, meso, and micro) and developed propositions at each level drawing on the communication and sociocultural perspectives. RESULTS: Our analysis resulted in 10 propositions that connect communication and sociocultural aspects with EMR adoption. CONCLUSIONS: This paper brings perspectives from the social sciences that have largely been missing in the extant literature of health information technology (HIT) adoption. In doing so, it implies how communication and sociocultural factors may complement (and in some instances, reinforce) the impact of economic factors on HIT adoption.
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 | 0,031 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».