Perspectives on Electronic Medical Record Implementation after Two Years of Use in Primary Health Care Practice
Notice bibliographique
Résumé
PURPOSE: This qualitative study explored the experiences of primary health care providers and staff who had moved beyond the stage of implementing electronic medical records (EMRs) in their practices to using this technology on an on-going basis. METHODS: A descriptive qualitative approach was used. Semistructured interviews were conducted with 19 participants. Data analysis was iterative and interpretive. RESULTS: Factors that hindered and motivated ongoing EMR use emerged. Factors that hindered use included (1) information technology challenges such as learning to use the EMR and the computer, electronic connectivity, and scanning; and (2) variability in on-going EMR use. Two factors motivated ongoing use: (1) improved efficiency in patient care, and (2) confidence with computers and EMR software. CONCLUSIONS: Different issues in the use of EMRs surface as primary health care providers and staff mature in their use of this technology. Ongoing use of the EMR may be facilitated by confidence with the technology as well as providers' perceptions of efficiency in patient care. Optimal use of the EMR could be facilitated through assessing and enhancing computer skills, working toward consistent data entry and use of the EMR, and developing strategies to address issues such as scanning and electronic connectivity.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».