Predicting the use of electronic prescribing among early adopters in primary care.
Notice bibliographique
Résumé
OBJECTIVE: To identify the factors that can predict physicians' use of electronic prescribing. DESIGN: All primary care physicians who practised in a single geographic region in Quebec were invited to use a free, advanced, research-based electronic prescribing and drug management system. This natural experiment was studied with an expansion of the Technology Acceptance Model (TAM), which was used to explain early adopters' use of this electronic prescribing technology. SETTING: Quebec city region. PARTICIPANTS: A total of 61 primary care physicians who practised in a single geographic region where there was no electronic prescribing. MAIN OUTCOME MEASURES: Actual use of electronic prescribing; physicians' perceptions of and intentions to use electronic prescribing; physician and practice characteristics. RESULTS: During the 9-month study period, 61 primary care physicians located in 26 practice sites used electronic prescribing to write 15 160 electronic prescriptions for 18 604 patients. Physician electronic prescribing rates varied considerably, from a low of 0 to a high of 75 per 100 patient visits, with a mean utilization rate of 30 per 100 patient visits. Overall, 34% of the variance in the use of electronic prescribing was explained by the expanded TAM. Computer experience (P=.001), physicians' information-acquisition style (P=.01), and mean medication use in the practice (P=.02) were significant predictors. Other TAM factors that generally predict new technology adoption (eg, intention to use, perceived ease of use, and perceived usefulness) were not predictive in this study. CONCLUSION: The adoption of electronic prescribing was a highly challenging task, even among early adopters. The insight that this pilot study provides into the determinants of the adoption of electronic prescribing suggests that novel physician-related factors (eg, information-acquisition style) and practice-related variables (eg, prevalence of medication use) influence the adoption of electronic prescribing.
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 | 0,002 | 0,015 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».