Toward a model of successful electronic health record adoption.
Notice bibliographique
Résumé
The Canadian healthcare landscape abounds with pressures to address wait times, chronic disease management, aging at home, information and service integration, health human resource shortages, pandemic planning and most importantly health outcomes of individuals receiving care in our system. Investment in clinical information technologies is often touted as significant to the successful resolution of most if not all of these issues. For example, Baker and Norton (2001) uncovered an alarming rate of preventable adverse events occurring within Canadian hospitals. A particularly high error rate associated with the administration of fluids and medications suggests that there is a dire need to introduce processes and tools to reduce human error in healthcare facilities. The implementation of clinical applications such as computerized physician order entry (CPOE) with integrated electronic medication administration records (MAR) has been identified as a key step to safer care (Bates and Gawande 2003; Leape et al. 2002; Leatt et al. 2006). It has been suggested that the full value of electronic health records (EHR) will only be realized with the implementation of CPOE and that its use (by physicians) is a reasonable proxy for adoption (Ash and Bates 2005). Considering recent surveys of Canadian and American hospitals, those that have fully implemented CPOE remain in the minority (Ash et al. 2004; Davis 2007; Gudbranson 2007); most have yet to tackle the challenges of the change imperative and adoption issues associated with the use of a complete EHR
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».