The impact of electronic medical record implementation on operating room efficiency
Notice bibliographique
Résumé
Background: First start delays in the operating room have a downstream effect on operating room efficiency and patient satisfaction. In accordance with the American Recovery and Reinvestment Act, in February 2014, our institution adopted EPICTM as our electronic health record (EHR). The impact of the transition from paper to electronic documentation on operating room efficiency is not known. This study analyzed first start data as a measure of overall operative suite efficiency, looking at the initial impact and the learning curve to return to baseline parameters.Methods: A retrospective review of on time start data was reviewed for three months prior and 4 months after implementation of the EHR. A start was considered delayed if the patient arrived to the room after the 7:30 start time. Patients transported from the intensive care unit were excluded from analysis. Data was analyzed using control charts for the percentages and comparison of means using Dunnet’s methods. Confidence intervals were calculated at .05 and .01 for significance.Results: After EPIC implementation, there was an initial drop in on time starts from over 60% to 41% followed by gradual return to pre-implementation level within 4 months (p < .01).Conclusions: Implementation of an EHR produced decreased efficiency in on time first starts in the operative suite, but the learning curve was brief, returning to baseline values in 4 months. These findings can serve as a guide for other institutions that are undergoing transition from a paper to an electronic medical record.
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 | 0,006 | 0,002 |
| 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 | 0,000 | 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 ».