Sustaining "Meaningful Use" of Health Information Technology in Low-Resource Practices
Notice bibliographique
Résumé
PURPOSE: The implementation of electronic health records (EHRs) has been extensively studied, but their maintenance once implemented has not. The Regional Extension Center (REC) program provides implementation assistance to priority practices-those with limited financial, technical, and organizational resources-but the assistance is time limited. Our objective was to identify potential barriers to maintenance of meaningful use of EHRs in priority primary care practices using a qualitative observational study for federally qualified health centers (FQHCs) and priority practices in Michigan. METHODS: We conducted cognitive task analysis (CTA) interviews and direct observations of health information technology implementation in FQHCs. In addition, we conducted semistructured interviews with implementation specialists serving priority practices to detect emergent themes relevant to maintenance. RESULTS: Maintaining EHR technology will require ongoing expert technical support indefinitely beyond implementation to address upgrades and security needs. Maintaining meaningful use for quality improvement will require ongoing support for leadership and change management. Priority practices not associated with larger systems lack access to the necessary technical expertise, financial resources, and leverage with vendors to continue alone. Rural priority practices are particularly challenged, because expertise is often not available locally. CONCLUSIONS: Priority practices, especially in rural areas, are at high risk for falling on the wrong side of a "digital divide" as payers and regulators enact increasing expectations for EHR use and information management. For those without affiliation to maintain the necessary expert staff, ongoing support will be needed for those practices to remain viable.
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 | 0,015 | 0,075 |
| 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 | 0,005 | 0,007 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».