General practitioners' attitudes towards electronic prescribing and the use of the national prescription centre
Notice bibliographique
Résumé
RATIONALE, AIMS AND OBJECTIVES: The purpose of this study was to assess general practitioners' (GP) experience of an electronic prescription (e-prescription) system and the use of a national prescription centre. METHODS: A web-based survey with 29 structured questions and 8 open-ended questions was used. The technology acceptance model was used to explain first users' use of e-prescribing technology. GPs (n = 269) in two different primary health care organizations, which implemented the e-prescribing module as the first of its kind in Finland. RESULTS: Of the 269 GPs, 69 (26%) completed the survey. E-prescribing had influenced GP work and their management of patients' medication positively. Electronic health records and e-prescribing increased GPs' flexibility at work. There was a notable improvement in the management of prescription of narcotics with the introduction of e-prescribing. Issues with the e-prescribing system software delayed data processing and produced negative experience as users were forced to browse through too many pages to write a prescription. CONCLUSIONS: E-prescribing has improved GP's patient medication management, meeting Finland's national objectives. E-prescriptions not only reinforce the process of writing, transmitting and checking the authenticity of prescriptions but also make it mandatory for all key prescription information to be present for transmission. The perceived usefulness of e-prescribing by GPs could lead to more widespread adoption of the technology. Making e-prescribing more user friendly requires reforming work processes, which in turn would enhance the effectiveness of GP work.
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 | 0,052 | 0,146 |
| 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 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».