MétaCan
Menu
Retour à la cohorte
Enregistrement W2403295607 · doi:10.4018/978-1-61520-733-6.ch011

Will Privacy Concerns Derail the Electronic Health Record? Balancing the Risks and Benefits

2010· book-chapter· en· W2403295607 sur OpenAlexaff
Candace J. Gibson, Kelly Abrams

Notice bibliographique

RevueAdvances in healthcare information systems and administration book series · 2010
Typebook-chapter
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensCanadian Public Health AssociationWestern University
Organismes subventionnairesnon disponible
Mots-cléseHealthConfidentialityInternet privacyBusinessInteroperabilityPersonally identifiable informationHealth careInformation privacyComputer securityComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

The introduction of information technologies and the electronic record in health care is thought to be a key means of improving efficiencies and effectiveness of the health care system; ensuring critical information is readily available at the point of care, decreasing unnecessary duplication of tests, increasing patient safety (particularly from adverse drug events), and linking providers and patients spatially and temporally across the continuum of care as health care moves out of the traditional hospital setting to the community and home. There is a steady movement in many countries towards eHealth and a fully implemented, in some cases, pan-regional or pan-national electronic heath record. A number of barriers and challenges exist in EHR implementation. These include lack of resources (both capital and human resources), resistance to change and adoption of new technologies, and lack of standards to ensure interoperability across separate applications and systems. From the public’s perspective, maintaining the security, privacy, and confidentiality of personal health information is a prominent concern and privacy of personal health information still looms as a potential stumbling block for the implementation of a omprehensive, shared electronic record. There are some steps that can be taken to increase the public’s comfort level and to ensure that these new systems are designed and used with security and privacy in mind.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,989
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0030,000
Communication savante0,0000,004
Science ouverte0,0000,000
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,387
Écart entre enseignants0,334 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in healthcare information systems and administration book seriesMême sujetElectronic Health Records SystemsTravaux en français237 207