[Application Status of Evaluation Methodology of Electronic Medical Record: Evaluation of Bibliometric Analysis].
Notice bibliographique
Résumé
In order to provide a reference and theoretical guidance of the evaluation of electronic medical record (EMR) and establishment of evaluation system in China, we applied a bibliometric analysis to assess the application of methodologies used at home and abroad, as well as to summarize the advantages and disadvantages of them. We systematically searched international medical databases of Ovid-MEDLINE, EBSCOhost, EI, EMBASE, PubMed, IEEE, and China's medical databases of CBM and CNKI between Jan. 1997 and Dec. 2012. We also reviewed the reference lists of articles for relevant articles. We selected some qualified papers according to the pre-established inclusion and exclusion criteria, and did information extraction and analysis to the papers. Eventually, 1 736 papers were obtained from online database and other 16 articles from manual retrieval. Thirty-five articles met the inclusion and exclusion criteria and were retrieved and assessed. In the evaluation of EMR, US counted for 54.28% in the leading place, and Canada and Japan stood side by side and ranked second with 8.58%, respectively. For the application of evaluation methodology, Information System Success Model, Technology Acceptance Model (TAM), Innovation Diffusion Model and Cost-Benefit Access Model were widely applied with 25%, 20%, 12.5% and 10%, respectively. In this paper, we summarize our study on the application of methodologies of EMR evaluation, which can provide a reference to EMR evaluation in China.
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 | 0,159 | 0,318 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,068 | 0,102 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».