The value of connected health information: perceptions of electronic health record users in Canada
Notice bibliographique
Résumé
BACKGROUND: As health care becomes more complex, it becomes more important for clinicians and patients to share information. Electronic health information exchange can help address this need. To this end, all provinces and territories (PTs) in Canada have created interoperable electronic health records (iEHRs). These secure systems offer authorized users an integrated view of a person's healthcare history across the continuum of care. They include information such as lab results, medications, diagnostic images, clinical reports and immunization profiles. This study explores user experiences and perceived outcomes of iEHR use. METHODS: Surveys conducted between 2006 and 2014 asked iEHR users in six Canadian PTs about system, information and service quality; iEHR use and user satisfaction; and net quality and productivity benefits. The surveys had a core set of questions that used Likert-type scales. Results were synthesized across surveys for each evaluative dimension. Consensus among researchers and subject matter experts on whether to classify the outcomes as positive, mixed/neutral, or negative was established using a modified Delphi technique. RESULTS: A total of 2316 iEHR users responded to the six surveys. Information quality was the most studied area. Results varied across PTs, but positive outcomes were more common than mixed/neutral or negative outcomes by a 19:1:1 ratio across this dimension. The next most frequently studied aspects were user satisfaction, the impact of iEHR use on quality of care, and the impact on productivity. In all three areas, there were more positive than mixed/neutral or /negative results (ratios of 13:1:1, 14:3:1, and 15:2:1respectively). CONCLUSIONS: Overall, users of iEHRs that provide secure access to patient information collated from across the health system tend to report positive outcomes, including quality of care and productivity. This study is an important first step in understanding user perspectives on iEHRs and health information exchange more broadly.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».