Qualitative analysis of multi-disciplinary round-table discussions on the acceleration of benefits and data analytics through hospital electronic prescribing (ePrescribing) systems
Notice bibliographique
Résumé
BACKGROUND: Electronic systems that facilitate prescribing, administration and dispensing of medicines (ePrescribing systems) are at the heart of international efforts to improve the safety, quality and efficiency of medicine management. Considering the initial costs of procuring and maintaining ePrescribing systems, there is a need to better understand how to accelerate and maximise the financial benefits associated with these systems. OBJECTIVES: We sought to investigate how different sectors are approaching the realisation of returns on investment from ePrescribing systems in U.K. hospitals and what lessons can be learned for future developments and implementation strategies within healthcare settings. METHOD: We conducted international, multi-disciplinary, round-table discussions with 21 participants from different backgrounds including policy makers, healthcare organisations, academic researchers, vendors and patient representatives. The discussions were audio-recorded, transcribed and then thematically analysed with the qualitative analysis software NVivo10. RESULTS: There was an over-riding concern that realising financial returns from ePrescribing systems was challenging. The underlying reasons included substantial fixed costs of care provision, the difficulties in radically changing the medicines management process and the lack of capacity within NHS hospitals to analyse and exploit the digital data being generated. Any future data strategy should take into account the need to collect and analyse local and national data (i.e. within and across hospitals), setting comparators to measure progress (i.e. baseline measurements) and clear standards guiding data management so that data are comparable across settings. CONCLUSIONS: A more coherent national approach to realising financial benefits from ePrescribing systems is needed as implementations progress and the range of tools to collect information will lead to exponential data growth. The move towards more sophisticated closed-loop systems that integrate prescribing, administration and dispensing, as well as increasingly empowered patients accessing their data through portals and portable devices, will accelerate these developments. Meaningful analysis of data will be the key to realise benefits associated with systems.
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 | 0,037 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,012 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».