A literature review of the training offered to qualified prescribers to use electronic prescribing systems: why is it so important?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: A key element of the implementation and ongoing use of an electronic prescribing (ePrescribing) system is ensuring that users are, and remain, sufficiently trained to use the system. Studies have suggested that insufficient training is associated with suboptimal use. However, it is not clear from these studies how clinicians are trained to use ePrescribing systems or the effectiveness of different approaches. We sought to describe the various approaches used to train qualified prescribers on ePrescribing systems and to identify whether users were educated about the pitfalls and challenges of using these systems. METHODS: We performed a literature review, using a systematic approach across three large databases: Cumulative Index Nursing and Allied Health Literature, Embase and Medline were searched for relevant English language articles. Articles that explored the training of qualified prescribers on ePrescribing systems in a hospital setting were included. KEY FINDINGS: Our search of 'all training' approaches returned 1155 publications, of which seven were included. A separate search of 'online' training found three relevant publications. Training methods in the 'all training' category included clinical scenarios, demonstrations and assessments. Regarding 'online' training approaches; a team at the University of Victoria in Canada developed a portal containing simulated versions of electronic health records, where individuals could prescribe for fictitious patients. Educating prescribers about the challenges and pitfalls of electronic systems was rarely discussed. CONCLUSIONS: A number of methods are used to train prescribers; however, the lack of papers retrieved suggests a need for additional studies to inform training methods.
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.
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 | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 découle