Simulations to AssessMedication Administration Systems
Notice bibliographique
Résumé
A range of new technologies/information systems are increasingly being used by nurses in healthcare organizations. These technologies/information systems are being implemented in clinical settings in order to reduce errors associated with the medication administration process. At present, few published articles report empirical findings on the effects of using electronic medication administration systems where nurses’ work is concerned. This chapter reports that there are both intended and unintended consequences, associated with implementing such systems in the clinical setting. Simulation methods can be used to assess the impact of integrating new technology/information systems into the nurses’ work environment prior to full-scale implementation of a health technology/information system. Simulations as an evaluative tool emerged from a direct need to assess unintended and intended consequences of health information systems upon nurses’ work before systems are fully implemented. Simulations, as an evaluative methodology, emerged from the cognitive-socio-technical literature. Methods for analyzing workflow and conducting simulations of user behavior can be used to assess and improve the cognitive-socio-technical fit of technologies/information systems. They can be used to identify work and workflow problems (i.e. unintended consequences) involving health technologies/information systems as they are designed, developed, procured, purchased and implemented. Nurse informatician use of simulations to assess and test health technologies/information systems will allow nurses to determine the impact of a new software and/or hardware upon aspects of nurses’ work before its implementation to allow for appropriate system modifications.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 tête enseignante, 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 ».