Barriers and facilitators to Electronic Medical Record (EMR) use in an urban slum
Notice bibliographique
Résumé
OBJECTIVE: Rapid urbanization has led to the growth of urban slums and increased healthcare burdens for vulnerable populations. Electronic Medical Records (EMRs) have the potential to improve continuity of care for slum residents, but their implementation is complicated by technical and non-technical limitations. This study sought practical insights about facilitators and barriers to EMR implementation in urban slum environments. METHOD: Descriptive qualitative method was used to explore staff perceptions about a recent open-source EMR deployment in two primary care clinics in Kibera, Nairobi. Participants were interviewed using open-ended, semi-structured questions. Content analysis was used when exploring transcribed data. RESULTS: Three major themes - systems, software, and social considerations - emerged from content analysis, with sustainability concerns prevailing. Although participants reported many systems (e.g., power, network, Internet, hardware, interoperability) and software (e.g., data integrity, confidentiality, function) challenges, social factors (e.g., identity management, training, use incentives) appeared the most important impediments to sustainability. DISCUSSION: These findings are consistent with what others have reported, especially the importance of practical barriers to EMR deployments in resource-constrained settings. Other findings contribute unique insights about social determinants of EMR impact in slum settings, including the challenge of multiple-identity management and development of meaningful incentives to staff compliance. CONCLUSIONS: This study exposes front-line experiences with opportunities and shortcomings of EMR implementations in urban slum primary care clinics. Although the promise is great, there are a number of unique system, software and social challenges that EMR advocates should address before expecting sustainable EMR use in resource-constrained settings.
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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| 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 ».