Impact of Heath Information Technology on the Quality of Patient Care.
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
OBJECTIVE: To examine the relationships among Electronic Health Record (EHR) adoption and adverse outcomes and satisfaction in hospitalized patients. MATERIALS AND METHODS: This secondary analysis of cross sectional data was compiled from four sources: (1) State Inpatient Database from the Healthcare Cost Utilization Project; (2) Healthcare Information and Management Systems Society (HIMSS) Dorenfest Institute; (3) Hospital Consumer Assessment of Healthcare Providers and Systems Survey (HCAHPS) and (4) New Jersey nurse survey data. The final analytic sample consisted of data on 854,258 adult patients discharged from 70 New Jersey hospitals in 2006 and 7,679 nurses working in those same hospitals. The analytic approach used ordinary least squares and multiple regression models to estimate the effects of EHR adoption stage on the delivery of nursing care and patient outcomes, controlling for characteristics of patients, nurses, and hospitals. RESULTS: Advanced EHR adoption was independently associated with fewer patients with prolonged length of stay and seven-day readmissions. Advanced EHR adoption was not associated with patient satisfaction even when controlling for the strong relationships between better nursing practice environments, particularly staffing and resource adequacy, and missed nursing care and more patients reporting "Top-Box," satisfaction ratings. CONCLUSIONS: This innovative study demonstrated that advanced stages of EHR adoption show some promise in improving important patient outcomes of prolonged length of stay and hospital readmissions. Strongly evident by the relationships among better nursing work environments, better quality nursing care, and patient satisfaction is the importance of supporting the fundamentals of quality nursing care as technology is integrated into practice.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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