To act or not to act: responses to electronic health record prompts by family medicine clinicians
Notice bibliographique
Résumé
Objective: A major focus of health care today is a strong emphasis on improving the health and quality of care for entire patient populations. One common approach utilizes electronic clinical alerts to prompt clinicians when certain interventions are due for individual patients being seen. However, these alerts have not been consistently effective, particularly for less visible (though important) conditions such as hearing loss (HL) screening. Materials and Methods: We conducted hour-long cognitive task analysis interviews to explore how family medicine clinicians view, perceive, and use electronic clinical alerts, and to utilize this information to design a more effective alert using HL identification and referral as a model diagnosis. Results: Four key direct barriers were identified that impeded alert use: poor standardization and formatting, time pressures in primary care, clinic workflow variations, and mental models of the condition being prompted (in this case, HL). One indirect barrier was identified: electronic health record and institution/government regulations. We identified that clinicians' mental model of the condition being prompted was probably the major barrier, though this was often expressed as time pressure. We discuss solutions to each of the 5 identified barriers, such as addressing physicians' mental models, by focusing on physicians' expertise rather than knowledge to improve their comfort when caring for patients with the conditions being prompted. Conclusions: To unleash the potential of electronic clinical alerts, electronic health record and health care institutions need to address some key barriers. We outline these barriers and propose solutions.
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 | 0,020 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».