Impact of Electronic Health Records on Long-Term Care Facilities: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Long-term care (LTC) facilities are an important part of the health care industry, providing care to the fastest-growing group of the population. However, the adoption of electronic health records (EHRs) in LTC facilities lags behind other areas of the health care industry. One of the reasons for the lack of widespread adoption in the United States is that LTC facilities are not eligible for incentives under the Meaningful Use program. Implementation of an EHR system in an LTC facility can potentially enhance the quality of care, provided it is appropriately implemented, used, and maintained. Unfortunately, the lag in adoption of the EHR in LTC creates a paucity of literature on the benefits of EHR implementation in LTC facilities. OBJECTIVE: The objective of this systematic review was to identify the potential benefits of implementing an EHR system in LTC facilities. The study also aims to identify the common conditions and EHR features that received favorable remarks from providers and the discrepancies that needed improvement to build up momentum across LTC settings in adopting this technology. METHODS: The authors conducted a systematic search of PubMed, Cumulative Index of Nursing and Allied Health (CINAHL), and MEDLINE databases. Papers were analyzed by multiple referees to filter out studies not germane to our research objective. A final sample of 28 papers was selected to be included in the systematic review. RESULTS: Results of this systematic review conclude that EHRs show significant improvement in the management of documentation in LTC facilities and enhanced quality outcomes. Approximately 43% (12/28) of the papers reported a mixed impact of EHRs on the management of documentation, and 33% (9/28) of papers reported positive quality outcomes using EHRs. Surprisingly, very few papers demonstrated an impact on patient satisfaction, physician satisfaction, the length of stay, and productivity using EHRs. CONCLUSIONS: Overall, implementation of EHRs has been found to be effective in the few LTC facilities that have implemented them. Implementation of EHRs in LTC facilities caused improved management of clinical documentation that enabled better decision making.
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 | 0,020 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,013 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».