Opinions, perceptions and attitudes toward an electronic health record system among practicing nurses
Notice bibliographique
Résumé
Background: Despite worldwide expanding implementation of electronic health record (EHR) systems, healthcare professionals conducted limited number of studies to explore factors that might facilitate or jeopardize using these systems. This study underscores the impact of nurses’ opinions, perceptions, and computer competencies on their attitudes toward using an EHR system.Methods: With randomized sampling, a cross-sectional exploratory design was used. The sample consisted of 169 nurses who worked at a public teaching hospital in Oman. They completed self-administered questionnaire. Several standardized valid and reliable instruments were utilized.Results: Seventy-four percent of our study nurses had high positive attitudes toward the EHR system. The least ranked perception scores (60.4%) were linked to perceiving that suggestions made by nurses about the system would be taken into account. Nurses who reported that the hospital sought for suggestions for customization of the system [OR: 2.54 (95% CI: 1.09, 5.88), p = .03], who found the system as an easy-to-use clinical information system [OR: 6.53 (95% CI: 1.72, 24.75), p = .01], who reported the presence of good relationship with the system’s managing personnel [OR: 3.59 (95% CI: 1.13, 11.36), p = .03] and who reported that the system provided all needed health information [OR: 2.97 (95% CI: 1.16, 7.62), p = .02] were more likely to develop high positive attitudes toward the system.Conclusions: To better develop plans to foster the EHR system’s use facilitators and overcome its usage barriers by nursing professionals, more involvement of nurses in system’s customization endeavors is highly suggested. When the system did not disrupt workflows, it would decrease clinical errors and expand nursing productivity. In order to maximize the utilization of the system in healthcare delivery, future research work to investigate the effect of the system on other healthcare providers and inter-professional communications is pressingly needed.
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 | 0,002 | 0,010 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».