MétaCan
Menu
Retour à la cohorte
Enregistrement W2782046928 · doi:10.2196/mededu.8976

Integrating Patient-Centered Electronic Health Record Communication Training into Resident Onboarding: Curriculum Development and Post-Implementation Survey Among Housestaff

2018· article· en· W2782046928 sur OpenAlexvenueno aff
Maria Alcocer Alkureishi, Wei Wei Lee, Sandra Webb, Vineet M. Arora

Notice bibliographique

RevueJMIR Medical Education · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of ChicagoArnold P. Gold Foundation
Mots-clésOnboardingCurriculumSpecialtyMedicineLikert scaleMedical educationElectronic health recordScale (ratio)Best practiceFamily medicineNursingHealth carePsychology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Electronic health record (EHR) use can enhance or undermine the ability of providers to deliver effective, humanistic patient-centered care. Given patient-centered care has been found to positively impact patient health outcomes, it is critical to provide formal education on patient-centered EHR communication skills. Unfortunately, despite increasing worldwide EHR adoption, few institutions educate trainees on EHR communication best practices. OBJECTIVE: The goal of this research was to develop and deliver mandatory patient-centered EHR training to all incoming housestaff at the University of Chicago. METHODS: We developed a brief patient-centered EHR use curriculum highlighting best practices based on a literature search. Training was embedded into required EHR onboarding for all incoming housestaff (interns, residents, and fellows) at the University of Chicago in 2015 and was delivered by institutional Clinical Applications Trainers. An 11-item posttraining survey consisting of ten 5-point Likert scale questions and 1 open-ended question was administered. Responses at the high end of the scale were grouped to dichotomize data. RESULTS: All 158 of the incoming 2015 postgraduate trainees participated in training and completed surveys (158/158, 100.0%). Just over half (86/158, 54.4%) were interns and the remaining were residents and fellows (72/158, 45.6%). One-fifth of respondents (32/158, 20.2%) were primary care trainees (defined as internal medicine, pediatric, and medicine-pediatric trainees), and the remaining 79.7% (126/158) were surgical or specialty trainees. Self-perceived pre- versus posttraining knowledge of barriers, best practices, and ability to implement patient-centered EHR skills significantly increased (3.1 vs 3.9, P<.001 for all). Most felt training was effective (90.5%), should be required (86.7%), and would change future practice as a result (70.9%). The only significant difference between intern and resident/fellow responses was prior knowledge of patient-centered EHR use barriers; interns endorsed higher prior knowledge than resident peers (3.27 vs 2.94 respectively, P=.03). Response comparison of specialty or surgical trainees (n=126) to primary care trainees (n=32) showed no significant differences in prior knowledge of barriers (3.09 vs 3.22, P=.50), of best practices (3.08 vs 2.94, P=.37), or prior ability to implement best practices (3.11 vs 2.84, P=.15). Primary care trainees had larger increases posttraining than surgical/specialty peers in knowledge of barriers (0.8 vs 0.7, P=.62), best practices (1.1 vs 0.8, P=.08), and ability to implement best practices (1.1 vs 0.7, P=.07), although none reached statistical significance. Primary care trainees also rated training as more effective (4.34 vs 4.09, P=.03) and felt training should be required (4.34 vs 4.09, P=.10) and would change their future practice as a result (4.13 vs 3.73, P=.02). CONCLUSIONS: Embedding EHR communication skills training into required institutional EHR training is a novel and effective way to teach key EHR skills to trainees. Such training may help ground trainees in best practices and contribute to cultivating an institutional culture of humanistic, patient-centered EHR use.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,556
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,464
Écart entre enseignants0,412 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Medical EducationMême sujetElectronic Health Records SystemsTravaux en français237 207