Creating a foundation for implementing an electronic health records (EHR)-integrated Social Knowledge Networking (SKN) system on medication reconciliation
Notice bibliographique
Résumé
Background: In fall 2016, Augusta University received a two-year grant from AHRQ, to implement a Social Knowledge Networking (SKN) system for enabling its health system, AU-Health, to progress from “limited use” of electronic health records (EHR) Medication Reconciliation (MedRec) Technology, to “meaningful use”. Phase 1 sought to identify a comprehensive set of issues related to EHR MedRec encountered by practitioners at AU-Health. These efforts helped develop a Reporting Tool, which, along with a Discussion Tool, was incorporated into the AU-Health EHR, at the end of Phase 1. Phase 2 (currently underway), comprises a 52-week pilot of the EHR-integrated SKN system in outpatient and inpatient medicine units. The purpose of this paper is to describe the methods and results of Phase 1.Methods: Phase 1 utilized an exploratory mixed-method approach, involving two rounds of data collection. This included 15 individual interviews followed by a survey of 200 practitioners, i.e., physicians, nurses, and pharmacists, based in the outpatient and inpatient medicine service at AU Health.Results: Thematic analysis of interviews identified 55 issue-items related to EHR MedRec under 9 issue-categories. The survey sought practitioners’ importance-rating of all issue-items identified from interviews. A total of 127 (63%) survey responses were received. Factor analysis served to validate the following 6 of the 9 issue-categories, all of which, were rated “Important” or higher (on average), by over 70% of all respondents: 1) Care-Coordination (CCI); 2) Patient-Education (PEI); 3) Ownership-and-Accountability (OAI); 4) Processes-of-Care (PCI); 5) IT-Related (ITRI); and 6)Workforce-Training (WTI). Significance-testing of importance-rating by professional affiliation revealed no statistically significant differences for CCI and PEI; and some statistically significant differences for OAI, PCI, ITRI, and WTI.Conclusions: There were two key gleanings from the issues related to EHR MedRec unearthed by this study: 1) there was an absence of shared understanding among practitioners, of the value of EHR MedRec in promoting patient safety, which contributed to workarounds, and suboptimal use of the EHR MedRec system; and 2) there was a socio-technical dimension to many of the issues, creating an added layer of complexity. These gleanings in turn, provide insights into best practices for managing both clinical transitions-of-care in the EHR MedRec process; and socio-technical challenges encountered in EHR MedRec implementation.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».