Nurses’ Experience With Health Information Technology: Longitudinal Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Nurses are the largest group of health information technology (HIT) users. As such, nurses' adaptations are critical for HIT implementation success. However, longitudinal approaches to understanding nurses' perceptions of HIT remain underexplored. Previous studies of nurses' perceptions demonstrate that the progress and timing for acceptance of and adaptation to HIT varies. OBJECTIVE: This study aimed to explore nurses' experience regarding implementation of HIT over time. METHODS: A phenomenological approach was used for this longitudinal qualitative study to explore nurses' perceptions of HIT implementation over time, focusing on three time points (rounds) at 3, 9, and 18 months after implementation of electronic health records and bar code medication administration. The purposive sample was comprised of clinical nurses who worked on a medical-surgical unit in an academic center. RESULTS: Major findings were categorized into 7 main themes with 54 subthemes. Nurses reported personal-level and organizational-level factors that facilitated HIT adaptation. We also generated network graphs to illustrate the occurrence of themes. Thematic interconnectivity differed due to nurses' concerns and satisfaction at different time points. Equipment and workflow were the most frequent themes across all three rounds. Nurses were the most dissatisfied approximately 9 months after HIT implementation. Eighteen months after HIT implementation, nurses' perceptions appeared more balanced. CONCLUSIONS: It is recommended that organizations invest in equipment (ie, wireless barcode scanners), refine policies to reflect nursing practice, and improve systems to focus on patient safety. Future research is necessary to confirm patterns of nurses' adaptation to HIT in other samples.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».