A Review of Measuring the Cognitive Workload of Electronic Health Records
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The To Err Is Human report stated that 98 000 patients die yearly because of medical errors, and that medication errors kill more people than workplace injuries. The inadequate design and utilization of the electronic health record have been identified as major contributing factors to medical errors. Increased cognitive workload of clinicians has consistently been linked to the occurrence of medical errors. The purpose of this article was to synthesize the current state of the science on measuring clinicians' cognitive workload associated with using electronic health records in order to inform evidence-based guidelines. The major considerations identified in the literature involve the use of psychometric instruments, using efficiency as a proxy for cognitive workload, and eye tracking. The National Aeronautics and Space Administration Task Load Index was the most used psychometric instrument, but reliability measures were not reported. It is important to evaluate reliability of psychometric instruments because the consistency of the instrument can change when administered to different populations. Efficiency is an observable measure defined by the total time to complete a task and the total number of physical interactions with the user interface. Efficiency can allow the use of statistical modeling, but it does not directly evaluate the mental activity associated with using an electronic health record interface. Eye tracking has been used extensively in the literature to measure cognitive workload via changes in pupil size related to mental activity, but it is not often used to measure the cognitive workload associated with using the electronic health record. Eye tracking is very useful for continuous monitoring of cognitive workload.
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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle