Evaluation of interventions to improve inpatient hospital documentation within electronic health records: A Systematic Review
Notice bibliographique
Résumé
IntroductionDespite increased use of electronic health records (EHRs), EHR documentation quality remains poor. Consequently, EHR data quality is also negatively affected. Many services, including disease surveillance and health services research, utilize EHR data. Accordingly, several studies have attempted to improve EHR documentation quality in the inpatient setting using various interventions. Objectives and ApproachThe purpose of this systematic review was to synthesize the literature, and assess the effectiveness of interventions seeking to improve inpatient EHR documentation quality. To identify relevant experimental, quasi-experimental and observational studies, a search strategy was developed based on elaborate inclusion/exclusion criteria using four main themes: EHR, documentation, interventions, and type of study. Four databases, Cochrane, Medline, EMBASE, and CINAHL, were searched. Study quality assessment and data extraction from selected studies were performed using a Downs and Black and Newcastle-Ottawa Scale hybrid tool, and a REDCap form, respectively. Data was then analyzed and synthesized in a narrative semi-quantitative manner. ResultsAn in-depth search of the identified databases, grey literature and reference lists, revealed a final 20 studies for inclusion in this systematic review. Due to high heterogeneity in study design, population, interventions, comparators, document types and outcomes, data could not be standardized for a quantitative comparison. However, statistically significant results in interventions and affected outcomes were further presented and discussed. A higher number of studies reported significantly improved EHR documentation when using the interventions: ‘Education’ and ‘Implementing a new EHR Reporting System’. When implementing two or more interventions, more outcome measures were affected. There was no association between study quality or study design and number of interventions used. Only one of the 20 studies found EHR documentation worsened with the interventions used. Conclusion/ImplicationsInterventions implemented to enhance EHR documentation are highly variable and require standardization. Emphasis should be placed on this novel area of research to improve communication between healthcare providers, enhance continuity of care, reduce the burden in health information management, and to facilitate data sharing between centers, provinces, and countries.
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 | 0,035 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,010 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».