An Evidence-Based Tool for Safe Configuration of Electronic Health Records: The eSafety Checklist
Notice bibliographique
Résumé
BACKGROUND: Electronic health records (EHRs) are transforming the way health care is delivered. They are central to improving the quality of patient care and have been attributed to making health care more accessible, reliable, and safe. However, in recent years, evidence suggests that specific features and functions of EHRs can introduce new, unanticipated patient safety concerns that can be mitigated by safe configuration practices. OBJECTIVE: This article outlines the development of a detailed and comprehensive evidence-based checklist of safe configuration practices for use by clinical informatics professionals when configuring hospital-based EHRs. METHODS: A literature review was conducted to synthesize evidence on safe configuration practices; data were analyzed to elicit themes of common EHR system capabilities. Two rounds of testing were completed with end users to inform checklist design and usability. This was followed by a four-member expert panel review, where each item was rated for clarity (clear, not clear), and importance (high, medium, low). RESULTS: An expert panel consisting of three clinical informatics professionals and one health information technology expert reviewed the checklist for clarity and importance. Medium and high importance ratings were considered affirmative responses. Of the 870 items contained in the original checklist, 535 (61.4%) received 100% affirmative agreement among all four panelists. Clinical panelists had a higher affirmative agreement rate of 75.5% (656 items). Upon detailed analysis, items with 100% clinician agreement were retained in the checklist with the exception of 47 items and the addition of 33 items, resulting in a total of 642 items in the final checklist. CONCLUSION: Safe implementation of EHRs requires consideration of both technical and sociotechnical factors through close collaboration of health information technology and clinical informatics professionals. The recommended practices described in this checklist provide systems implementation guidance that should be considered when EHRs are being configured, implemented, audited, or updated, to improve system safety and usability.
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 | 0,205 | 0,350 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,025 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,008 | 0,009 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».