Electronic Health Records as an Educational Tool: Viewpoint
Notice bibliographique
Résumé
BACKGROUND: Electronic health records (EHRs) have been adopted by most hospitals and medical offices in the United States. Because of the rapidity of implementation, health care providers have not been able to leverage the full potential of the EHR for enhancing clinical care, learning, and teaching. Physicians are spending an average of 49% of their working hours on EHR documentation, chart review, and other indirect tasks related to patient care, which translates into less face time with patients. OBJECTIVE: The purpose of this article is to provide a preliminary framework to guide the use of EHRs in teaching and evaluation of residents. METHODS: First we discuss EHR educational capabilities that have not been reviewed in sufficient detail in the literature and expand our discussion for each educational activity with examples. We emphasize quality improvement of clinical notes as a basic foundational skill using a spreadsheet-based application as an assessment tool. Next, we integrate the six Accreditation Council for Graduate Medical Education (ACGME) Core Competencies and Milestones (CCMs) framework with the Reporter-Interpreter-Manager-Educator (RIME) model to expand our assessments of other areas of resident performance related to EHR use. Finally, we discuss how clinical utility, clinical outcome, and clinical reasoning skills can be assessed in the EHR. RESULTS: We describe a pilot conceptual framework-CCM framework-to guide and demonstrate the use of the EHR for education in a clinical setting. CONCLUSIONS: As EHRs and other supporting technologies evolve, medical educators should continue to look for new opportunities within the EHR for education. Our framework is flexible to allow adaptation and use in most training programs. Future research should assess the validity of such methods on trainees' education.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,007 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».