Strategies for improving physician documentation in the emergency department: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Physician chart documentation can facilitate patient care decisions, reduce treatment errors, and inform health system planning and resource allocation activities. Although accurate and complete patient chart data supports quality and continuity of patient care, physician documentation often varies in terms of timeliness, legibility, clarity and completeness. While many educational and other approaches have been implemented in hospital settings, the extent to which these interventions can improve the quality of documentation in emergency departments (EDs) is unknown. METHODS: We conducted a systematic review to assess the effectiveness of approaches to improve ED physician documentation. Peer reviewed electronic databases, grey literature sources, and reference lists of included studies were searched to March 2015. Studies were included if they reported on outcomes associated with interventions designed to enhance the quality of physician documentation. RESULTS: Nineteen studies were identified that report on the effectiveness of interventions to improve physician documentation in EDs. Interventions included audit/feedback, dictation, education, facilitation, reminders, templates, and multi-interventions. While ten studies found that audit/feedback, dictation, pharmacist facilitation, reminders, templates, and multi-pronged approaches did improve the quality of physician documentation across multiple outcome measures, the remaining nine studies reported mixed results. CONCLUSIONS: Promising approaches to improving physician documentation in emergency department settings include audit/feedback, reminders, templates, and multi-pronged education interventions. Future research should focus on exploring the impact of implementing these interventions in EDs with and without emergency medical record systems (EMRs), and investigating the potential of emerging technologies, including EMR-based machine-learning, to promote improvements in the quality of ED documentation.
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 | 0,013 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».