The impact of electronic health record components on quality of patient care : a secondary data analysis
Notice bibliographique
Résumé
Aims: The study examined the unique effects of electronic health record (EHR) components used by Canadian nurses in direct patient care on the quality of patient care, while controlling for individual nurses’ characteristics. Specifically, the study aimed to measure how specific EHR components (i.e., computerized clinical decision support, computerized provider order entry, electronic medication administration record, nursing information systems) impact the quality of patient care. Background: The implementation of EHR systems and components in Canada are occurring at rapid pace with a goal to enhance quality, increase access and reduce costs. Research findings related to the impact of EHRs on quality of care remain inconclusive, as the majority of studies had small sample sizes and ambiguous descriptions of EHR components. Methods: This cross-sectional secondary analysis drew upon data from 1031 direct patient care nurses from a Canadian survey conducted by Canada Health Infoway. Results: One EHR component and three nurse characteristics were significantly associated with quality of patient care. The clinical decision support tool was positively associated with quality of patient care. Nursing experience was inversely associated to quality of patient care. Experience documenting in EHRs and EHR satisfaction were positively associated with quality of patient care. Conclusion: EHR component use, specifically clinical decision support systems, may impact quality of care. Nursing experience, experience documenting in EHRs and EHR satisfaction may also influence quality of care. Implications: Further research should be conducted to explore the impact of EHR use on nurses’ perception of quality of care. Researchers should include adequate descriptions of their EHR components and use psychometrically validated tools to increase the generalizability of their findings. Specifically, Infoway should continue to deploy their national nursing survey on health technology use to monitor EHR trends in Canada.
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 | 0,020 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».