Interventions to improve the use of EMRs in primary health care: a systematic review and meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background Electronic medical record (EMR) adoption in primary care has grown exponentially since their introduction in the 1970s. However, without their proper use benefits cannot be achieved. This includes: 1) the complete and safe documentation of patient information; 2) improved coordination of care; 3) reduced errors and 4) more involved patients. The use of EMRs is defined by practitioners using EMRs and their features to perform daily practice functions. Objective The purpose of this systematic review was to identify interventions aimed at improving EMR use in primary healthcare settings. Methods Ten online databases were searched to identify studies conducted in primary healthcare settings aimed at implementing interventions to observe the use of EMRs and directly measure the use of EMR functions or outcomes effected by the use of EMR functions. Results Of 2098 identified studies, 12 were included in the review. Results showed that interventions focused on the use of EMR functions, including referrals, electronic communication, reminders, use of clinical decision support systems and workflow management support functions, were five times more likely to show improvements in EMR use compared with controls. Interventions focused on data quality were five and a half times more likely to show improvements in EMR use compared with controls. Conclusions Individuals in primary healthcare settings aiming to improve EMR use would benefit from implementing interventions focused on EMR feature add-ons such as clinical decision support systems and customised referral templates, and provisions of educational materials, or financial incentives targeted at improving the use of EMR functions and data quality.
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.
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 | 0,012 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,022 | 0,003 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle