Factors Associated With Electronic Health Record Usage Among Primary Care Physicians After Hours: Retrospective Cohort Study
Notice bibliographique
Résumé
BACKGROUND: There is limited published data on variation in physician usage of electronic health records (EHRs), particularly after hours. Research in this area could provide insight into the effects of EHR-related workload on physicians. OBJECTIVE: This study sought to examine factors associated with after-hours EHR usage among primary care physicians. METHODS: Electronic health records usage information was collected from primary care pediatricians in a large United States hospital. Inclusion criteria consisted solely of being a primary care physician who started employment with the hospital before the study period, so all eligible primary care physicians were included without sampling. Mixed effects statistical modeling was used to investigate the effects of age, gender, workload, normal-hour usage, week to week variation, and provider-to-provider variation on the after-hour usage of EHRs. RESULTS: There were a total of 3498 weekly records obtained on 50 physicians, of whom 22% were male and 78% were female. Overall, more EHR usage during normal work hours was associated with decreased usage after hours. The more work relative value units generated by physicians, the more time they spent interacting with EHRs after hours (β=.04, P<.001) and overall (ie, during normal hours and after hours) (β=.24, P<.001). Gender was associated with total usage time, with females spending more time than males (P=.03). However, this association was not observed with after-hours EHR usage. provider-to-provider variation was the largest and most dominant source of variation in after-hour EHR usage, which accounted for 52% of variance of total EHR usage. CONCLUSION: The present study found that there is a considerable amount of variability in EHR use among primary care physicians, which suggested that many factors influence after-hours EHR usage by physicians. However, provider-to-provider variation was the largest and most dominant source of variation in after-hours EHR usage. While the results are intuitive, future studies should consider the effect of EHR use variations on workload efficiency.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».