Self-Perceptions of Readiness to Use Electronic Health Records Among Medical Students: Survey Study
Notice bibliographique
Résumé
BACKGROUND: Although several national organizations have declared the ability to work with electronic health records (EHRs) as a core competency of medical education, EHR education and use among medical students vary widely. Previous studies have reported EHR tasks performed by medical students, but students' self-perceived readiness and comfort with EHRs are relatively unknown. OBJECTIVE: This study aimed to better understand medical students' self-perceived readiness to use EHRs to identify potential curricular gaps and inform future training efforts based on students' perspectives. METHODS: The authors deployed a survey investigating self-perceived comfort with EHRs at 2 institutions in the United States in May 2019. Descriptive statistics were generated regarding demographics, comfort level with various EHR-related tasks, and cross-institutional comparisons. We also assessed the impact of extracurricular EHR experience on comfort level. RESULTS: In total, 147 medical students responded, of which 80 (54.4%) were female, with equal distribution across all 4 years of training. Overall confidence was generally higher for students with longer extracurricular EHR experience, even when adjusted for age, gender, year of training, and institution. Students were most comfortable with tasks related to looking up information in the EHR and felt less comfortable with tasks related to entering new information and managing medications. Fourth-year students at both schools reported similar levels of comfort with EHR use, despite differences in preclinical EHR training. Open-ended comments emphasized the value of experiential training over didactic formats. CONCLUSIONS: Information entry and medication management in the EHR represent areas for future curricular development. Experiential training via extracurricular activities and early clinical exposure may be high-yield approaches to help medical students achieve critical EHR competencies.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».