Physician Experience with Electronic Medication Order Sets: Introduction
Notice bibliographique
Résumé
BACKGROUND: Electronic medical record (EMR) and electronic health record (EHR) are used interchangeably to describe a computerized medical information system that collects, stores and displays patient information (Boonstra and Broekhuis 2010). Blumenthal and Tavenner (2010) suggested that computerized medical implementation improves decision-making and patient management. As part of its EMR, Humber River Hospital has implemented electronic order sets (EOSs) by building them into the computerized physician order entry (CPOE) system. Electronic prescribing renders paper prescriptions obsolete as it reduces errors; increases accuracy; and enhances efficiency, compliance and record-keeping (Canada Health Infoway 2017). OBJECTIVE: The aim of this research was to explore physicians' perspectives and experiences using EOSs. METHODS: This qualitative study examined the perceptions of various physicians on the impact of EOSs. Data were collected through semi-structured, in-depth interviews with eligible physicians. Domains explored included usability, efficiency, safety and implications for the physician profession. RESULTS: Major themes that emerged included usability, efficiency and safety. Several implications for physician practice were also revealed. CONCLUSION: The findings from our study support previous studies that describe the benefits of EOSs, including ease of use and efficiency, real-time information that is evidence-based, increased safety and minimization of memory burden. EOSs were not perceived to be a replacement for clinical reasoning.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».