Trends and Perceptions of Electronic Health Record Usage among Plastic Surgeons
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 health records (EHRs) should help physicians stay organized, improve patient safety, and facilitate communication with both patients and fellow healthcare providers. However, few studies have directly evaluated physician satisfaction with EHR and its perceived impact on patient care. This study assessed trends and perceptions of EHR within the American plastic surgery community. Methods: An Institutional Review Board–approved survey that assessed demographics, patterns of EHR use, and attitudes toward EHR was deployed by the American Society of Plastic Surgeons Member Survey Research Services. Statistical analyses were performed using Stata 14.2 and QDA Miner Lite software (Version 2.0; Provalis, Montreal, Canada). Significance level was P < 0.05. Results: Among plastic surgeons who use EHR, EPIC Systems software (Epic, Verona, Wisc.) was the most common vendor, with users noting a net positive effect on the quality of care they provided to patients. Younger age and less years of experience were correlated with a more positive attitude toward EHR. Positive attitude was closely linked to shared responsibility among support staff over data entry, whereas negative attitude was tightly tied to the perceived time wasted because of EHR, followed by poor technical support and design. Conclusions: EHR use among plastic surgeons was more common in academic-associated specialties and larger practice groups. Overall, age and practice type had weak associations with perceptions of EHR usage. On average, there were slightly more positive perceptions of EHR usage than negative. The most commonly perceived issues with EHR were wasted time and barriers to user-friendliness. These findings suggest the need for greater physician involvement in EHR optimization.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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