MétaCan
Menu
Retour à la cohorte
Enregistrement W3112739210 · doi:10.2196/22319

Improving Primary Care Medication Processes by Using Shared Electronic Medication Plans in Switzerland: Lessons Learned From a Participatory Action Research Study

2020· article· en· W3112739210 sur OpenAlexvenueno aff
Benjamin Bugnon, Antoine Geissbühler, Thomas Bischoff, Pascal Bonnabry, Christian von Plessen

Notice bibliographique

RevueJMIR Formative Research · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésParticipatory action researchPrimary careAction researchAction (physics)Citizen journalismPsychologyMedicineMedical educationFamily medicineComputer scienceSociologyWorld Wide WebPedagogy

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Several countries have launched health information technology (HIT) systems for shared electronic medication plans. These systems enable patients and health care professionals to use and manage a common list of current medications across sectors and settings. Shared electronic medication plans have great potential to improve medication management and patient safety, but their integration into complex medication-related processes has proven difficult, and there is little scientific evidence to guide their implementation. OBJECTIVE: The objective of this paper is to summarize lessons learned from primary care professionals involved in a pioneering pilot project in Switzerland for the systemwide implementation of shared electronic medication plans. We collected experiences, assessed the influences of the local context, and analyzed underlying mechanisms influencing the implementation. METHODS: In this formative action research study, we followed 5 clusters of health care professionals during 6 months. The clusters represented rural and urban primary care settings. A total of 18 health care professionals (primary care physicians, pharmacists, and nurses) used the pilot version of a shared electronic medication plan on a secure web platform, the precursor of Switzerland's electronic patient record infrastructure. We undertook 3 group interviews with each of the 5 clusters, analyzed the content longitudinally and across clusters, and summarized it into lessons learned. RESULTS: Participants considered medication plan management, digitalized or not, a core element of good clinical practice. Requirements for the successful implementation of a shared electronic medication plan were the integration into and simplification of clinical routines. Participants underlined the importance of an enabling setting with designated reference professionals and regular high-quality interactions with patients. Such a setting should foster trusting relationships and nurture a culture of safety and data privacy. For participants, the HIT was a necessary but insufficient building block toward better interprofessional communication, especially in transitions. Despite oral and written information, the availability of shared electronic medication plans did not generate spontaneous demand from patients or foster more engagement in their medication management. The variable settings illustrated the diversity of medication management and the need for local adaptations. CONCLUSIONS: The results of our study present a unique and comprehensive description of the sociotechnical challenges of implementing shared electronic medication plans in primary care. The shared ownership among multiple stakeholders is a core challenge for implementers. No single stakeholder can build and maintain a safe, usable HIT system with up-to-date medication information. Buy-in from all involved health care professionals is necessary for consistent medication reconciliation along the entire care pathway. Implementers must balance the need to change clinical processes to achieve improvements with the need to integrate the shared electronic medication plan into existing routines to facilitate adoption. The lack of patient involvement warrants further study.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,074
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,006
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,465
Tête enseignante GPT0,598
Écart entre enseignants0,133 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetElectronic Health Records SystemsTravaux en français237 207