User Perspectives on Barriers and Facilitators to the Implementation of Electronic Health Records in Behavioral Hospitals: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Despite the rapid adoption of electronic health records (EHRs) resulting from the reimbursement program of the US government, EHR adoption in behavioral hospitals is still slow, and there remains a lack of evidence regarding barriers and facilitators to the implementation of mental health care EHRs. OBJECTIVE: The aim of this study is to analyze the experience of mental health professionals to explore the perceived barriers, facilitators, and critical ideas influencing the implementation and usability of a mental health care EHR. METHODS: In this phenomenological qualitative study, we interviewed physicians, nurses, pharmacists, mental health clinicians, and administrative professionals separately at 4 behavioral hospitals in the United States. We conducted semistructured interviews (N=43) from behavioral hospitals involved in the adoption of the mental health care EHR. Purposeful sampling was used to maximize the diversity. Transcripts were coded and analyzed for emergent domains. An exploratory data analysis was conducted. RESULTS: Content analyses revealed 7 barriers and 4 facilitators. The most important barriers to implementing the mental health care EHR were the low levels of computer proficiency among nurses, complexity of the system, alert fatigue, and resistance because of legacy systems. This led to poor usability, low acceptability, and distrust toward the system. The major facilitators to implementing the mental health care EHR were well-executed training programs, improved productivity, better quality of care, and the good usability of the mental health care EHR. CONCLUSIONS: Health care professionals expected to enhance their work productivity and interprofessional collaboration by introducing the mental health care EHR. Routine education for end users is an essential starting point for the successful implementation of mental health care EHR electronic decision support. When adopting the mental health care EHR, managers need to focus on common practices in behavioral hospitals, such as documenting structured data in their organizations and adopting a seamless workflow of mental health care into the system.
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 | 0,015 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
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 ».