MétaCan
Menu
← Retour à la cohorte
Enregistrement W4280622686 · doi:10.2196/34021

eRegTime—Time Spent on Health Information Management in Primary Health Care Clinics Using a Digital Health Registry Versus Paper-Based Documentation: Cluster-Randomized Controlled Trial

2022· article· en· W4280622686 sur OpenAlexvenueno aff
Mahima Venkateswaran, Zaher Nazzal, Buthaina Ghanem, Reham Khraiwesh, Eatimad Abbas, Khadija Abu Khader, Tamara Awwad, Taghreed Hijaz, Mervett Isbeih, Kjersti Mørkrid, Christopher James Rose, J. Frederik Frøen

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicinePsychological interventionRandomized controlled trialDocumentationCluster randomised controlled trialFamily medicineHealth careDigital healthMedical emergencyNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Digital health interventions have been shown to improve data quality and health services in low- and middle-income countries (LMICs). Nonetheless, in LMICs, systematic assessments of time saved with the use of digital tools are rare. We ran a set of cluster-randomized controlled trials as part of the implementation of a digital maternal and child health registry (eRegistry) in the West Bank, Palestine. OBJECTIVE: In the eRegTime study, we compared time spent on health information management in clinics that use the eRegistry versus the existing paper-based documentation system. METHODS: Intervention (eRegistry) and control (paper documentation) arms were defined by a stratified random subsample of primary health care clinics from the concurrent eRegQual trial. We used time-motion methodology to collect data on antenatal care service provision. Four observers used handheld tablets to record time-use data during one working day per clinic. We estimated relative time spent on health information management for booking and follow-up visits and on client care using mixed-effects linear regression. RESULTS: In total, 22 of the 24 included clinics (12 intervention, 10 control) contributed data; no antenatal care visits occurred in the other two clinics during the study period. A total of 123 and 118 consultations of new pregnancy registrations and follow-up antenatal care visits were observed in the intervention and control groups, respectively. Average time spent on health information management for follow-up antenatal care visits in eRegistry clinics was 5.72 minutes versus 8.10 minutes in control clinics (adjusted relative time 0.69, 95% CI 0.60-0.79; P<.001), and 15.26 minutes versus 18.91 minutes (adjusted relative time 0.96, 95% CI 0.61-1.50; P=.85) for booking visits. The average time spent on documentation, a subcategory of health information management, was 5.50 minutes in eRegistry clinics versus 8.48 minutes in control clinics (adjusted relative time 0.68, 95% CI 0.56-0.83; P<.001). While the average time spent on client care was 5.01 minutes in eRegistry clinics versus 4.91 minutes in control clinics, some uncertainty remains, and the CI was consistent with eRegistry clinics using less, the same, or more time on client care compared to those that use paper (adjusted relative time 0.85, 95% CI 0.64-1.13; P=.27). CONCLUSIONS: The eRegistry captures digital data at point of care during client consultations and generates automated routine reports based on the clinical data entered. Markedly less time (plausibly a saving of at least 18%) was spent on health information management in eRegistry clinics compared to those that use paper-based documentation. This is likely explained by the fact that the eRegistry requires lesser repetitive documentation work than paper-based systems. Adoption of eRegistry-like systems in comparable settings may save valuable and scarce health care resources. TRIAL REGISTRATION: ISRCTN registry ISRCTN18008445; https://doi.org/10.1186/ISRCTN18008445. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.2196/13653.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,010
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0060,004
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,077
Tête enseignante GPT0,520
Écart entre enseignants0,443 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→