Electronic medical record-related burnout in healthcare providers: a scoping review of outcomes and interventions
Notice bibliographique
Résumé
OBJECTIVE: Healthcare provider (HCP) burnout is on the rise with electronic medical record (EMR) use being cited as a factor, particularly with the rise of the COVID-19 pandemic. Burnout in HCPs is associated with negative patient outcomes, and, therefore, it is crucial to understand and address each factor that affects HCP burnout. This study aims to (a) assess the relationship between EMR use and burnout and (b) explore interventions to reduce EMR-related burnout. METHODS: We searched MEDLINE (Ovid), CINAHL and SCOPUS on 29 July 2021. We selected all studies in English from any publication year and country that discussed burnout in HCPs (physicians, nurse practitioners and registered nurses) related to EMR use. Studies must have reported a quantitative relationship to be included. Studies that implemented an intervention to address this burnout were also included. All titles and abstracts were screened by two reviewers, and all full-text articles were reviewed by two reviewers. Any conflicts were addressed with a third reviewer and resolved through discussion. Quality of evidence of all included articles was assessed using the Quality Rating Scheme for Studies and Other Evidence. FINDINGS: The search identified 563 citations with 416 citations remaining after duplicate removal. A review of abstracts led to 59 studies available for full-text assessment, resulting in 25 studies included in the scoping review. Commonly identified associations between EMR-related burnout in HCPs included: message and alert load, time spent on EMRs, organisational support, EMR functionality and usability and general use of EMRs. Two articles employed team-based interventions to improve burnout symptoms without significant improvement in burnout scores. CONCLUSIONS AND RELEVANCE: Current literature supports an association between EMR use and provider burnout. Very limited evidence exists for burnout-reducing interventions that address factors such as time spent on EMRs, organisational support or EMR design.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,037 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,031 | 0,030 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 source (Gemma direct ou Codex distillé), 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 ».