Training physicians and residents for the use of Electronic Health Records—A comparative case study between two hospitals
Notice bibliographique
Résumé
BACKGROUND/PURPOSE: Despite widespread use of Electronic Health Records (EHR), the promise of benefits has not been clearly realised due, in part, to inadequate physician training. Training for EHR use is a highly complex intervention that occurs in a dynamic socio-technical health system. The purpose of this study was to describe and critically assess the interplay between educational activities and organisational factors that influenced EHR training and implementation across two different hospitals. METHODS: Based in a socio-technical framework, a comparative qualitative case study was undertaken as well suited to real-world processes. Semi-structured interviews were completed (n = 43), representing administrative leaders, staff physicians, residents and EHR trainers from two Canadian academic hospitals. Thematic analysis was employed for analysis. RESULTS: Similar findings were noted at both hospitals despite different implementation strategies. Despite mandatory training, physicians described limited transferability of training to the workplace. Factors contributing to this included standardised vendor modules (lacking specificity for their clinical context); variable EHR trainer expertise; limited post-launch training; and insufficient preparation for changes to workflow. They described learning while caring for patients and using workarounds. Strong emotional responses were described, including anger, frustration, anxiety and fear of harming patients. CONCLUSIONS: Training physicians for effective EHR utilisation requires organisational culture transformation as EHRs impacts all aspects of clinical workflows. Analytic thinking to consider workflows, ongoing post-launch training and the recognition of the interdependency of multiple factors are critical to preparing physicians to provide effective clinical care, and potentially reducing burnout. A list of key considerations is provided for educational leaders.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».