Adoption of electronic medical records in developing countries—A multi-state study of the Nigerian healthcare system
Notice bibliographique
Résumé
Electronic medical records (EMR) are extensively used in developed countries to manage patient records and facilitate consultations and follow-up of treatment. This has resulted in centralised databases where different services and clinicians can quickly access patient data to support healthcare delivery. However, adoption and usage of EMR in developing countries is not common and, in most cases, non-existent. Clinicians are dependent on patients keeping their own records manually with no centralised database to manage and control the patient medical history. The key objective of this study was to investigate the propensity of clinicians and senior management personnel in healthcare facilities to adopt EMR and evaluate the contextual factors that impact or impede adoption. Using Davis's technology adoption model extended with other factors, this study determined if contextual or situational factors are associated with barriers that impede adoption of EMRs in developing countries. Using a cross-sectional quantitative research approach, a questionnaire was designed to collect data across four states in the Niger Delta region of Nigeria. Stratified random sampling was used to select healthcare facilities that participated in the survey and selection of respondents from each healthcare facility. Data was collected by trained research assistants and a total of 1,177 valid responses were received and analysed using factor analysis and multiple regression analysis. The results from the analysis show that usefulness, critical success factors, awareness and relative advantage significantly influence clinicians' intention to adopt EMRs. Surprisingly, infrastructure availability was not statistically significant. Meanwhile, risk and data security both negatively influence adoption, indicating that user perception of risk and safety of their data decreases their propensity to adopt EMRs. The results from this study suggests that usefulness and anticipated success factors in facilitating operations within healthcare facilities have a great influence on user adoption of EMRs. Awareness, training and education of users on the effectiveness of EMRs and their usefulness will increase adoption. The results will be beneficial in helping government and healthcare leaders formulate policies that will guide and support adoption of EMR. Other policy recommendations and suggestions for future research were also proffered.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».