Perspectives on Challenges and Opportunities for Interoperability: Findings From Key Informant Interviews With Stakeholders in Ohio
Notice bibliographique
Résumé
BACKGROUND: Interoperability-the exchange and integration of data across the health care system-remains a challenge despite ongoing policy efforts aimed at promoting interoperability. OBJECTIVE: This study aimed to identify current challenges and opportunities to advancing interoperability across stakeholders. METHODS: Primary data were collected through qualitative, semistructured interviews with stakeholders (n=24) in Ohio from July to October 2021. Interviewees were sampled using a stratified purposive sample of key informants from 4 representative groups as follows: acute care and children's hospital leaders, primary care providers, behavioral health providers, and regional health information exchange networks. Interviews focused on key informant perspectives on electronic health record implementation, the alignment of public policy with organizational strategy, interoperability implementation challenges, and opportunities for health information technology. The interviews were transcribed verbatim followed by rigorous qualitative analysis using directed content analysis. RESULTS: The findings illuminate themes related to challenges and opportunities for interoperability that align with technological (ie, implementation challenges, mismatches in interoperability capabilities across stakeholders, and opportunities to leverage new technology and integrate social determinants of health data), organizational (ie, facilitators of interoperability and strategic alignment of participation in value-based payment programs with interoperability), and environmental (ie, policy) domains. CONCLUSIONS: Interoperability, although technically feasible for most providers, remains challenging for technological, organizational, and environmental reasons. Our findings suggest that the incorporation of end user considerations into health information technology development, implementation, policy, and standard deployment may support interoperability advancement.
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 | 0,033 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,019 | 0,009 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,004 |
| 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 ».