Towards a Regulatory Framework for Workflow Improvement in Electronic Medical Records
Notice bibliographique
Résumé
Physicians have to complete several time-consuming and burnout-inducing tasks in their EMRs for everyday care of patients. Poor workflow design generates increased effort for physicians. In this study, we measure time doctors take to retrieve and review information in the patient chart at the beginning of a visit; one of approximately 12 tasks a doctor must do in the EMR during the visit. Information retrieval takes approximately 40 minutes per day. Automation could save 75% of that time. We estimate that if every family doctor in Canada could save 30 minutes through automation of just this one process, we could free up time equivalent to >3000 physicians and >5 million patients; enough to absorb the vast majority of patients who currently do not have a doctor. We know of no more powerful intervention than workflow automation in Canadian EMRs to increase the supply of doctors while simultaneously reducing a major cause of burnout. We recommend an accelerated research program to identify additional opportunities for workflow automation and a regulatory program to ensure that every physician has access to workflow automation in their EMR.
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 | 0,346 | 0,252 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,009 | 0,033 |
| Communication savante | 0,030 | 0,025 |
| Science ouverte | 0,011 | 0,011 |
| Intégrité de la recherche | 0,022 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».