Electronic medical information systems and timeliness of care in the emergency department: a scoping review
Notice bibliographique
Résumé
Abstract Background Although many emergency department (ED) settings have implemented an electronic medical information system (EMIS) and EMIS tools in an effort to improve timeliness of care outcomes, there remains a paucity of scientific information on this topic. We therefore performed a scoping review to describe the range of EMIS interventions and their impacts on time-based outcomes in the ED. Methods We searched four bibliographic databases to identify potentially relevant records published after 2014 in English. Two reviewers assessed records for eligibility using a two-step screening process. We then extracted data on the type of EMIS, outcomes assessed, and reported results. Findings were summarized in tabular form and grouped by time-based outcome. Results Twenty-five studies met the eligibility criteria, with approximately half being retrospective studies. Interventions varied among studies; they generally included a new or updated EMIS, EMIS tools related to disease diagnosis and/or management, triage tools, or health information exchange platforms. Included studies compared interventions with relevant comparator groups, such as prior versions of an EMIS, absence of an EMIS, pen-and-paper documentation, and/or communication via telephone and fax. The most common outcomes reported were length of stay (n = 17 studies) and time to medication (n = 6 studies), followed by time to order, time to provider, and time from result to disposition. Reported effects of the interventions were generally inconsistent, showing either improvements, delays, or no change in examined outcomes. Conclusions Additional research is needed to determine how electronic medical information may be used in the ED to improve timeliness of care. Findings from this review can be used to inform future systematic reviews that evaluate the impact of these systems and tools on specific quality of care measures.
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 | 0,028 | 0,149 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,026 | 0,031 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».