An Australian survey of health professionals’ perceptions of use and usefulness of electronic medical records in hospitalised children’s pain care
Notice bibliographique
Résumé
Pain in hospitalised children is common, yet inadequately treated. Electronic medical records (EMRs) can improve care quality and outcomes during hospitalisation. Little is known about how clinicians use EMRs in caring for children with pain. This national cross-sectional survey examined the perceptions of clinician-EMR users about current and potential use of EMRs in children’s pain care. One hundred and ninety-four clinicians responded ( n = 81, 74% nurses; n = 21, 19% doctors; n = 7, 6% other); most used Epic ( n = 53/109, 49%) or Cerner ( n = 42/109, 38%). Most ( n = 84/113, 74%) agreed EMRs supported their initiation of pharmacological pain interventions. Fewer agreed EMRs supported initiation of physical ( n = 49/113, 43%) or psychological interventions ( n = 41/111, 37%). Forty-four percent reported their EMR had prompt reminders for pain care. Prompts were perceived as useful ( n = 40/51, 78%). Most agreed EMRs supported pain care provision ( n = 94/110, 85%) and documentation ( n = 99/111, 89%). Only 39% ( n = 40/102) agreed EMRs improved pain treatment, and 31% ( n = 32/103) agreed EMRs improved how they involve children and families in pain care. Findings provide recommendations for EMR designs that support clinicians’ understanding of the multidimensionality of children’s pain and drive comprehensive assessments and treatments. This contribution will inform future translational research on harnessing technology to support child and family partnerships in care.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».