Features and frequency of use of electronic health records in primary care across 20 countries: a cross-sectional study
Notice bibliographique
Résumé
OBJECTIVES: Variation exists in the capabilities of electronic healthcare records (EHRs) systems and the frequency of their use by primary care physicians (PCPs) from different settings. We aimed to examine the factors associated with everyday EHRs use by PCPs, characterise the EHRs features available to PCPs, and to identify the impact of practice settings on feature availability. STUDY DESIGN: Cross-sectional study. METHODS: PCPs from 20 countries completed cross-sectional online survey between June and September 2020. Responses which reported frequency of EHRs use were retained. Associations between everyday EHRs use and PCP and practice factors (country, urbanicity, and digital maturity) were explored using multivariable logistic regression analyses. The effect of practice factors on the variation in availability of ten EHRs features was estimated using Cramer's V. RESULTS: Responses from 1520 out of 1605 PCPs surveyed (94·7%) were retained. Everyday EHRs use was reported by 91·2% of PCPs. Everyday EHRs use was associated with PCPs working >28 h per week, having more years of experience using EHRs, country of employment, and higher digital maturity. EHRs features concerning entering, and retrieving data were available to most PCPs. Few PCPs reported having access to tools for 'interactive patient education' (37·3%) or 'home monitoring and self-testing of chronic conditions' (34·3%). Country of practice was associated with availability of all EHRs features (Cramer's V range: 0·2-0·6), particularly with availability of tools enabling patient EHRs access (Cramer's V: 0·6, P < 0.0001). Greater feature availability of EHRs features was observed with greater digital maturity. CONCLUSIONS: EHRs features intended for patient use were uncommon across countries and levels of digital maturity. Systems-level research is necessary to identify the country-specific barriers impeding the implementation of EHRs features in primary care, particularly of EHRs features enabling patient interaction with EHRs, to develop strategies to improve systems-wide EHRs use.
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 | 0,011 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».