Bibliometric Analysis of Electronic Medical Records (EMR) Acceptance and Adoption: Trends, Insights, and Future Directions
Notice bibliographique
Résumé
Background: The integration of Electronic Medical Records (EMRs) and Electronic Health Records (EHRs) has revolutionized healthcare by enabling digital storage, exchange, and management of patient information. This abstract explores the landscape of EMR acceptance and adoption through a bibliometric analysis of research literature indexed in Scopus from January 2014 to December 2023. The study identified 138 relevant articles focusing on EMR and EHR acceptance, employing tools like VOSviewer and Rstudio-Biblioshiny for data visualization and analysis. Method: This study is qualitative research with a literature study approach. The data collection technique in this study used Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) and obtained 138 documents for analysis. This dataset is converted to CSV format for further processing in Mapchart, VosViewer, and Rstudio-Biblioshiny for thorough analysis. Result: Key findings reveal a predominant focus on factors influencing EMR adoption, including technological infrastructure, user training, and regulatory mandates. The United States and Canada emerged as leading contributors to EMR research, highlighting their advanced healthcare systems. Theoretical frameworks such as the Technology Acceptance Model (TAM) and Unified Theory of Acceptance and Use of Technology (UTAUT) were frequently employed to assess adoption determinants. Conclusions: The study identifies gaps in research, particularly in areas such as cybersecurity and user satisfaction, suggesting future avenues for investigation. By addressing these gaps, researchers can enhance the usability and effectiveness of EMR and EHR systems, thereby improving healthcare delivery and patient outcomes globally.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,068 | 0,158 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».