Investigating digital determinants shaping pharmacists’ preparedness for interoperability and health informatics practice evolution: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Fragmented healthcare systems hinder pharmacists' access to comprehensive patient data, limiting their clinical role and posing health risks. Enhancing system interoperability and evaluating factors influencing pharmacists' readiness for technology-driven practice change is a crucial step. AIM: This systematic review aimed to investigate the digital determinants of pharmacists' readiness for technology-oriented practice change and interoperability. METHOD: A systematic search of PubMed, Scopus, and Cochrane Library was conducted on August 7, 2023, with registration number INPLASY202380071. Search method was developed, and quality was assessed using the Boynton and Greenhalgh Quality Checklist (BGQC) and Critical Appraisal Skills Programme (CASP). RESULTS: The review included 13 studies, of which 7 (53.8%) included the study's setting. Of the seven studies, most discussed the community pharmacy setting (n = 3, 23.1%), followed by hospital pharmacy (n = 1, 7.6%), and both settings (n = 3, 23.1%). The studies included several countries: the United Kingdom (UK), Canada, the United States of America (USA), Australia, India, Sweden, and Saudi Arabia. The studies discussed several medical health informatic technologies such as electronic health records and e-prescribing. The three most reported technology-related influencing factors were related to digital literacy and technology-oriented tailored training (n = 9, 69.2%), followed by technical system features (n = 6, 46.2%) and technology operations (n = 5, 38.5%). The overall readiness level for technology-related practice change was intermediate (n = 7, 53.8%), high (n = 3, 23.1%), and low (n = 3, 23.1%). CONCLUSION: Digital literacy, tailored training, and system features are crucial for enhancing pharmacists' readiness for technology adoption, highlighting the need for improved digital infrastructure and interoperability in clinical practice.
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 | 0,018 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,009 |
| Bibliométrie | 0,012 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».