Electronic health records in non-hospital settings of developing economies: A systematic review on enablers and barriers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, rapid advancements in Information and Communications Technology (ICT) have greatly transformed the healthcare landscape by streamlining health data management and providing decision-makers with secure and convenient access to health records. In developing economies, limited resources hinder healthcare access. Implementing EHRs in non-hospital settings is essential for enhancing healthcare quality and accessibility. While existing literature supports EHR use, further research is needed to pinpoint specific barriers and enablers. Using PRISMA guidelines, 18 relevant articles were systematically analyzed with the Human, Organization, and Technology Fit (HOT-fit) framework to examine these factors in non-hospital settings within developing economies. This study found that human factors take precedence in both enablers and barriers. The first two barriers emphasize the human element, highlighting the critical importance of addressing individual user challenges. However, organizational issues take on a supporting role, highlighting the possibility that the prominence of user-centric challenges stems from the lack of devolution of governance and leadership in non-hospital settings. Additionally, the findings indicate that prioritizing robust IT infrastructure, which meets both functional and usability requirements, remains a fundamental concern for EHR implementation. By focusing on the enablers and barriers of EHR implementation, this study highlights the research gaps that can be explored as well as the potential and challenges that are faced by healthcare systems within the non-hospital settings of -developing economies. From these findings, we infer that further research is needed to identify specific training components for EHR systems to enable individuals for effective system use in non-hospital settings.
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.
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 | 0,017 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 découle