Human Factors and Organizational Issues in Health Informatics: Review of Recent Developments and Advances
Notice bibliographique
Résumé
OBJECTIVE: In this paper we focus on a review of key articles published in the past two years (2022 and 2023) in the areas of human factors and organizational issues in health informatics. METHODS: We reviewed manuscripts that were published in primary human factors, human factors engineering and health informatics journals. This involved conducting a series of searches using PubMed, Web of Science, and Google Scholar for articles related to human factors in healthcare published in 2022 and 2023. RESULTS: The range of applications that have been designed and analyzed using human factors approaches has been rapidly expanding, including increased number of articles around topics such as the following: AI in healthcare, patient-centered design, usability of mHealth, organizational issues, and work around ensuring system safety. This includes study of applications designed for use by both patients and health providers applying both qualitative and quantitative approaches to user requirements, user-centered system design and human factors analysis and evaluation. CONCLUSION: The importance of human factors is becoming recognized as new forms of health technology appear. A multi-level perspective on human factors, that considers human factors at multiple levels, from the individual user to the complex social and organizational context, was described to consider the range and diversity of human factors approaches in healthcare. Such an approach will be needed to drive the design and evaluation of useful and usable healthcare information technologies.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 | 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 ».