Tensions in large-scale electronic health record implementations: insights from a meta-synthesis
Notice bibliographique
Résumé
OBJECTIVE: To synthesize knowledge on tensions characterizing large-scale electronic health record (EHR) implementations. MATERIALS AND METHODS: A qualitative meta-synthesis was conducted by searching Scopus, Web of Science, MEDLINE, and CINAHL databases to find studies focusing on large-scale EHR implementations in OECD countries. An extraction table was completed to describe key characteristics of cases, and instances of tensions were extracted within each study based on a conceptual definition. RESULTS: Twenty-six qualitative studies were included, covering eleven unique large-scale EHR implementation projects. Cases were in Europe (n = 6), North America (n = 4), and Southeast Asia (n = 1). Analysis yielded twenty-one types of tensions associated with five primary objects: people, power, resources, system, and vision. Twelve tensions were found in multiple cases while fifteen were associated with more than one object. DISCUSSION: Results are aligned with the notion that tensions are inherent to organizational phenomena, showcasing their enduring nature across geographic, temporal, and technological contexts. The diversity of these tensions and their associated object(s) refer to critical, interrelated components of EHR systems implementation that are exacerbated in large-scale projects, and which can affect the implementation across its entire lifecycle. CONCLUSION: Stakeholders involved in projects to modernize healthcare through the large-scale implementation of EHRs are prone to experience multiple tensions. Attention to the emergence of the tensions identified in this study helps to understand their impacts on projects and stakeholders. Tensions and their associated objects undergird the sociotechnical nature of these complex projects and the need to manage them effectively.
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 | 0,008 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».