Acceptance of Electronic Medical Records and Associated Factors Among Health Care Workers in Northwest Ethiopia: Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: Although electronic medical records (EMRs) play a vital role in strengthening the health care system by improving efficiency, data management, and patient care, their development in Ethiopia is still in its early stages. Hence, most public health care facilities manage their patient information using paper-based recording, which results in errors, delays, and reduced service quality. OBJECTIVE: This study aims to determine the level of acceptance of the EMR system and describe contributing factors. METHODS: A cross-sectional study was conducted at health care facilities in Bahir City, Northwestern Ethiopia. A total of 322 health workers participated in the study, drawn from 5 health facilities that have implemented the EMR system. Descriptive statistics and bivariate and multivariate binary logistic regression were done to determine factors associated with EMR acceptance computed from mediating factors (perceived ease of use and perceived usefulness), and which is more appropriate in early-stage implementation. RESULTS: Out of the total 322 respondents, 256 (73%) respondents with 95% CI 67.4-78.2 had a good acceptance of using EMRs. In regression analysis, significant predictors including work experience over 10 years (odds ratio [OR] 14.32, 95% CI 4.60-44.58), income dissatisfaction (OR 0.28, 95% CI 0.10-0.82), owning a personal computer (OR 11.08, 95% CI 4.03-30.24), EMR-specific training (OR 4.71, 95% CI 1.52-14.54), basic electronic health management information system/district health information system 2 training (OR 3.06, 95% CI 1.02-9.17), and system usability (OR 38.24, 95% CI 12.26-119.27) were identified. CONCLUSIONS: The study demonstrated a moderate level of EMR acceptance among health care workers, with system usability identified as the strongest predictor. Significant factors influencing EMR acceptance included longer work experience, ownership of a personal computer, and prior EMR or electronic health management information system/district health information system 2 training. Context-specific strategies are needed to enhance system usability, provide targeted digital health training, and improve access to technological resources in order to support broader EMR adoption in health care 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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; 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 ».