Physicians’ Use of Electronic Health Record Data Elements and Decision Support Tools in Heart Failure Management: User-Centered Cross-Sectional Survey Study
Notice bibliographique
Résumé
Background: The management of heart failure (HF) requires complex, data-driven decision-making. Although electronic health record (EHR) systems and clinical decision support (CDS) tools can streamline access to essential clinical information, it remains unclear which EHR elements and tools cardiologists and general medicine physicians prioritize when caring for patients with HF. Objective: This study aims to identify these elements and tools to improve the user interface design of future EHR applications. Methods: This study used a user-centered design research approach to understand physician workflows and decision-making needs in HF care. A cross-sectional online survey was administered to 302 physicians, comprising 150 cardiologists (including 15 HF specialists) and 152 general medicine physicians. Respondents reported their use of EHR variables (eg, medication lists, laboratory results, diagnostic tests, problem lists, clinical notes) for decision-making in HF care, as well as their time spent in the EHR before, during, and after patient visits along with their use of predictive models and patient-reported outcome questionnaire. Descriptive analyses, χ2 tests, and t tests were conducted to compare groups, with statistical significance set at P<.05. Results: A total of 302 health care providers participated in the survey, nearly evenly split between cardiologists (49.7%, 150/302) and general medicine physicians (50.3%, 152/302). Both groups consistently relied on medication lists, vital signs, laboratory results, diagnostic tests, problem lists, and clinical notes for HF decision-making. Cardiologists placed greater emphasis on diagnostic tests for inpatient HF care (mean [SD] overall frequency, 4.66 [0.50] vs 4.44 [0.64]; P=.012) and outpatient HF care (mean [SD] overall frequency, 4.67 [0.55] vs 4.35 [0.71], P<.001). In contrast, general medicine physicians relied more on problem lists for inpatient HF care (mean [SD] overall frequency, 4.63 [0.58] vs 4.43 [0.72], P=.034), with no significant difference in the outpatient setting (P>.05). Both groups underutilized standardized questionnaires and predictive models, with only 20.1% (29/144) of cardiologists and 4.5% (6/133) of general medicine physicians using standardized questionnaires (P<.001). Conclusions: Both physician groups depend on medication lists, laboratory results, diagnostic tests, and problem lists. Cardiologists prioritize diagnostic tests, whereas general medicine physicians more often use problem lists. Low use of questionnaires and predictive models highlights the need for better integration of these tools. Future EHR design interface should tailor functionalities to accommodate these differing priorities and optimize HF care.
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 | 0,006 | 0,011 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».