Variations in Nursing Documentation Time in a Mental Health Setting: A Retrospective Observational Study of EHR Usage Data
Notice bibliographique
Résumé
Abstract Nurses are the largest group of electronic health record (EHR) users in Canada, yet their experiences with documentation burden remain underexplored. While EHR-generated usage data, such as audit logs and time-motion metrics, have been used to quantify documentation time, they are rarely used to better understand EHR inefficiencies and identify potential changes for nursing documentation and workflows. This approach may help address instances of documentation demands detracting from direct patient care and contributing to burnout, which has been largely reported by nurses. This study aimed to: (1) examine EHR utilization patterns and time spent by nurses across clinical venues and nurse types; (2) identify EHR areas contributing most to nursing workload; (3) determine predictors of EHR time; and (4) assess differences in usage patterns across venues. We analyzed 12 months of EHR usage data from nurses at Canada's largest academic mental health hospital using Cerner Advance (Oracle Health). Seven metrics were selected in collaboration with a Nursing Advisory Council. Regression and least-squares means comparisons were conducted using R, with venue and nurse type as predictors. Data from 840 nurses revealed significant differences in EHR usage across venues and nurse types. Mean active time per patient per shift was highest in inpatient (19.3 minutes), followed by emergency (14.8 minutes), and ambulatory settings (6.3 minutes). Registered Practical Nurses (RPNs) averaged more active EHR time (20.1 minutes) than Registered Nurses (16.4 minutes). Documentation time per patient was significantly different across venues (F [3,832] = 71.97, p < 0.001) and nurse types (p = 0.0018). PowerForms time also varied significantly (F [3,818] = 102.1, p < 0.001). These findings support targeted EHR optimization efforts based on clinical context and role. Significant variation exists in how nurses interact with EHRs, with documentation representing a substantial time burden, especially for RPNs and inpatient settings. These findings emphasize the need for venue and role-specific optimization strategies and underscore the importance of including nurses' voices in EHR design and quality improvement initiatives.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».