Copy Tools in the Electronic Health Record: Perceptions, Implications, and Future Directions
Notice bibliographique
Résumé
BACKGROUND: Electronic health records (EHRs) can aid in provider efficiency, but may also lead to unintended consequences, such as documentation burden and increased length of notes. To combat issues related to documentation, copying and pasting (CP) and copying or carrying forward (CF) are tools that have been used to aid in documentation burden. Multiple studies have identified the benefits and challenges of using these tools; however, few studies have identified the unintended consequences of CP and CF, and how the adoption of these tools may affect users. OBJECTIVE: The objective was to describe providers' perceptions and use of copying tools available in the EHR and describe their suggestions for improvement on these copying tools. METHODS: Research team members conducted semistructured interviews with faculty members, advanced practice providers, residents or fellow trainees, and medical students at a single academic health sciences center. The Diffusion of Innovations Theory of Unintended Consequences guided the analysis and interpretation of interview results. RESULTS: A total of 22 semistructured interviews were conducted in 2023 and analyzed during 2024. The findings showed that respondents use and value these tools for efficiency and communication purposes. The negative unintended consequences include inaccuracies and errors in documentation and increased patient safety risks. Some respondents experience inner angst or moral injury related to using CP/CF, but they feel that they must use them to satisfy organizational requirements surrounding documentation. The respondents suggested that artificial intelligence will likely help improve documentation tools, as would further training around these types of documentation tools. CONCLUSIONS: Some respondents noted feeling both internal and external pressures that influenced when and how they use CP/CF. Respondents noted that they value EHR copying tools for efficiency purposes, but they also understand the risks involved. This tension may lead to moral angst or moral injury. They offered numerous suggestions for lowering the risk, especially by improving the documentation capabilities of the EHR through artificial intelligence. Future research should investigate both technical and educational solutions to relieve the documentation burden and moral angst they are experiencing.
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 | 0,022 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,005 | 0,010 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».