Adoption and use of stand-alone electronic prescribing in a health plan-sponsored initiative.
Notice bibliographique
Résumé
OBJECTIVES: To quantify rates of stand-alone e-prescribing (SEP) adoption and use among primary care physicians (PCPs) participating in a SEP initiative and to determine which physician and patient characteristics were associated with higher rates of each. STUDY DESIGN: Using records from an insurer-led SEP initiative, we compared the characteristics of 297 PCPs who adopted SEP through the initiative with the characteristics of 1892 eligible PCPs who did not. Among 297 adopters, we studied the extent of SEP use. METHODS: Dependent variables included each physician's adoption of SEP and his or her e-prescribing use ratio (the ratio of electronic prescriptions to pharmacy claims in the same period). Independent variables included characteristics of PCPs (specialty, practice size, and prescribing volume) and their patients (patient age, sex, race/ethnicity, and household income). RESULTS: Solo practitioners, pediatricians, and physicians with more patients from predominantly African American zip codes were underrepresented among SEP adopters. The mean (SD) e-prescribing use ratio among adopters was 0.23 (0.28). Twenty percent of physicians maintained e-prescribing use ratios above 0.50. Available physician characteristics explained little of the variance in use, but physicians in smaller practices had greater use (P = .02). CONCLUSIONS: Certain categories of physicians may need more tailored incentives to adopt SEP. On average, adopters used the SEP system for only about one-quarter of their prescriptions. Some adopters achieved high levels of SEP use, and further research is needed to elucidate the factors that enabled this.
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 | 0,012 |
| 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 | 0,000 | 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 ».