Electronic Medical Record Attitudes and Predictors of Adoption Among Ethiopian Health Professionals: Cross-Sectional Study
Notice bibliographique
Résumé
Background: Electronic medical records (EMRs) are increasingly adopted globally to improve health care delivery, yet challenges remain in their acceptance, defined here as favorable attitudes toward their use among health professionals. Understanding factors influencing acceptance is critical for successful implementation. Objective: This study aimed to identify predictors (or factors) associated with favorable attitudes toward EMRs among health professionals in 3 Ethiopian hospitals. Methods: A cross-sectional study was conducted from January to March 2025 in 3 Ethiopian hospitals implementing EMRs. A systematic random sampling method was used to initially select 397 health professionals, and data were collected using a structured questionnaire. Multivariate logistic regression was employed to identify predictors of favorable attitudes toward EMRs. Results: Of the final 382 professionals, 198 (51.8%, 95% CI 0.43-0.53) showed favorable attitudes. Predictors of positive attitude included computer literacy (adjusted odds ratio [AOR] 2.66, 95% CI 1.16-6.09; P=.02), EMR training (AOR 2.87, 95% CI 1.80-4.56; P<.001), and age of 29 years or younger (AOR 3.05, 95% CI 1.58-5.9; P=.001). Conclusions: Improving computer literacy, providing refresher training, and strengthening management support are key strategies for enhancing health professionals' attitudes toward EMRs. Future research should explore qualitative insights into barriers and facilitators of EMR adoption.
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 | 0,004 |
| 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 | 0,000 |
| 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 ».