AI-Assisted Medical Records Management and EHR Workflow Optimization for Community Health Centres Serving Immigrant Populations
Notice bibliographique
Résumé
This study investigates the persistent problem of documentation burden, incomplete patient records, multilingual communication challenges, and workflow inefficiencies in community health centres serving immigrant populations, where conventional EHR systems often struggle to capture and manage complex patient information effectively. The purpose of the research was to examine whether AI-assisted medical records management improves EHR workflow optimization, record completeness, multilingual documentation performance, service delivery quality, and overall operational effectiveness in these settings. The study adopted a quantitative, cross-sectional, case-based design and collected data from 200 respondents drawn from selected cloud-enabled and enterprise-style EHR case contexts within community health centres, including physicians, nurses, medical records officers, administrative staff, and IT/EHR support personnel. The key variables included AI-assisted medical records management, automated documentation support, intelligent record retrieval, error detection and validation, multilingual documentation support, EHR workflow optimization, record accuracy and completeness, service delivery quality, and operational effectiveness. Data were analyzed using descriptive statistics, Cronbach’s alpha reliability testing, correlation analysis, and multiple regression modeling. The findings showed strong positive perceptions of AI-supported records management, with mean scores of 3.98 for AI-assisted medical records management, 4.07 for EHR workflow optimization, 4.12 for record accuracy and completeness, 4.15 for multilingual documentation support, and 4.18 for service delivery quality. Reliability values were high, with Cronbach’s alpha ranging from 0.821 to 0.914. Correlation analysis revealed significant positive relationships between AI-assisted medical records management and EHR workflow optimization (r = 0.71, p < .001), record accuracy and completeness (r = 0.69, p < .001), and service delivery quality (r = 0.71, p < .001). Regression results further confirmed that AI-assisted medical records management significantly predicted EHR workflow optimization (β = 0.59, p < .001), while the overall model explained 46.2% of workflow variance (R² = 0.462, F(4,195) = 41.82, p < .001). The study implies that AI-enabled documentation systems can strengthen workflow efficiency, multilingual recordkeeping, and equitable service delivery in immigrant-focused community healthcare settings.
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 | 0,022 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».