Clinical information system acceptability factors (comparative evaluation Fance (HEGP) - Québec (CHUS))
Bibliographic record
Abstract
L implantation des technologies de l information (TI) constitue un enjeu majeur pour les établissements de santé. Avec le développement des systèmes de santé, il y a un besoin croissant d intégrer les TI dans la production de soins. L informatisation des processus cliniques vise à l atteinte d objectifs d efficience et d efficacité dans la gestion de la prise en charge du patient. Sa réussite présuppose l adoption, l utilisation et l internalisation des TI à travers toutes les dimensions du système de santé. Cette recherche a pour but: (1) de modéliser les processus cliniques, (2) de quantifier l utilisation d un système d information clinique (SIC), (3) d identifier les déterminants individuels de la post-adoption du SIC et (4) d analyser les attentes des professionnels de la santé. Notre modèle d acceptabilité d un SIC est une intégration de sept dimensions, issues des théories et modèles en évaluation des SI. Des questionnaires ont été administrés aux médecins et aux infirmières en France (HEGP) et au Québec (CHUS). La régression multiple et la modélisation par équations structurelles ont permis de tester nos liens de causalité. Les résultats montrent que l utilisation d un SIC diffère par profession et par site et que les professionnels semblent satisfaits du SIC. Les scores par dimensions du modèle sont jugés relativement acceptables. Les analyses démontrent que l intention en post-adoption est déterminée par l utilité et la satisfaction. La confirmation des attentes influence la satisfaction, l utilité et la facilité perçue, la compatibilité et le support aux utilisateurs. Ces résultats positionnent l identification et l analyse des besoins au centre du processus d acceptabilité des TI en santé
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.039 | 0.162 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".