A Qualitative Study of Bottlenecks and Causes of Fractions for Dedicated Incomes of Health Centers and Solutions for their Reduction
Notice bibliographique
Résumé
BACKGROUND: Primary health care is one of effective approaches for improving public health. Providing optimal cares requires supplication of various resources such as financial resources. "Fractions of incomes" in health centers is one of the remarkable problems for the domain of financial resources management in Iran. This study was aimed to identify bottlenecks and causes of fractions for incomes in health centers and solutions for their reduction. METHODS: The current study was conducted in a qualitative phenomenology method in East Azerbaijan province of Iran in 2014. Data collection method was focus group discussion and semi-structured interview. Purposive sampling was used for selecting participants. Focus group discussions and interviews were conducted based on pre-prepared guidance and continued till data saturation. Validity of guidance was approved by qualitative studies experts. Data were analyzed using content analysis method. RESULTS: Based on the opinions of participants, two and six themes were respectively extracted for bottlenecks of fractions and causes and solutions for their reduction. Themes for bottlenecks of fractions included cash (monetary) and non-cash (non-monetary) fractions and themes for causes and solutions included causes and solutions for fractions per capita, insurance deductions, fractions related to sending documents, registration fractions, discounts fractions, and incomplete deposit of cash incomes. CONCLUSION: All cash and non-cash incomes of health centers are subject to fractions. The causes of fractions are related to the whole process of converting services to incomes and insurance requirements. Identified solutions and interventions also focus on these areas.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».