MétaCan
Menu
Retour à la cohorte
Enregistrement W2341149568 · doi:10.5334/ijic.2456

Different Models of Hospital–Community Health Centre Collaboration in Selected Cities in China: A Cross-Sectional Comparative Study

2016· article· en· W2341149568 sur OpenAlexaff
Jing Xu, Rui Pan, Raymond Pong, Yudong Miao, Dongfu Qian

Notice bibliographique

RevueInternational Journal of Integrated Care · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueInterprofessional Education and Collaboration
Établissements canadiensLaurentian University
Organismes subventionnairesnon disponible
Mots-clésReferralCommunity healthChinaPublicityCross-sectional studyHealth carePublic healthDescriptive statisticsOrdered logitLogistic regressionMedicineBusinessEnvironmental healthNursingGeographyEconomic growthMarketingComputer science

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: In recent years, in order to provide patients with seamless and integrated healthcare services, some models of collaboration between public hospitals and community health centres have been piloted in some cities in China. The main goals of this study were to assess the nature and characteristics of these collaboration models. METHODS: Three cases of three different collaboration models in three Chinese cities were selected to analyse using descriptive statistics, Pearson χ (2) and ordinal logistic regression. RESULTS: Results showed that the Direct Management Model in Wuhan exhibited better structure indicators than the other two models. Staff in the Direct Management Model had the highest satisfaction level (77.6%) with respect to patient referral. Communications between hospitals and community health centres and among care providers were generally inadequate. Publicity about hospital-community health centre collaboration was inadequate, resulting in low awareness among patients and even among health professionals. CONCLUSION: Results can inform health service delivery integration efforts in China and provide crucial information for the assessment of similar collaborations in other countries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,164
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,446
Écart entre enseignants0,411 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations33
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Integrated CareMême sujetInterprofessional Education and CollaborationTravaux en français237 207