Hospital Accreditation: What Difficulties Does It Face in Iran?
Notice bibliographique
Résumé
INTRODUCTION: To determine if an established programme is achieving desired goals and objectives, in other words being effective, health-care policy makers need to recognise and cope with its challenges. This paper made an effort to pinpoint the main difficulties which appear on the way to successful implementation of the Iranian hospital accreditation programme, from perspective of hospitals medical and clinical staff, and accreditation authorities.MATERIAL & METHODS: applying a qualitative approach, we used semi-structured discussion guide in Focus Group Discussions (FGDs), as well as semi-structured In-Depth Interviews (IDIs) with purposively selected hospitals staff and accreditation programme authorities. Data collection was conducted in Iranian universities of medical sciences from June to September 2014. In order to analyse collected opinions, thematic content analysis was applied independently by two authors.FINDINGS: In addition to four independent FGDs with 27 participants, conducting seven individual IDIs were enough to reach data saturation. A total of 25 subthemes were emerged under five main themes. Participants were of the opinion that the accreditation problems include fundamental deficiencies in the Iranian healthcare system, poor design of the programme, deficiencies within hospitals, difficulties in surveyors and survey processes and negative impacts of the accreditation on hospitals.DISCUSSION: difficulties with the accreditation programme arise from a wide variety of sources. Decision-makers’ achievements in the desired goals lie on recognizing and resolving them.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 ».