Private ownership of primary care providers associated with patient perceived quality of care
Notice bibliographique
Résumé
Ownership of primary care providers varies in different cities in China. Shanghai represented the full public ownership model of primary providers; Shenzhen had public-owned but private-operated providers; and Hong Kong represented the full private ownership. The study aims to assess the association of primary care ownership and patient perceived quality of care in 3 Chinese megacities.We conducted multistage stratified random surveys in 2013 in the 3 cities. Quality scores of primary care were measured using the validated primary care assessment tools. Multivariate linear regression models were used to compare quality scores after controlling potential confounders of patient demographic, socioeconomic, and healthcare utilization factors.Overall, 797 primary care users in Shanghai, 802 in Shenzhen, and 1325 in Hong Kong participated in the study. The mean total quality scores were reported the highest in Shanghai (28.39), followed by Shenzhen (25.82) and then Hong Kong (25.21) (P < 0.001). Shanghai participants reported the highest scores for 1st contact accessibility, coordination of information, comprehensiveness of service availability, and culture competence, while Hong Kong participants reported the lowest for these domains (P < 0.001). Hong Kong participants from rich households reported higher total scores than those from poor households (P < 0.05); however, this was not found in Shanghai and Shenzhen.The study suggests that private primary care ownership may be associated with lower quality and less equitable care distribution. In China, it suggests that it may be beneficial to promote public-owned and nonprofit providers. Promoting privatization in primary care may be at the cost of quality and equity of primary care.
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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».