MétaCan
Menu
Retour à la cohorte
Enregistrement W2938093132 · doi:10.1371/journal.pone.0214922

Categorizing and assessing comprehensive drivers of provider behavior for optimizing quality of health care

2019· article· en· W2938093132 sur OpenAlexaff
Elisabeth Engl, Steve Kretschmer, Mokshada Jain, Saransh Sharma, Ram Komal Prasad, Banadakoppa M Ramesh, Mrunal Shetye, Seema Tandon, Sanjiv Kumar, Tisa Barrios Wilson, Sema K. Sgaier

Notice bibliographique

RevuePLoS ONE · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésQuality (philosophy)Health careMEDLINEHealth care qualityMedicineEnvironmental healthNursingBiology

Résumé

récupéré en direct d'OpenAlex

Inadequate quality of care in healthcare facilities is one of the primary causes of patient mortality in low- and middle-income countries, and understanding the behavior of healthcare providers is key to addressing it. Much of the existing research concentrates on improving resource-focused issues, such as staffing or training, but these interventions do not fully close the gaps in quality of care. By contrast, there is a lack of knowledge regarding the full contextual and internal drivers-such as social norms, beliefs, and emotions-that influence the clinical behaviors of healthcare providers. We aimed to provide two conceptual frameworks to identify such drivers, and investigate them in a facility setting where inadequate quality of care is pronounced. Using immersion interviews and a novel decision-making game incorporating concepts from behavioral science, we systematically and qualitatively identified an extensive set of contextual and internal behavioral drivers in staff nurses working in reproductive, maternal, newborn, and child health (RMNCH) in government public health facilities in Uttar Pradesh, India. We found that the nurses operate in an environment of stress, blame, and lack of control, which appears to influence their perception of their role as often significantly different from the RMNCH program's perspective. That context influences their perceptions of risk for themselves and for their patients, as well as self-efficacy beliefs, which could lead to avoidance of responsibility, or incorrect care. A limitation of the study is its use of only qualitative methods, which provide depth, rather than prevalence estimates of findings. This exploratory study identified previously under-researched contextual and internal drivers influencing the care-related behavior of staff nurses in public facilities in Uttar Pradesh. We recommend four types of interventions to close the gap between actual and target behaviors: structural improvements, systemic changes, community-level shifts, and interventions within healthcare facilities.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,296
Score d'incertitude au seuil0,514

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,236
Tête enseignante GPT0,344
Écart entre enseignants0,108 · 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

Citations19
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetHealthcare Policy and ManagementTravaux en français237 207