Appraising healthcare systems’ efficiency in facing COVID-19 through data envelopment analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The healthcare system is a vital element for any community, as it extremely affects the socio-economic development of any country. The current study aims to assess the performance of the healthcare systems of the countries above fifty million citizens in facing the spread of the COVID-19 pandemic since late December 2019. For this purpose, seven scenarios were adopted via the DEA methodology with six variables, which are the number of medical practitioners (doctors and nurses), hospital beds, Conducted Covid-19 tests, affected cases, recovered cases, and death cases. To shed light on the relative efficiency of drivers, the Tobit analysis was used. Besides, the study carried out various statistical tests for the DEA models' findings to validate the choice of the variables and the obtained scores. The DEA results reveal that less than half of the considered countries are relatively efficient. Moreover, the Tobit regression analysis showed that the main impact on the efficiency scores was due to the number of affected and recovered cases. Finally, the results of the tests of Spearman, Mann-Whitney U, and Kruskal-Wallis H indicate the internal validity and robustness of the chosen DEA models. The current study findings raise important implications, which can be helpful for decision makers regarding continuous improvement of performance, in which the findings assert the importance of achieving the best practices regarding relative efficiency through the linkage between the healthcare systems’ resources, and the needed outputs.
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.
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 | 0,033 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,052 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,008 | 0,003 |
| 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 découle