Cost analysis and critical success factors of the use of oxygen concentrators versus cylinders in sub-divisional hospitals in Fiji
Notice bibliographique
Résumé
BACKGROUND: Oxygen is vital in the treatment of illnesses in children and adults, yet is lacking in many low and middle-income countries health care settings. Oxygen concentrators (OCs) can increase access to oxygen, compared to conventional oxygen cylinders. We investigated the costs and critical success factors of OCs in three hospitals in Fiji, and extrapolated these to estimate the oxygen delivery cost to all Sub-Divisional hospitals (SDH) nationwide. METHODS: Data sources included key personnel interviews, and data from SDH records, Ministry of Health and Medical Services, and a non-governmental organisation. We used Investment Logic Mapping (ILM) to define key issues. An economic case was developed to identify the investment option that optimised value while incorporating critical success factors identified through ILM. A fit-for-purpose analysis was conducted using cost analysis of four short-listed options. Sensitivity analyses were performed by altering variables to show the best or worst case scenario. All costs are presented in Fijian dollars. RESULTS: Critical success factors identifed included oxygen availability, safety, ease of use, feasibility, and affordability. Compared to the status quo of having only oxygen cylinders, an option of having a minimum number of concentrators with cylinder backup would cost $434,032 (range: $327,940 to $506,920) over 5 years which would be 55% (range: 41 to 64%) of the status quo cost. CONCLUSION: Introducing OCs into all SDHs in Fiji would reduce overall costs, while ensuring identified critical success factors are maintained. This study provides evidence for the benefits of OCs in this and similar settings.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».