Health Services and Patient Satisfaction in IRAN during the COVID-19 Pandemic: A Methodology Based on Analytic Hierarchy Process and Artificial Neural Network
Notice bibliographique
Résumé
The aim of this study is to identify and classify the most important factors affecting patient satisfaction in the COVID-19 pandemic crisis considering economic effects. This is an analytical study using the analytic hierarchy process (AHP) method and ANN-MLP (Artificial neural network based on multilayer perceptron model as a supervised learning algorithm) as an innovative methodology. The questionnaire was completed by 72 healthcare experts (N = 72). The inter-class correlation (ICC) coefficient value was confirmed in terms of consistency to determine sampling reliability. The findings show that interpersonal care and organizational characteristics have the greatest and least influence, respectively. Furthermore, the observations confirm that the highest and lowest effective sub-criteria, respectively, are patient safety climate and accessibility. Based on the study’s objective and general context, it can be claimed that private hospitals outperformed public hospitals in terms of patient satisfaction during the COVID-19 pandemic. Focusing on performance sensitivity analysis shows that, among the proposed criteria to achieve the study objective, the physical environment criterion had the highest difference in private and public hospitals, followed by the interpersonal care criterion. Furthermore, we used a multilayer perceptron algorithm to assess the accuracy of the model and distinguish private and public hospitals as a novelty approach. Overfitting results in finding an MLP model which is reliable, and the accuracy of the model is acceptable.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».