New insights about community benefit evaluation: Using the Community Health Implementation Evaluation Framework to assess what hospitals are measuring
Notice bibliographique
Résumé
BACKGROUND: Nonprofit hospitals are required to conduct community health needs assessments (CHNA) every 3 years and develop corresponding implementation plans. Implemented strategies must address the identified community needs and be evaluated for impact. PURPOSE: Using the Community Health Implementation Evaluation Framework (CHIEF), we assessed whether and how nonprofit hospitals are evaluating the impact of their CHNA-informed community benefit initiatives. METHODOLOGY: We conducted a content analysis of 83 hospital CHNAs that reported evaluation outcomes drawn from a previously identified 20% random sample ( n = 613) of nonprofit hospitals in the United States. Through qualitative review guided by the CHIEF, we identified and categorized the most common evaluation outcomes reported. RESULTS: A total of 485 strategies were identified from the 83 hospitals' CHNAs. Evaluated strategies most frequently targeted behavioral health ( n = 124, 26%), access ( n = 83, 17%), and obesity/nutrition/inactivity ( n = 68, 14%). The most common type of evaluation outcomes reported by CHIEF category included system utilization ( n = 342, 71%), system implementation ( n = 170, 35%), project management ( n = 164, 34%), and social outcomes ( n = 163, 34%). PRACTICE IMPLICATIONS: CHNA evaluation strategies focus on utilization (the number of individuals served), with few focusing on social or health outcomes. This represents a missed opportunity to (a) assess the social and health impacts across individual strategies and (b) provide insight that can be used to inform the allocation of limited resources to maximize the impact of community benefit strategies.
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 | 0,052 | 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 | 0,009 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».