Google star ratings of Canadian hospitals: a nationwide cross-sectional analysis
Notice bibliographique
Résumé
BACKGROUND: Data on patients' self-reported hospital experience can help guide quality improvement. Traditional patient survey programmes are resource intensive, and results are not always publicly accessible. Unsolicited online hospital reviews are an alternative data source; however, the nature of online reviews for Canadian hospitals is unknown. METHODS: We conducted a nationwide cross-sectional study of Canadian acute care hospitals with more than 10 Google Reviews during the 2018-2019 fiscal year. We characterised the volume and distribution of Google Reviews of Canadian hospitals, and assessed their correlation with hospital characteristics (teaching status, size, occupancy rate, length of stay, resource utilisation) and Canadian Patient Experience Survey on Inpatient Care (CPES-IC) scores. RESULTS: 167 out of 523 (31.9%) acute care hospitals in Canada met the inclusion criteria. Among included hospitals, there was a total of 10 395 Google Reviews and a median of 35 reviews per hospital. The mean Google Star Rating for included hospitals was 2.85 out of 5, with a range of 1.36-4.57. Teaching hospitals had significantly higher mean Google Star Ratings compared with non-teaching hospitals (3.16 vs 2.81, p <0.01). There was a weak, positive correlation between hospitals' Google Star Ratings and CPES-IC 'Overall Hospital Experience' scores (p =0.04), but no significant correlation between Google Star Ratings and other hospital characteristics or subcategories of CPES-IC scores. INTERPRETATION: There is significant interhospital variation in patients' self-reported care experiences at Canadian acute care hospitals. Online reviews can serve as a readily accessible source of real-time data for hospitals to monitor and improve the patient experience.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».