The Impact of COVID-19 Regulatory Reporting Burden: A Comparative Study of a Small Independent Hospital and a Large Network Hospital (Preprint)
Notice bibliographique
Résumé
BACKGROUND: During the COVID-19 pandemic in 2020, hospitals encountered numerous challenges that compounded their difficulties. Some of these challenges directly impacted patient care, such as the need to expand capacities, adjust services, and use new knowledge to save lives in an ever-evolving situation. In addition, hospitals faced regulatory challenges. OBJECTIVE: This paper presents the findings of a qualitative study that aimed to compare the effects of reporting requirements on a small independent hospital and a large network hospital during the COVID-19 pandemic. METHODS: We used both quantitative and qualitative analyses and conducted 51 interviews, which were thematically analyzed. We quantified the changes in regulatory reporting requirements during the first 14 months of the pandemic. RESULTS: Reporting requirements placed a substantial time burden on key clinical personnel at the small independent hospital, consequently reducing the time available for patient care. Conversely, the large network hospital had dedicated nonclinical staff responsible for reporting duties, and their robust health information system facilitated this work. CONCLUSIONS: The discrepancy in health IT capabilities suggests that there may be significant institutional inequities affecting smaller hospitals' ability to respond to a pandemic and adequately support public health efforts. Electronic certification guidelines are essential to addressing the substantial equity issues. We discuss in detail the health care policy implications of these findings.
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 | 0,012 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».