What Key Factors Affect Patient Satisfaction on Online Medical Consultation Platforms? A Case Study from China
Notice bibliographique
Résumé
Background/Objectives: Online medical consultation (OMC) platforms have become an essential tool for facilitating communication between doctors and patients, providing an efficient way for patients to access healthcare services. However, research on the key drivers of patient satisfaction within this context remains limited. This study aims to identify and prioritize the key factors influencing patient satisfaction on OMC platforms, with a focus on the Chinese “Chunyu Doctor” app as a case study. Methods: Data from patient comments on the “Chunyu Doctor” app were collected and analyzed using grounded theory to identify the influencing factors of patient satisfaction. The decision-making trial and evaluation laboratory (DEMATEL) method was then applied to assess and prioritize the factors influencing patient satisfaction, identifying the key determinants from a complex set of potential influences. Results: The study identified 11 key factors out of 23 that significantly impact patient satisfaction. These factors include doctors provide professional treatment plans, doctors accurately understand patients’ concerns, doctors explain and advise on prescriptions, doctors personally respond, doctors provide comprehensive replies, cost-effectiveness, consultation fees, effectiveness of treatment outcomes, reasonableness of the doctors’ consultation process, avoidance of templated responses by doctors, and alignment of doctors responses with patient expectations. Conclusions: This study enriches the understanding of patient satisfaction in the context of online medical consultations. The findings offer theoretical insights for future research and provide practical implications for enhancing the management and development of OMC platforms, improving the quality of healthcare services, and boosting patient satisfaction.
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 | 0,000 | 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 | 0,001 |
| 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 ».