Statistical Analysis of Logistics Management Impact on Medical Device Indicators in Indonesian Island Clinics
Notice bibliographique
Résumé
Background: Public health centers have a strategic role in the implementation of primary health services, to meet minimum service standards. The ASPAK application is used as an instrument for monitoring facilities, infrastructure, and medical devices, but the achievement of medical device indicators in Banggai Laut district is still very low, at 27.87%, which indicates obstacles in the logistics management of medical devices. This study aims to analyze the relationship between logistics management and medical device indicators on the ASPAK Application. Methods: This study employed a quantitative approach with a cross-sectional design. Statistical analysis was conducted using the Pearson Product-Moment Correlation test and multivariate regression to examine the relationship between logistics management and medical device indicators on the ASPAK application across 10 health centers in Banggai Laut District. The research was carried out from September to December 2024, involving a total population of 70 individuals, all of whom were included as the study sample. Result: There is a relationship between logistics management sub-variables and medical device indicators (r=0.583-0.659; p=0.000). Multivariate analysis, planning, and deletion are significantly related (y = 6.877 + 0.437 planning + 0.481 deletion), with an R-square value of 0.638, which means 63.8% of the variation in indicator achievement is explained by the model. Conclusion: Planning and deletion have a positive correlation and are the largest contributors to the fulfillment of the ASPAK medical device indicator. This finding emphasizes the importance of both aspects in supporting indicator achievement.
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,009 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».