Determinants of patient satisfaction among outpatients with chronic illnesses in the region of medina, Saudi Arabia: a cross-sectional study
Notice bibliographique
Résumé
INTRODUCTION: Patient satisfaction is important for chronic care quality; however limited evidence exists regarding satisfaction patterns and demographic predictors among outpatients with chronic illnesses in Saudi Arabia. This study investigated patient satisfaction levels and identified demographic factors affecting satisfaction in chronic care settings. METHODS: A cross-sectional survey was conducted among 397 outpatients with chronic illnesses attending healthcare facilities in Medina, Saudi Arabia (August-September 2024). The validated Patient Satisfaction Questionnaire Short Form (PSQ-18) was administered electronically in Arabic and English. Demographic predictors were analyzed using ordinal logistic regression with satisfaction tertiles. Doctor-patient interaction correlations were assessed using Spearman coefficients. RESULTS: Participants included 213 females (53.6%) and 184 males (46.4%), with median age 45 years. Overall PSQ-18 satisfaction score was 64.4% of maximum possible. Age was the primary satisfaction predictor, with patients aged 45-60 years showing 2.31 times higher odds of superior satisfaction compared to younger patients (18-30 years, P-value = 0.010). Doctor-patient interaction measures showed strong correlations with overall satisfaction: physical comfort (ρ = 0.635), respect and empathy (ρ = 0.602), and comfort asking questions (ρ = 0.500, all P-value < 0.001). Gender and employment status showed no significant associations with satisfaction levels. Accessibility and convenience scored lowest (60% satisfaction), while interpersonal manner, communication, and financial aspects achieved highest scores (70% satisfaction). CONCLUSIONS: Age-appropriate care delivery and enhanced doctor-patient interactions represent the most promising targets for improving chronic care satisfaction. Healthcare systems should prioritize interpersonal care training and accessibility improvements to optimize patient experiences across all age groups.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».