Analisis Penerapan Sistem Informasi Manajemen Rumah Sakit (SIMRS) terhadap Kinerja Pelayanan Kesehatan di Rumah Sakit X
Notice bibliographique
Résumé
The evaluation of information systems becomes important to ensure the effectiveness of the Hospital Information System (SIMRS) application and its positive impact in producing information that meets the standards of data quality with the HOT fit theory, which includes the core elements of the information system: human, organization, Technology and net benefits. The research was conducted using a cross-sectional design and involved 78 SIMRS users in X Hospital as the sample. Data were analysed using the partial least squares (PLS) structural equation modelling (SEM) method. The results of the study showed that user satisfaction, information quality, service quality, system quality, organizational environment, system utilization level, and organizational structure had significant relationships with SIMRS based on hypothesis testing. The significant findings included user satisfaction, net benefits, system utilization, service quality, system quality, organizational environment, and information quality. This study emphasizes the importance of routine and periodic maintenance, monitoring of SIMRS by relevant units, attention to factors influencing SIMRS adoption by users, and regular training related to the operation of the SIMRS application. Efforts to improve operational skills in the aspects of system quality, information quality, service quality, organizational structure, and organizational environment of SIMRS are crucial to optimize the net benefits generated by SIMRS.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».