Interprofessional collaboration amongst health care professionals in Federal Medical Centre, Owo, Ondo State, Nigeria: A cross-sectional study
Notice bibliographique
Résumé
Objective: Effective interprofessional collaboration (IPC) is a cornerstone of high-quality healthcare delivery. Given the complexity of healthcare systems, optimal patient outcomes depend on the ability of professionals across disciplines to work cohesively. Conversely, weak collaboration among health workers contributes to poor service quality, a challenge evident in Nigeria. This study explored the perceptions and practices of IPC among healthcare professionals at the Federal Medical Centre, Owo, Ondo State, Nigeria. Methods: A cross-sectional survey was conducted using the validated Assessment of Interprofessional Collaboration Scale questionnaire, rated on a five-point Likert scale. Data analysis involved mean ± standard deviation for continuous variables and proportions/percentages for categorical data. Results: A total of 185 respondents participated, with the majority (77.3%) aged between 20–39 years. Females accounted for 61.1% of the sample, though gender distribution varied by profession: nursing remained predominantly female (91.2%), while medical laboratory science was male-dominated (87.5%). Among specialists, laboratory scientists (37.5%), physiotherapists (35%), and doctors (33.3%) had the highest proportions. Doctors and nurses recorded the highest mean scores across most IPC domains, particularly role clarity (4.40 and 4.33, respectively) and trust (4.45 and 4.34). Administrators and “others” consistently recorded the lowest scores (3.12–3.74). ANOVA revealed significant differences across all parameters (p < .001). Post-hoc analysis confirmed stronger doctor–nurse collaboration compared to other groups. Conclusions: Findings revealed that doctors demonstrated the strongest interprofessional collaboration, followed by nurses and pharmacists. In contrast, physiotherapists, laboratory scientists, administrators, and other cadres reported lower levels of collaboration. Notably, doctors consistently rated themselves highly and were similarly rated by other professional groups. Strengthening IPC across all healthcare professions remains essential to improving teamwork and ensuring better patient outcomes.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».