The Quality of Insurance and Non-Insurance Patient Services and Their Effect on Loyalty Mediated by Patient Satisfaction
Notice bibliographique
Résumé
The world is currently navigating challenges in reaching UHC by 2030. In Indonesia, the Health Services Coverage Index (SCI) recovered significantly however, its downturn in 2021 highlighted a prominent challenge. Eka Hospital, as a reputable referral hospital, has developed its services through innovations and technology; however, little has been discussed regarding the differences in service quality between insured and uninsured patients. This research aims to investigate the variance in service quality between insurance and non-insurance services, as well as its impact on customer satisfaction and loyalty. You'll also discover which service attributes need to be upgraded to meet the needs of patients. Research employed a cross-sectional study design. Regarding its design, this research utilized SERVQUAL, IPA, and Partial Least Squares Multigroup Analysis (PLS-MA) to test the hypothesis. The population consisted of outpatients of Eka Hospital in 2024. At least 110 samples are known, according to the consecutive sampling method/service and the 10-times rule SEM analysis. After excluding non-eligible participants, 415 participants were deemed valid. Results indicated no difference in services between insured and non-insured patients, indicating equivalent service. Some elements that require improvement include better medical equipment, trust in doctors' diagnoses, fair medical fees when treating patients, convenience in the procedure process, procedural effectiveness, and the enhancement or even remission of symptoms after treatment. Quality of service is closely linked to patient satisfaction, which in turn promotes patient loyalty. Hospitals should consider both the technical and emotional aspects of care to create a satisfying experience, which is crucial for UHC success in Indonesia.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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) | 0,006 | 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 ».