Evaluación de los modelos de atención integral en salud comunitaria en Ecuador y su impacto en la calidad sanitaria y gestión hospitalaria en el contexto postpandemia.
Bibliographic record
Abstract
La presente investigación analiza los modelos de atención integral en salud comunitaria y su impacto en la eficiencia de la gestión hospitalaria y la calidad de la atención sanitaria implementados en Ecuador en 2025. Bajo un enfoque cualitativo y un diseño documental, se realizó una revisión sistemática de la literatura utilizando el método PRISMA, abarcando estudios publicados entre 2018 y 2025 en bases de datos como PubMed, Scopus y SciELO, así como repositorios ecuatorianos. Los criterios de inclusión se centraron en investigaciones relacionadas con la Atención Primaria de Salud (APS), la calidad de la atención comunitaria y la gestión hospitalaria. Para el análisis se utilizó una matriz de doble entrada que permitió categorizar los estudios por variables clave, identificando patrones como la eficacia de la APS en la reducción de enfermedades crónicas y la importancia de la participación comunitaria en la sostenibilidad de los modelos integrales. La evaluación de la calidad de los estudios, mediante la escala Newcastle-Ottawa, evidenció que los estudios más rigurosos respaldan la relación positiva entre los modelos integrales y la mejora en la gestión hospitalaria. El análisis cualitativo reveló temas recurrentes como la personalización de la atención, la adopción de tecnologías digitales y la reducción de la carga hospitalaria. Los resultados indican que, si bien los modelos han mejorado la calidad y eficiencia de los servicios de salud, persisten desafíos en la capacitación tecnológica del personal y la equidad en la infraestructura. Se concluye que fortalecer la formación continua, la infraestructura tecnológica y la participación comunitaria es clave para consolidar estos modelos y enfrentar futuros retos sanitarios.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.050 | 0.097 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.005 |
| Bibliometrics | 0.007 | 0.009 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".