Conference Paper

Sağlıkta geri bildirimler için yeni bir sınıflandırma: İSM modeli

Authors:
  • İstanbul Sağlık Müdürlüğü
To read the full-text of this research, you can request a copy directly from the authors.

Abstract

AMAÇ: Şikayet, ihbar, istek ve öneri gibi geri bildirimler çoğunlukla tekil olarak değerlendirilmekte ve sağlık hizmeti alanın memnuniyetinin temini ile sorunlarının çözülmesi için kullanılmaktadır. Toplu olarak ele alındıklarında ise, iyi bir analizle, sağlık hizmetlerinin kalitesinin iyileştirilmesi ve halk sağlığının korunmasına hizmet edecek önemli bir potansiyel taşımaktadırlar. Bu iyi analiz ise ancak iyi bir sınıflandırmayla mümkündür. Bu çalışmada sağlıkla ilgili geri bildirimler için ihtiyaca uygun ve mantıksal açıdan tutarlı bir konu sınıflandırması geliştirmek amaçlanmıştır. YÖNTEM: Öncelikle Türkiye’de sağlık alanında en yaygın kullanılan iki geri bildirim sistemi olan, Sağlık Bakanlığı İletişim Merkezi (SABİM) ve Başbakanlık İletişim Merkezi (BİMER) tarafından sunulan sınıflandırmalar incelenmiştir. Her bir konu başlığı kalite iyileştirme çalışmalarına faydası açısından değerlendirilmiştir. Sonrasında İstanbul İl Sağlık Müdürlüğünde bildirimlerin %80’inden fazlasının muhatabı olan 12 şube müdürlüğünden kurum içi raporlarda kullanmakta oldukları sınıflandırma listeleri ayrı ayrı alınmış ve harmanlanmıştır. Teklif edilecek sınıflandırma için sağlık hizmetinin bileşenleri (aktörleri ve süreçleri) çıkarılmıştır. Harmanlanmış listedeki başlıklar ana başlıklara dağıtılmış, tekrar eden başlıklar elenmiş, yakın başlıklar birleştirilmiş ve detay düzeyi artırılmak istenen başlıklar ayırılmıştır. BULGULAR: SABİM sınıflandırmasında 29 ana başlık 122 alt başlık; BİMER sınıflandırmasında ise “sağlık” ana başlığı altında 38 alt başlık olduğu görülmüştür. En nihayetinde “sağlık hizmeti, hizmeti sunan kurum, hizmeti sunan kişi, hizmet alan kişi, hizmetin ücretlendirilmesi, diğer sektörlerin sağlık etkisi” bileşenleri çerçevesinde 18 ana başlık ve 88 alt başlıktan oluşan konu sınıflandırması oluşturulmuştur. SONUÇ: Daha iyi bir sınıflandırmanın: (1) geri bildirimlerin yönetimini (otomatizasyonlara imkan tanıyarak) kolaylaştıracağı ve hızlandıracağı; böylece daha iyi bir iletişim dili ve özellikli bildirimlerle ilgilenmek için zaman yaratacağı; (2) insan faktörünün etkisini azaltacağı ve standardizasyon yoluyla adil yaklaşımı güçlendireceği; (3) yapılacak analizlerde daha keskin tespitlere ve daha sonra yapılabilecek yapay zeka uygulamasını mümkün kılacak eğitim (training) veri setinin oluşturulmasına hizmet edeceği öngörülmektedir. Bu çalışmada öne sürülen sınıflandırma erken sonuç niteliğinde olup, üzerine tartışılarak araştırmanın geliştirilmesi amacıyla paylaşılmaktadır.

No full-text available

Request Full-text Paper PDF

To read the full-text of this research,
you can request a copy directly from the authors.

ResearchGate has not been able to resolve any citations for this publication.
ResearchGate has not been able to resolve any references for this publication.