Entwicklung und Validierung eines Dienstleistungsqualitätsbewertungssystems für das Management chronischer Erkrankungen in der Primärversorgung

Summary

Diese Studie entwickelte und validierte ein System zur Bewertung der Dienstleistungsqualität für das primäre Management chronischer Krankheiten unter Verwendung von Delphi-analytischen Hierarchieprozessmethoden (AHP). Die psychometrische Untersuchung bestätigte eine hohe Zuverlässigkeit. Eine vergleichende Analyse zeigte, dass das AHP-SERVQUAL-Framework eine höhere Prädiktionskraft für die Patiententreue hat als die alternativen Modelle.

Abstract

Chronische nichtübertragbare Krankheiten erfordern eine hochwertige Primärversorgung, doch bestehende Bewertungssysteme versäumen es oft, die multidimensionale Natur der von Patienten wahrgenommenen Servicequalität in chronischen Versorgungseinrichtungen zu erfassen. Diese Studie entwickelte und validierte ein Servicequalitätsbewertungssystem (SERVQUAL), das auf Grundlage des SERVQUAL-Rahmens für das primäre Management chronischer Krankheiten zugeschnitten ist. Eine mehrstufige Methodik, die die Delphi-Methode und den analytischen Hierarchieprozess (AHP) integriert, wurde verwendet, um die Waage zu konstruieren und zu gewichten. Das Instrument wurde empirisch anhand von Querschnittsdaten von 433 Patienten aus fünf primären Gesundheitseinrichtungen validiert. Konstruktvalidität und Zuverlässigkeit wurden durch explorative Faktoranalyse (EFA) und bestätigende Faktoranalyse (CFA) bewertet. Darüber hinaus wurde die prädiktive Leistung des AHP-SERVQUAL-Modells mit der alternativer Modelle (KANO, TOPSIS-RSR) hinsichtlich Patientenkonformität, Problemlösungsraten und Beschwerdehäufigkeiten verglichen. Die psychometrische Evaluation zeigte, dass die angepasste fünfdimensionale Skala (Greifbarkeit, Zuverlässigkeit, Reaktionsfähigkeit, Sicherheit und Empathie) eine hohe interne Konsistenz und strukturelle Validität besitzt. Die Anwendung in den Zentren zeigte erhebliche Unterschiede in der Servicequalität, insbesondere in Bezug auf Assurance und Empathy. Vergleichende Modellierungen zeigten, dass das AHP-SERVQUAL-Rahmenwerk eine höhere Vorhersagekraft für Patiententreue und die allgemeine Servicequalität lieferte als die alternativen Modelle. Zusätzlich korrelierten die von diesem Modell generierten Qualitätsindizes signifikant mit höheren Problemlösungsraten und geringeren Beschwerdehäufigkeiten. Das auf AHP-SERVQUAL basierende System bietet eine zuverlässige und valide Kennzahl zur Bewertung des Managements chronischer Erkrankungen in der Primärversorgung. Durch die genaue Erfassung der vom Patienten wahrgenommenen Qualität bietet dieses Instrument den Administratoren ein evidenzbasiertes Werkzeug, um Qualitätsverbesserungsinitiativen gezielt anzusteuern.

Introduction

Chronische nichtübertragbare Krankheiten sind weltweit zu einem außerordentlich ernsten Problem der öffentlichen Gesundheit^geworden. Laut aktuellen Daten der Weltgesundheitsorganisation sind mehr als 70 % der weltweiten Todesfälle auf chronische Krankheiten zurückzuführen. Mit der beschleunigten alternden Bevölkerung in China steigt die Zahl der Menschen mit Stoffwechselerkrankungen wie Bluthochdruck und Diabetes rapide an, was den Druck auf die Gesellschaft und das^{Gesundheitssystem erhöht}. Als Reaktion darauf haben Primärversorgungseinrichtungen als Frontlinien des Managements chronischer Krankheiten in solchen Rollen allmählich eine stärkere Rolle eingenommen. Insbesondere dienen Primärversorgungseinrichtungen als "Torwächter" des Gesundheitssystems, indem sie Erstkontaktversorgung, Längsschnittüberwachung und notwendige Screenings für Hochrisikogruppen anbieten. Über die grundlegende klinische Behandlung hinaus spielen diese Einrichtungen eine entscheidende Rolle bei der Bereitstellung personalisierter Gesundheitsbildung, der Förderung von Verhaltensinterventionen und der Koordinierung integrierter Versorgungswege zwischen Gemeinschaftseinrichtungen und sekundären/tertiären Krankenhäusern, um die Versorgung zu gewährleisten.

Derzeit wandelt sich das Managementmodell von einer Single-Quantity-Deckung hin zu hochwertiger Entwicklung⁴. Trotz der strategischen Verschiebung hin zur Primärversorgung in China ist ein kritischer Engpass entstanden: Traditionelle klinische Kontrollmetriken (z. B. HbA1c oder Blutdruckmessungen) sind von Natur aus reduktionistisch. Obwohl diese objektiven Indikatoren für die Beurteilung des physiologischen Status unerlässlich sind, erfassen sie nicht die psychosozialen Dimensionen der kontinuierlichen Versorgung, wie etwa die Qualität der Arzt-Patienten-Kommunikation, die täglichen Hindernisse des Patienten für die Therapietreue und das subjektive Wohlbefinden während der langfristigen Behandlung ^4,5. Folglich verschleiert die ausschließliche Nutzung biomedizinischer Kennzahlen kritische Lücken in der Dienstleistungserbringung, die letztlich die langfristigen Gesundheitsergebnisse bestimmen. Es besteht ein dringender Bedarf an einem Bewertungsrahmen, der über traditionelle klinische Ergebnisse hinausgeht und den Full-Service-Prozess durch die Linse der Patientenwahrnehmung erfasst. Dies ist besonders wichtig, da die Primärversorgung von einem behandlungszentrierten Modell zu einem auf präventives, ganzheitliches^{Gesundheitsmanagement} ausgerichtet ist.

Als klassische Theorie in der Gesundheitsversorgungsforschung wurde SERVQUAL weit verbreitet angewandt, um Diskrepanzen zwischen tatsächlichen Wahrnehmungen und Erwartungen in mehreren Dimensionen zu bewerten, darunter greifbare Komponenten, Zuverlässigkeit, Reaktionszeit des Personals und Zusicherung. Dieses Modell ist in diesem Zusammenhang für das Management chronischer Krankheiten anwendbar. Erstens weist das Management chronischer Krankheiten eine hohe Kontinuität und Serviceabhängigkeit auf, Eigenschaften, die mit dem Zuverlässigkeitsstress im Modell übereinstimmen. Zweitens umfasst das Management chronischer Erkrankungen nicht nur klinische Diagnose und Behandlung, sondern auch langfristige Verhaltensinterventionen und psychologische Betreuung; Daher ist Empathie ein wesentliches Kriterium zur Beurteilung der Vertragsbeziehung zwischen Arzt und Patient. Empirische Forschung zeigt, dass Patienten, die als Probanden mit qualitativ hochwertiger Versorgung vom medizinischen Personal versorgt werden, mit dem Service zufrieden sind, ihr Verhalten und ihre Therapietreue bei chronischen Erkrankungen positiver beeinflusst werden. Daher kann die Verwendung dieses Modells zur Umwandlung des abstrakten Prozesses medizinischer Leistungen in messbare Indikatoren die Schwachstellen in primären Leistungen für chronische Erkrankungen^{identifizieren 6,7}.

Bestehende Forschung zur Qualitätsbewertung in der Primärversorgung stützt sich überwiegend auf strukturelle klinische Indikatoren oder breite Patientenzufriedenheitsinstrumente, wie das Primary Care Assessment Tool (PCAT) oder generische Zufriedenheitsskalen⁸. Obwohl diese Werkzeuge wesentliche Benchmarks für systemische Kontrolle bieten, fehlt ihnen oft die methodische Granularität, die nötig ist, um die iterative, prozessbasierte Natur des Managements chronischer Krankheiten zu erfassen. Jüngste Versuche, das SERVQUAL-Framework in klinischen Einrichtungen anzuwenden, haben sein diagnostisches Potenzial hervorgehoben; Viele dieser Studien verwenden jedoch ungewichtete Modelle oder generische Dimensionen, die kontextspezifische Elemente – wie digitale Gesundheitsberührungspunkte und die vertragliche Beziehung des Hausarztes –, die zentral für moderne Primärversorgungsreformen ^8,9 sind, nicht berücksichtigen. Durch den systematischen Vergleich eines lokalisierten, AHP-gewichteten Systems mit diesen konventionellen Kennzahlen zielt diese Studie darauf ab, seinen überlegenen prädiktiven Nutzen bei der Erfassung der Nuancen der patientenwahrgenommenen Qualität zu demonstrieren und so einen robusteren methodischen Beitrag zum Fachgebiet zu leisten.

Obwohl das SERVQUAL-Modell breite Anwendungsmöglichkeiten im primären Management chronischer Krankheiten hat, kann es nicht direkt^verwendet werden. Die traditionellen fünf Dimensionen konzentrieren sich im Allgemeinen stärker auf den erfolgreichen Abschluss einer einzelnen Dienstleistung und betrachten die Kontinuität der Unterstützung bei chronischen Krankheiten sowie die Zusammenarbeit zwischen Patient und Arzt weniger als unerlässlich. Vor dem Hintergrund der digitalen Gesundheit hat sich das primäre Management chronischer Krankheiten auf Online-Nachsorge, Überwachung von Wearables und gemeinschaftliche Selbstmanagementgruppen ausgeweitet. Wenn keine szenenbasierte Optimierung durchgeführt wird, kann dieses Bewertungssystem nicht auf Aspekte digitaler Nachsorge-Kontaktpunkte oder Patientenbeteiligung in der Praxis ausgeweitet werden. Basierend auf bestehenden systematischen Übersichtswerken hat das Fehlen branchenspezifischer allgemeiner Werkzeuge den prädiktiven Wert dieser Werkzeuge für längere Patientenerkrankungen eingeschränkt. Darüber hinaus bietet das im chinesischen Primärversorgungsdienst eingeführte Hausarztvertragssystem eine neue Interpretation dieser Leistungen. Die Hinzufügung einer langfristigen Vertragsbeziehungsdimension zu diesem verallgemeinerten Modell wird helfen, Probleme anzugehen, die in solchen Modellen nicht abgedeckt werden können, und die Wissenschaftlichkeit der Forschung erhöhen ^8,9.

Um diese Lücken zu schließen, entwickelt und validiert diese Studie einen lokalen Rahmen zur Bewertung der Dienstleistungsqualität, der speziell auf das primäre Management chronischer Krankheiten zugeschnitten ist. Obwohl SERVQUAL weit verbreitet ist, übersieht seine Anwendung in der Primärversorgung oft die langfristige Natur von Hausarztverträgen und die entstehenden digitalen Anlaufpunkte gemeinschaftsbasierter Selbstverwaltung ^8,9. Die Neuheit dieser Forschung liegt darin, diese kontextuellen Dimensionen – insbesondere kontinuierliche Versorgung und Selbstmanagementunterstützung – mithilfe eines hybriden Delphi-AHP-Gewichtungsschemas zu integrieren, um die granulare Sensitivität des Modells zu erhöhen. Es wird vermutet, dass dieser multidimensionale, gewichtete Ansatz eine überlegene prädiktive Validität für Patientenergebnisse im Vergleich zu herkömmlichen Modellen bietet. Ziel ist es, dieses Rahmenwerk empirisch über mehrere Zentren hinweg zu testen und die empirische Frage zu beantworten, ob ein lokalisiertes AHP-SERVQUAL-Modell Abweichungen in Patiententreue und institutioneller Effizienz genauer erklären kann als bestehende allgemeine Werkzeuge¹¹.

Protocol

Diese Studie wurde in strikter Übereinstimmung mit den ethischen Grundsätzen der Erklärung von Helsinki durchgeführt. Das Studienprotokoll wurde vom Institutional Review Board (IRB) der Chongqing Medical University überprüft und formell genehmigt (ethische Zulassungsnummer: 2026127). Vor der Einschreibung erhielten alle Teilnehmer eine umfassende Erklärung zu den Zielen, Verfahren und potenziellen Risiken der Studie und erhielten anschließend eine schriftliche informierte Einwilligung. Um die Privatsphäre der Patienten zu schützen und die Datenvertraulichkeit zu gewährleisten, wurden alle gesammelten Informationen vollständig anonymisiert und deidentifiziert, bevor sie zur statistischen Analyse abgerufen wurden. Die vollständige Liste der Umfrageinstrumente, Expertenkonsultationsformulare und Analysesoftware, die in dieser Studie verwendet wurden, ist in der Materialtabelle detailliert aufgeführt.

Studiendesign und Teilnehmerwerbung

Eine mehrstufige methodologische Studie, bestehend aus einer querschnittsbasierten Basiserhebung und anschließenden modellbasierten prädiktiven Simulationen, wurde in fünf primären Gesundheitseinrichtungen durchgeführt. Die Teilnehmer wurden während ihrer routinemäßigen Nachsorgebesuche mit einer stratifizierten Convenience-Sampling-Strategie rekrutiert. Zulassungskriterien umfassten: (1) Erwachsene ab 18 Jahren; (2) medizinisch diagnostiziert mit mindestens einer chronischen Erkrankung (z. B. Bluthochdruck, Typ-2-Diabetes), die in der teilnehmenden Einrichtung mindestens sechs Monate lang behandelt wird; und (3) die kognitive Fähigkeit besitzen, die Bewertung eigenständig abzuschließen. Die Umfragen wurden von geschultem klinischem Personal persönlich durchgeführt. Um fehlende Daten zu beheben, wurde zunächst der MCAR-Test von Little angewendet. Da die fehlende Datenrate niedrig war (<5 %) und völlig zufällig fehlte, wurden mehrere Imputationstechniken eingesetzt, um unvollständige Antworten zu verarbeiten und so die Integrität des Datensatzes zu gewährleisten. Um Überanpassungen zu vermeiden und die Stichprobenbasis für jede Analysestufe zu klären, wurde der vollständig imputierte Datensatz (N = 433) streng aufgeteilt. Konkret wurden 50 % der Stichprobe (n = 217) für die explorative Faktorenanalyse (EFA) verwendet, um die Faktorstruktur zu bestimmen. Die restlichen 50 % (n = 216) waren für die bestätigende Faktorenanalyse (CFA), Strukturgleichungsmodellierung (SEM) und die Etablierung von Basislinien für die Qualitätsprofilierung auf institutioneller Ebene reserviert. Die vergleichenden Modellvalidierungs- und simulierten Optimierungsszenarien wurden anschließend ausschließlich aus dieser zweiten Hold-out-Probe (n = 216) abgeleitet, um Datenlecks zu verhindern.

Konzeptioneller Rahmen und Entwicklung von Indikatoren

Der Aufbau des Bewertungsindexsystems begann damit, die fünf zentralen SERVQUAL-Dimensionen – Greifbarkeit, Zuverlässigkeit, Reaktionsfähigkeit, Sicherheit und Empathie – dem spezifischen Arbeitsablauf des primären Managements chronischer Krankheiten zuzuordnen. Dieser Prozess beinhaltete die Integration konkreter Service-Kontaktpunkte, wie die Erstellung von medizinischen Unterlagen, die pharmazeutische Verteilung und die Längsnachverfolgungsprotokolle. Um die Relevanz für die Zielgruppe sicherzustellen, wurde das Informationssystem der Primärversorgung analysiert, um seine Zugänglichkeit für ältere Patienten zu bewerten, gefolgt von iterativen Verfeinerungen der Items. Spezifische Zuverlässigkeitskennzahlen konzentrierten sich auf die Genauigkeit von Nachbeobachtungen und die Mitarbeiterbindung, während die Reaktionsfähigkeit als Aktualität der Antworten auf Patientenanfragen operationalisiert wurde (siehe Tabelle 1 für operative Definitionen). Der Gesamtrahmen, einschließlich der Wechselwirkungen zwischen den Dimensionen, wird in den Abbildungen 1 und 2 konzeptualisiert.

Delphi-Expertenberatung und Inhaltsvalidität

Eine Zweirunden-Delphi-Methode wurde verwendet, um den anfänglichen Item-Pool zu verfeinern. Experten wurden gezielt auf Basis eines multidimensionalen Setzes von Zulassungskriterien rekrutiert, um professionelle Autorität und methodische Strenge zu gewährleisten. Kandidaten wurden zum Gremium eingeladen, wenn sie folgende Voraussetzungen erfüllten: (1) Inhaber eines leitenden Berufstitels (z. B. außerordentlicher Professor, Chefarzt oder Pflegedirektor); (2) mindestens zehn Jahre klinische, managementbezogene oder Forschungserfahrung, die sich speziell auf die Primärversorgung oder das Management chronischer Krankheiten konzentriert; und (3) eine anerkannte Erfolgsbilanz in der Bewertung von Gesundheitsdiensten oder der Entwicklung von Gesundheitspolitiken nachzuweisen. Das endgültige Gremium von fünfzehn Experten stellte eine interdisziplinäre Kohorte dar, darunter Hausärzte (n = 5), Pflegeleiter (n = 4), Forscher im Bereich öffentliche Gesundheit (n = 4) und Gesundheitspolitik-Administratoren (n = 2). Diese vielfältige Zusammensetzung und die strengen Auswahlkriterien sicherten direkt die Reproduzierbarkeit und Glaubwürdigkeit der anschließenden Verfahren zur Inhaltsvalidität und der AHP-Gewichtung. Experten bewerteten die Relevanz und Klarheit jedes Punktes anhand einer 4-Punkte-Likert-Skala (1 = nicht relevant, 4 = sehr relevant). Der Konsens wurde a priori definiert als ≥80 % Zustimmung unter Experten, die eine Frage mit 3 oder 4 bewerteten. Elemente mit einem Item-Level Content Validity Index (I-CVI) ≥ 0,78 wurden beibehalten (Tabelle 2). Meinungsverschiedenheiten zwischen den Runden wurden durch iteratives, anonymes Feedback gelöst; Experten erhielten aggregierte Punktzahlen aus der vorherigen Runde und durften ihre Bewertungen anpassen. Items, die nach der zweiten Runde keinen Konsens erreichten, wurden entweder auf Grundlage qualitativer Expertenrückmeldungen grundlegend überarbeitet oder gestrichen, was im finalen Skalen-Level-Inhaltsvaliditätsindex (S-CVI)^12,13 gipfelte.

Analytischer Hierarchieprozess (AHP) und Bewertungsmechanismus

Zur Bestimmung der relativen Gewichte der Bewertungsindikatoren wurde die AHP-Methode verwendet. Eine gezielte Teilstichprobe von neun erfahrenen Experten aus dem Delphi-Gremium vervollständigte eine 9-Punkte-Fundamentalskala, um paarweise Vergleichsmatrizen für alle Dimensionen und Unterdimensionen zu konstruieren. Die geometrische Mittelwertmethode wurde verwendet, um die Urteile der Experten zu aggregieren. Für jede Matrix wurde ein Konsistenzverhältnis (CR) berechnet; nur Matrizen mit einem CR von galten als akzeptabel, was eine logische Konsistenz in Sachverständigenurteilen gewährleistete. Endgültige globale Gewichte (W_i) wurden durch Multiplikation der lokalen Gewichte der Unterdimensionen mit den Gewichten ihrer Elterndimensionen abgeleitet. Der endgültige Service Quality Score (SQ) für jeden Patienten wurde mit folgender Formel berechnet:

SQ = ∑(W_i x P_i) (1)

wobei P_i den wahrgenommenen Leistungswert des Patienten für das Element i darstellt. Bemerkenswert ist, dass diese Studie eine reine wahrnehmungsbasierte (P)-Bewertungsmethode – im Einklang mit dem SERVPERF-Paradigma – anstelle des traditionellen lückenbasierten (P-E) Ansatzes verwendete. Diese methodische Wahl, gemessen auf einer 7-Punkte-Likert-Skala (von 1 = "Stark anderer Meinung" bis 7 = "Stimme stark zu"), wurde implementiert, um die prädiktive Validität des Modells zu verbessern und die Messinstabilität zu minimieren, die oft mit der Quantifizierung von Patientenerwartungen in longitudinalen chronischen Versorgungsumgebungen verbunden ist.

Psychometrische Validierung und Modellierung struktureller Gleichungen

Der zufällig aufgeteilte Datensatz wurde einer psychometrischen Auswertung unterzogen. Für die erste Hälfte der Daten wurde EFA mittels Hauptachsenfaktorisierung mit Promax-Schrägrotation durchgeführt, da die SERVQUAL-Dimensionen als korreliert angenommen wurden. Faktoren wurden auf Basis der Eigenwerte >1 und der visuellen Inspektion des Gerölldiagramms beibehalten. Objekte mit Faktorlasten <0,40 oder signifikanten Kreuzlastungen wurden ausgeschlossen. Die zweite Hälfte der Daten wurde für CFA verwendet, um die Faktorstruktur zu bestätigen. Die Maximum-Likelihood-(ML)-Schätzung wurde für die CFA- und nachfolgende SEM-Analysen verwendet. Die Modellanpassung wurde mit strengen Schwellenwerten bewertet, die in der psychometrischen Literatur festgelegt wurden und ein akzeptables Gleichgewicht zwischen Modellsparsamkeit und Datenanpassung anzeigen: Vergleichender Passungsindex (CFI) > 0,90, Tucker-Lewis-Index (TLI) > 0,90, Wurzelmittelwert Quadratfehler der Approximation (RMSEA) < 0,08 und standardisierter Wurzelmittelwert Quadrat-Residual (SRMR) > 0,08.

Vorhersagemodell-Vergleichsplan

Um die vergleichende Wirksamkeit verschiedener Bewertungsrahmen zu bewerten, wurde eine prädiktive Modellierungsanalyse durchgeführt. Um die methodische Robustheit des vorgeschlagenen Rahmens zu etablieren, wurde das grundlegende SERVQUAL-Modell an drei verschiedene analytische Ansätze verglichen: dem vorgeschlagenen AHP-SERVQUAL, dem KANO-Modell und der TOPSIS-RSR-Methode (Technique for Order Preference by Similarity to Ideal Solution combined with Rank-Sum Ratio). Das KANO-Modell wurde als Komparator ausgewählt, weil es Serviceattribute in nichtlineare Zufriedenheitstreiber (z. B. Grundbedürfnisse versus attraktive Eigenschaften) einordnet und einen theoretischen Kontrast zu den linearen Annahmen von SERVQUAL bietet. TOPSIS-RSR hingegen ist ein rigoroses Multi-Kriterium-Entscheidungsinstrument (MCDM), das weit verbreitet für eine umfassende institutionelle Bewertung genutzt wird und somit als robuste methodische Kontrolle für unser AHP-basiertes Bewertungssystem dient. Um den Vergleich durchzuführen, wurde jedes der vier Modelle unabhängig auf den Hold-out-Validierungsdatensatz (n = 216) angewendet, wobei identische kontextspezifische Parameter (wie digitale Nachverfolgung und Selbstmanagementunterstützung) berücksichtigt wurden. Der Bewertungsprozess verglich anschließend, wie effektiv die von jedem Modell generierten Qualitätsindizes mit externen Leistungskennzahlen (Beschwerdehäufigkeit und Problemlösungsraten) und deren Vorhersagekraft (R²) für die Patientencompliance korrelierten. Die prädiktive Genauigkeit jedes Modells wurde mit^R2-Werten quantifiziert, die durch lineare Regression und SEM erzeugt wurden. Um die Modellsparsamkeit zu gewährleisten und Überanpassungen zu vermeiden, wurden Informationskriterien, insbesondere das Akaike-Informationskriterium (AIC) und das Bayessche Informationskriterium (BIC), in den Auswahlprozess integriert. Abschließend wurde eine Kreuzvalidierung durchgeführt, um die Robustheit der ausgewählten Modelle über die fünf teilnehmenden Institutionen hinweg zu bewerten. Die vergleichenden Kennzahlen für Problemlösung, Beschwerdehäufigkeit und Gesamtprädiktionskraft (R²) sind in den Abbildungen 3 und 4 dargestellt.

Results

Studiendesign und Teilnehmerwerbung

Insgesamt wurden 433 Fälle einbezogen, die eine der fünf primären Gesundheitseinrichtungen in verschiedenen Gebieten, sowohl städtisch als auch ländlich, besucht hatten. Das Alter der Teilnehmer lag zwischen 30 und 85 Jahren, mit einem Durchschnittsalter von 61,2 Jahren (Standardabweichung: 10,0). Die Geschlechterverteilung betrug 50,4 % männlich und 49,6 % weiblich. Ungefähr 56,8 % der Teilnehmer hatten Bluthochdruck, etwa 50,0 % hatten Typ...

Discussion

Diese Studie schlägt einen verfeinerten methodischen Rahmen zur Bewertung des primären Managements chronischer Krankheiten vor, indem das SERVQUAL-Modell mit einem Delphi-AHP-Gewichtungsschema integriert wird. Über die Etablierung eines standardisierten Bewertungssystems hinaus zeigen unsere Ergebnisse, dass die Einbeziehung kontextspezifischer Dimensionen – wie der Kontinuität der Längsbehandlung und digitale Kontaktpunkte – kritische Lücken in bestehenden Bewertungsinstrumenten der Pri...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
AHP Pairwise Comparison Matrix Template	Diese Studie (Repository / Ergänzungsmaterial)	Saaty’s 1-bis-9-Grundskala	Bestimmung der relativen Indikatorgewichte
Delphi-Experten-Konsultationsformulare	Diese Studie (Repository / Ergänzungsmaterial)	Zwei-Runden-Konsensprotokoll	Indikatorscreening und Bewertung der inhaltlichen Validität
IBM SPSS AMOS	IBM Corp., Armonk, NY, USA	Version 24.0	CFA, SEM-Validierung und prädiktive Modellierung
IBM SPSS Statistics	IBM Corp., Armonk, NY, USA	Version 26.0	Datenmanagement, MICE-Imputation und EFA
Lokalisiertes AHP-SERVQUAL-Fragebogen	Diese Studie (Repository / Ergänzungsmaterial)	Endgültige 5-dimensionale, 15-Item-Version	Bewertung der patientenwahrgenommenen Servicequalität