Aplicación de modelos de machine learning para identificar los factores determinantes en la decisión de los médicos de laborar en zonas alejadas o de frontera, Perú – 2023

El estudio tiene por objetivo determinar el mejor modelo de Machine Learning para identificar los factores determinantes en la decisión de los médicos de laborar en zonas alejadas o de frontera en Perú. El enfoque de la investigación es cuantitativo, el diseño no experimental, transversal y descriptivo correlacional. La población y muestra será 10273 médicos que laboran en establecimientos de salud del primer nivel a julio de 2022. Se utilizará, una fuente de datos secundaria, obtenida a través del aplicativo INFORHUS del MINSA. Se llevará a cabo un análisis exploratorio, depuración de registros y construcción de variables para generar los modelos. La base de datos se dividirá en dos grupos, con el primero se generarán los modelos, para encontrar el adecuado y con el segundo grupo se validará el modelo. Los resultados identificarán factores que permiten captar y retener a los médicos en zonas alejadas o de frontera del país.

La necesidad de médicos a nivel mundial se ha convertido en un problema de salud apremiante. Las estadísticas de la Organización Mundial de la Salud (OMS) muestran que más del 40% de los Estados Miembros reportan una cantidad inferior a 10 médicos por cada 10 000 habitantes. Además, más del 26% informa contar con menos de 3 médicos por cada 10 000 habitantes. Esta desigualdad se agrava en regiones con altas cargas de enfermedades y escasez de personal médico, como en África, que sufre el 22% de la morbilidad global pero solo tiene acceso al 3% de los trabajadores de la salud y menos del 1% de los recursos financieros mundiales (Organización Mundial de la Salud, 2020).

En el contexto peruano, el Ministerio de Salud (2021) reporta una proporción de 16.8 médicos por cada 10 000 habitantes, aunque esta cifra muestra una distribución desigual entre las diversas regiones del país. Por ejemplo, en Piura se observa la menor densidad de médicos con 9.3 por cada 10 000 habitantes, mientras que, en la región de Lima, Moquegua y la Provincia Constitucional del Callao esta proporción es notablemente más alta (23.4, 24 y 25.5 médicos por cada 10,000 habitantes respectivamente). De acuerdo con un estudio llevado a cabo por Inga & Arosquipa (2019), la brecha de recursos humanos en salud a finales de 2017 ascendió a 62,128, de los cuales 1,628 eran médicos cirujanos y 8,797 médicos especialistas. Estos datos han mostrado un incremento progresivo en los últimos años.

Dado el contexto de escasez de recursos humanos, es fundamental implementar una política dirigida a la formación, atracción, captación y retención de personal sanitario, especialmente médicos, en áreas remotas del país. Es esencial generar evidencia que identifique las características clave que debe poseer un profesional médico para trabajar en un Establecimiento de Salud (EESS) ubicado en zonas alejadas o de frontera (ZAF).

Para este estudio, se utilizará la base de datos del Aplicativo Informático de Recursos Humanos del Registro Nacional de Personal de la Salud (INFORHUS) como fuente principal de información. Este aplicativo registra a todo el personal de la salud, independientemente de la modalidad de contratación, y cuenta con las siguientes variables: si el trabajador labora en un establecimiento de salud ubicado en una ZAF, la edad, el sexo, el estado civil, la universidad de procedencia, la especialización, si es personal SERUMS, si es personal nombrado, si es personal CAS, y la remuneración. Se identificaron dos fuentes secundarias adicionales, la base de datos del Sistema de Planillas PLH y la del Aplicativo Informático para el Registro Centralizado de Planillas y de Datos de los Recursos Humanos del Sector Público (AIRHSP) del Ministerio de Economía y Finanzas. Sin embargo, estas fuentes no incluyen todas las variables necesarias y solo registran al personal con plaza presupuestada.

En consecuencia, este trabajo de investigación propone utilizar modelos de machine learning como Regresión Logística, Random Forest, Support Vector Machine, Redes Neuronales y Gradient Boosting para determinar los factores determinantes (características socio-demográficas, educativas y laborales) en la decisión de los médicos de trabajar en estas zonas alejadas o de frontera del país.