Participantes

Seleccionamos, mediante muestreo por conveniencia, a 190 médicos que se enlistaron en el serums entre 2020 a 2022. Los criterios de inclusión fueron: ser médico general y aceptar participar en el estudio. La muestra tenía un promedio de edad de 27.49 (DE: 2.79) y estaba compuesta por un 63.68% de mujeres. Se detallan otras características en la Tabla 1.

Desarrollo del cuestionario de preparación integral para servicio en comunidades olvidadas (C-PISCO)

Basados en el perfil de competencias esenciales para médicos del Ministerio de Salud de Perú¹⁵, creamos un cuestionario de 21 ítems que mide las competencias auto-percibidas de los médicos. Estas competencias fueron seleccionadas por nuestro equipo de investigación en base de las necesidades que percibimos durante nuestro proceso de SERUMS. La necesidad de este instrumento surgió debido a que cuestionarios anteriores abordaban solo un aspecto de este perfil^9,10,13. Diseñamos ítems a partir de las "condiciones mínimas para el logro" de cada competencia, entendiendolas como “actuaciones idóneas que el Sistema Nacional de Salud espera de un profesional recien egresado”¹⁵. En ciertos casos, combinamos dos o tres condiciones de logro, dando lugar a un total de 21 ítems. Dos médicos recién graduados del SERUMS revisaron estos ítems para asegurar su relevancia y representatividad, así como su comprensión. Luego de esta evaluación se realizaron modificaciones sobre el fraseo de los ítems.

A pesar de que el perfil de competencias definía dimensiones específicas como (1) atención integral e integrada, (2) sistema de salud y modelo de atención integrada, (3) docencia e investigación, y (4) tecnología e innovación, así como competencias conductuales como (1) ética y profesionalismo, (2) comunicación, (3) liderazgo y (4) trabajo en equipo. Estas no coincidían con nuestra visión ni con la de médicos recién graduados sobre lo que implica ser médico durante el serums. Por ello, optamos por identificar las dimensiones del cuestionario mediante análisis gráfico exploratorio (AGE) y análisis factorial exploratorio (AFE) ¹⁸. Elegimos el AGE dado que investigaciones señalan que métodos convencionales pueden sobreestimar la cantidad de factores^19,20, y que el age presenta menor sesgo ²¹.

Procedimientos

Implementamos una encuesta nacional a través de Google Forms compuesta por seis secciones: consentimiento informado, datos sociodemográficos, detalles del SERUMS, cuestionario de competencias autopercibidas, necesidades formativas y confirmación de envío. Los participantes podían modificar sus respuestas en cualquier momento. Distribuimos la encuesta vía correo electrónico y en grupos de WhatsApp y Telegram asociados al SERUMS, desde el 1 hasta el 28 de mayo de 2023. Para participar, era necesario aceptar el consentimiento informado. Como incentivo, ofrecimos acceso a aplicaciones de preguntas-respuestas. Esta oferta fue opcional y realizamos un sorteo entre los interesados. La encuesta no aleatorizó los ítems, y, por limitaciones de Google Forms, no pudimos determinar el total de visitantes ni las tasas de participación y finalización.

Tras el análisis gráfico exploratorio (AGE) y la identificación de clusters, seis integrantes del equipo: tres médicos recién graduados que ya habían culminado el SERUMS y tres médicos con más experiencia en educación médica y el área asistencial, estos últimos fueron un investigador en educación médica, un decano de facultad de ciencias de la salud con más de 10 años de experiencia en educación médica y un médico con más de 10 años de experiencia en el primer nivel de atención. Mediante discusiones colaborativas, analizamos patrones y temáticas de los ítems asociados a cada cluster para definir las dimensiones. Finalmente, llegamos a un consenso sobre dimensiones que reflejan adecuadamente la terminología estándar en la especialidad.

Análisis de información

El análisis fue guiado por los tutoriales de golino ¹⁹y epskamp ²². Estimamos la estructura de la red usando un modelo de gráfico gaussiano ¹⁷, en el cual los bordes representan el coeficiente de correlación parcial entre dos nodos mientras se condiciona respecto a las otras variables en la red. Usamos el operador de encogimiento y selección de información bayesiana extendida mínima absoluta (ebicglasso) para mitigar el riesgo de identificar asociaciones falsas, que reduce los pesos absolutos a cero. Utilizamos los valores predeterminados del paquete bootnet, con el hiperparámetro gamma establecido en 0.5 para diseñar estos gráficos.

Luego, estimamos los índices de centralidad: fuerza, entreza y cercanía. La fuerza se refiere a que tan directamente un nodo está conectado con otro en la red. La entreza se refiere a cuan importante es un nodo entre el camino de dos nodos. La cercanía cuantifica la relación entre un nodo con otros, por ende, mide el grado del efecto que tendrán los cambios en otros lados de la red sobre un nodo específico ²³. Para calcular la precisión de los índices de centralidad ²², empleamos un bootstrap basado en la eliminación de casos con 2,500 muestras de bootstrap. Además calculamos el coeficiente de estabilidad de correlación usando un cor=0.7, de acuerdo a la literatura, este coeficiente se considera estable si es menor a 0.25, y adecuado si es menor a 0.5 ²⁴.

Luego de asegurarnos de la estabilidad de nuestra muestra con los análisis posteriores, empleamos un análisis gráfico exploratorio (EGA, por sus siglas en inglés) utilizando un operador gráfico de encogimiento y selección mínima absoluta (glasso) para estimar el modelo de red ^19,25. Para evaluar la precisión de nuestra red, aplicamos bootstrap en 2,500 muestras de bootstrap usando ncores=8 y seed=1234. La estabilidad de los ítem se midió usando los análisis anteriores con bootstrap para evaluar la consistencia estructural. Calculamos la carga de la red, que representa la contribución de cada nodo a los clusters, lo cual se asemeja a la relación de los ítems con la dimensión en EFA. Las cargas de la red se categorizan según su magnitud, con clasificación pequeña (0.0 a 0.15), moderada (0.16 a 0.25) y grande (0.26 a 0.35).

Comparamos las cargas de la red con las cargas de los factores identificados en el análisis factorial exploratorio (EFA). Para evaluar la bondad de ajuste y la retención de factores para el EFA, empleamos el residuo cuadrático medio estandarizado (srmr), el índice de tucker lewis (TLI) y la varianza explicada. Consideramos que había bondad de ajuste si estos índices eran srmr <0.08, tli >0.90, y si el modelo de factores explicaba >50% de la varianza ²⁰.

Todos los análisis se realizaron en RStudio (versión 4.1.2) usando los paquetes bootnet ²², eganet ²⁵, psych ²⁶, y q-graph packages ²⁷. El código de rstudio acompañado de la base de datos usadas están disponible como material suplementario. (Nayeli, favor de colocar nota al pie, indicando que contacten al autor de correspondencia si desean consultar el código).

Resultados de la evaluación de estabilidad y precisión

La Figura 1a muestra la estructura de red estimada. Esta red tiene 21 nodos, con solo 103 bordes no nulos de 230 bordes posibles. La Figura 1B muestra los índices de centralidad en la red, de estos el nodo v6 (llevar a cabo acciones para la recuperación de personas con secuelas de daños físicos, mentales o sociales) tiene la mayor fuerza, directividad y cercanía.

Figura 1 Estimación de redes donde los nodos son los ítems y los enlaces la correlación entre dos nodos (1A), mientras que en (1B) se estiman los índices de centralidad: fuerza, entreza y cercanía. 

Figura 1. Estimación de redes donde los nodos son los ítems y los enlaces la correlación entre dos nodos (1A), mientras que en (1B) se estiman los índices de centralidad: fuerza, entreza y cercanía.

En la figura 2A se muestra que las estimaciones de correlación parcial fueron estables, puesto que se encuentran entre el intervalo de confianza al 95% de la media de los 2500 muestras de boostrap. En la figura 2B se muestra la estimación de los índices de centralidad de la red estimada, aquí se muestra que ninguno cae por debajo del 25%, lo cual indica estabilidad. Luego, al evaluar el corstability (cs), identificamos que no fue bueno para la entreza y la cercanía. Mientras que fue adecuado para la fuerza (cs=0.44).

Figura 2 Intervalos de confianza de lo ítems bajo 2,500 muestras de bootstraping (2A), donde el área gris es el intervalo de confianza y la línea roja representa nuestra muestra, (2B) cálculo del índice de precisión de estabilidad basado en la eliminación de casos con 2,500 muestras de bootstrap.  

Figura 2. Intervalos de confianza de lo ítems bajo 2,500 muestras de bootstraping (2A), donde el área gris es el intervalo de confianza y la línea roja representa nuestra muestra, (2B) cálculo del índice de precisión de estabilidad basado en la eliminación de casos con 2,500 muestras de bootstrap.

Análisis gráfico exploratorio

Luego de confirmar la estabilidad de la muestra, usamos el age. En la Figura 3a se muestran los tres clusters identificados. Al realizar 2500 iteraciones con la muestra, identificamos que un modelo de tres clústers fue replicado 899 veces, mientras que un modelo de cuatro clústers 924 veces. En la Figura 3b se muestra la estabilidad de los ítems bajo tres clústers. Los ítems fueron replicados en sus clústers el 32% a 100% de las veces. Usando ambos análisis decidimos retener tres clústers.

Figura 3 Resultados de la dimensionalidad del análisis de gráficos exploratorio con 2500 muestras de bootstrap (3A) y análisis de estabilidad de ítems que muestra el porcentaje de veces que un ítem se replico en una dimensión luego de realizar 2500 remuestros (3B). 

Figura 3. Resultados de la dimensionalidad del análisis de gráficos exploratorio con 2500 muestras de bootstrap (3a) y análisis de estabilidad de ítems que muestra el porcentaje de veces que un ítem se replico en una dimensión luego de realizar 2500 remuestros (3b).

Comparación entre el análisis gráfico exploratorio y el análisis factorial exploratorio

Para corroborar nuestros hallazgos bajo la misma muestra, utilizamos el AFE. La prueba de kaiser-meyer-olkin (kmo=0.91) y la prueba de esfericidad de bartlett (x² = 2131.659, p < 0.001, df = 210), indicaron adecuacia para realizar el AFE. Para evaluar la fiabilidad usamos la prueba de omega de mcdonald (0.94) y el alpha de cronbach (0.93), indicando una buena fiabilidad. Como se muestra en la tabla 2, el EFA de 3 factores se asemeja a los resultados obtenidos en el EGA, explicando el 51% de la varianza. El SRMR de este modelo fue 0.05, y el TLI fue 0.847. Por lo tanto, decidimos mantener 3 factores. Sin embargo, un hallazgo llamativo fue la carga del ítem 14 “implementar el modelo de atención integral de salud (ej. Considerar determinantes sociales, realizar atenciones intra-extramurales)” que aunque tuvo una carga aceptable para pertenecer a la dimensión 3 en el AGE y AFE, fue replicado 38% de veces en el dominio correspondiente. En vista de esos resultados, decidimos retirarlo del dominio. Finalmente, decidimos nombrar a los tres dominios (factores o clústeres): (1) el médico clínico, (2) el médico promotor de salud, y (3) el médico integral, como se muestra en la figura 3a.

Fortalezas y limitaciones

Este estudio presenta una serie de fortalezas, usamos el perfil de competencias esenciales del MINSA como fundamento teórico. Además, el constructo de ser “médico en el servicio rural” fue evaluado por la población objetivo para asegurar una correcta conceptualización. Otras fortaleza de este estudio, es el análisis estadístico, en el cual se han usado nuevas tendencias para identificación de dimensiones como lo es el age, además los resultados fueron similares a métodos tradicionales como el AFE. Además la fiabilidad del C-PISCO fue adecuada.

Sin embargo, como todo estudio - presenta limitaciones. A pesar de realizar el bootstrapping (la técnica de remuestreo) y que nuestro modelo se haya encontrado dentro de los intervalos de confianza al 95%, es posible que estos resultados no sean generalizables en otros contextos como médicos que realizan el serums en essalud u otros empleadores distintos al MINSA.

Interpretación de las dimensiones

A pesar de las discoordancias entre las dimensiones encontradas en el C-PISCO y el perfil esencial del MINSA, en un análisis más profundo podemos encontrar similitudes. Entre el dominio de “atención integral” del MINSA con el “médico clínico”, al igual que el dominio “sistema de salud y modelo de atención integrada” con el “médico promotor de la salud” y finalmente, el dominio “médico integral” del C-PISCO con los dominios “docencia e investigación”, “ética y profesionalismo”, “comunicación”, “liderazgo” y “trabajo en equipo”. Estos hallazgos brindan evidencias de validez no solo a nuestro cuestionario, sino al diseño del perfil de competencias esenciales del MINSA. Sin embargo, esto podría sugerir existe una diferencia marcada en la conceptualización de las “competencias del médico” entre los médicos generales y el equipo de diseño del perfil del MINSA. Esto podría explicarse por la ausencia de representación de esta población al momento de diseñar el perfil, un paso que a futuro podría tenerse en cuenta ²⁸. Aunque llamativo, este problema de infrarrepresentación no es específico de nuestro contexto, dado que menos del 40% de perfiles de competencias involucran a partes interesadas como egresados, pacientes u otros actores no académicos en su diseño ²⁹.

Las dimensiones identificadas fueron consistentes en los métodos de retención, y presentaron buenos índices de ajuste. La dimensión de “médico clínico” se asemeja a roles de otros modelos de competencias como el de ACGME con “cuidado de paciente”³⁰ y CanMEDS con “médico experto”³¹. La dimensión de “médico promotor de la salud” es importante en este contexto, dado que el serums está destinado a “desarrollar actividades preventivo-promocionales en establecimientos de salud” ³². Por otro lado, la dimensión “médico integral”, refleja las competencias no clínicas del médico que para el MINSA, ACGME, CanMEDS son más de solo una ^15,30,31. Esta conceptualización podría reflejar la persistencia del paradigma médico tradicional, donde ser médico solo representaba actividades clínicas ³³.

Implicancias y potenciales usos del C-PISO

En nuestro conocimiento, este es el primer instrumento diseñado para evaluar las competencias auto-percibidas de médicos generales en el serums, y el primero en diseñarse bajo el perfil de competencias esenciales del MINSA. En el mismo sentido, este estudio aporta nuevos métodos para determinar la retención de dimensiones en este tipo de instrumentos, como lo es el análisis gráfico exploratorio, el cual representa una oportunidad para la evaluación en educación médica.

En algunas situaciones los educadores querrán usar este instrumento como parte de evaluación formativa, o interpretarlo como un puntaje total. Debemos advertir que aunque las dimensiones del C-PISCO aparenten la representación de la preparación del médico, estos no deben ser sumados, sino interpretados por separado. Además, en ausencia de un estándar de referencia para cada una de las dimensiones no podemos usar este instrumento para clasificar a un médico como preparado o no preparado para el serums. Por lo tanto, este instrumento podría usarse como herramienta para realizar una evaluación de necesidades antes del inicio del serums ³⁴ o como una fuente de información para evaluar programas de medicina, dado que integra competencias no tan tangibles como las del médico integral y promotor de la salud. Estas últimas, olvidadas en nuestro contexto, para así poder diseñar intervenciones educativas pesonalizadas para distintos grupos de estudiantes.

El desarrollo del C-PISCO representa una oportunidad para los educadores médicos de nuestro país y la región. Dado que demuestra la factibilidad de crear instrumentos para evaluar las competencias de estos modelos, usando como fundamento teórico las condiciones mínimas para el logro. Haciéndolos más específicos para cada contexto, dado que no es lo mismo medir una competencia en dos países con realidades diferentes. La creación de instrumentos específicos para cada país es una necesidad en educación médica, dado que permitirán una evaluación más valida y confiable.

Futuras investigaciones podrían recolectar otras evidencias de validez del C-PISCO como evaluar la correlación entre la dimensión de “médico clínico” con las calificaciones obtenidas en el examen nacional de medicina o el promedio ponderado universitario, dado que estudios previos han demostrado esta asociación ^7,35. También podría asociarse el logro de indicadores en el serums con la dimensión de “médico promotor de la salud” o la satisfacción de pacientes o colegas con la dimensión de “médico integral”. Otras líneas podrían evaluar el comportamiento del C-PISCO en distintos subgrupos como médicos egresados de universidades públicas y privadas, en base del sexo, o por interés en distintas especialidades. Además para corroborar nuestros resultados, futuros estudios deberían usar el C-PISCO en muestras de mayor tamaño.