Servicios de gestión de terapias farmacológicas basado en análisis de redes sociales

Construcción de un sistema de indicadores de redes de intercambio de conocimiento para equipos de capacitación de servicios de gestión de terapias farmacológicas basado en análisis de redes sociales.

por Rui Tong, Wenpu Lei, Simin Yan, Qiuhui Wu, Yayao, Rey Jian, Xi’an Yang, Weihong Ge y Zhang Jinping | Educación médica de BMC volumen 24 , Número de artículo:  1100 ( 2024 )

Contenido

Abstract

Fondo

Basado en la perspectiva de la teoría de redes sociales, este estudio exploró el sistema de indicadores de red que facilitó el efecto óptimo de compartir conocimientos en los equipos de capacitación de los Servicios de Gestión de Terapia con Medicamentos (MTMS). El objetivo fue proporcionar una referencia para optimizar la capacitación de MTMS y mejorar la calidad de la capacitación.

Métodos

Mediante el uso de un análisis de redes sociales combinado con una encuesta por cuestionario, se construyó una matriz de intercambio de conocimientos para los equipos de capacitación de MTMS. El comportamiento de intercambio de conocimientos se evaluó desde tres perspectivas: redes individuales, redes completas y subgrupos cohesivos.

Resultados

El análisis de redes individuales mostró que el efecto de compartir conocimientos dentro del equipo de capacitación alcanzó su pico cuando la centralidad de grado de salida fue ≥ 3,5, la centralidad de grado de entrada fue ≥ 2,5, la centralidad de vector propio fue ≥ 0,065 y la centralidad de proximidad fue ≥ 7,86. El análisis de red completa indicó que el efecto óptimo de compartir conocimientos ocurrió cuando la densidad de red del equipo de capacitación fue superior a 0,0343 y el tamaño de la capacitación fue inferior a 117 participantes. El análisis de subgrupos de cohesión demostró que el intercambio de conocimientos fue más eficaz cuando los miembros con años de trabajo similares participaron en la capacitación juntos.

Conclusiones

El sistema de indicadores de intercambio de conocimientos desarrollado para los equipos de capacitación de MTMS, basado en el análisis de redes sociales, puede ayudar a optimizar el modelo de capacitación de MTMS y mejorar la eficacia de la capacitación.

Introducción

En los últimos años, el rápido envejecimiento de la población china ha provocado un aumento significativo de la incidencia de enfermedades crónicas. Según las estadísticas de la Comisión Nacional de Salud, a finales de 2018, había más de 190 millones de personas mayores en China que padecían enfermedades crónicas, y la carga de morbilidad asociada a estas afecciones superaba el 70% [ 1 ]. Esta tendencia no solo ha puesto en peligro la salud individual, sino que también ha impuesto nuevas demandas a todo el sistema de atención sanitaria. En 2017, las políticas nacionales exigieron que los hospitales secundarios y de nivel superior alcanzaran una cobertura del 100% de los servicios farmacéuticos. Se ordenó a los farmacéuticos clínicos que proporcionaran a los pacientes servicios de orientación sobre medicamentos personalizados y racionales. Las políticas han promovido la creciente importancia de los farmacéuticos en los equipos de atención sanitaria.

En la actualidad, el campo de la farmacia clínica en China está pasando de estar centrado en los medicamentos a estar centrado en el paciente [ 2 , 3 , 4 ]. En respuesta a este cambio, un número cada vez mayor de farmacéuticos clínicos se están centrando en la formación en el Servicio de Gestión de Terapia con Medicamentos (MTMS) [ 5 , 6 , 7 ]. La participación en la formación MTMS se considera una vía crucial para mejorar las capacidades del servicio farmacéutico [ 8 ]. En marzo de 2017, la Universidad Farmacéutica de China y el Hospital de la Torre del Tambor de Nanjing emprendieron conjuntamente un programa de formación sobre MTMS. A pesar de la iniciativa, todavía había algunos problemas que afectaban gravemente a la eficacia y la calidad de la formación. En particular, la insuficiente compartición de contenidos de formación entre los participantes era una preocupación importante.

El intercambio de conocimientos se refiere al proceso en el que los individuos u organizaciones comparten su propio conocimiento, incluyendo información, habilidades y experiencias, con otros [ 9 , 10 ]. La investigación sobre la gestión del conocimiento ha demostrado que el intercambio y la transmisión de conocimientos dentro de una organización depende en gran medida de las redes de relaciones sociales dentro de la organización [ 11 ]. En este contexto, el análisis de redes sociales se ha utilizado ampliamente como una poderosa metodología de investigación [ 12 ]. Wiemken empleó el análisis de redes sociales para evaluar la red de intercambio de conocimientos entre los prevencionistas de infecciones en los hospitales de Kentucky. Los resultados revelaron que la red de intercambio de conocimientos con baja densidad de red y menos comunicación, lo que socavó el intercambio de conocimientos efectivo [ 13 ]. De manera similar, Kate Sabot utilizó herramientas estructuradas para ingresar, analizar y visualizar datos de entrevistas de 160 empleados en ocho unidades de atención médica primaria. Su análisis obtuvo datos detallados sobre los elementos de la red y propuso métodos efectivos para promover el intercambio de información dentro de la red [ 14 ].

Sin embargo, la investigación existente se ha centrado principalmente en el cálculo de indicadores de redes sociales [ 15 ], con una exploración sistemática limitada de la relación entre estos indicadores y la efectividad real del intercambio de conocimientos. Para abordar esta brecha, este estudio empleó métodos de análisis de redes sociales para evaluar las organizaciones de capacitación de MTMS. Al cuantificar los indicadores de redes sociales, el estudio evaluó aún más su relación con la efectividad del intercambio de conocimientos, construyendo un sistema de evaluación de tres niveles para los equipos de capacitación de MTMS. Este sistema abarcó la red individual, la red completa y el subgrupo cohesivo, proporcionando una base para mejorar y optimizar los esfuerzos de capacitación futuros.

Materiales y métodos

Participantes

El equipo de capacitación de la Fase V del MTMS estuvo compuesto por 133 personas, incluidos 110 estudiantes (S1 a S110) y 23 docentes (T1 a T23). Los participantes provenían de varios hospitales de todo el país y la mayoría de ellos no se conocían entre sí y carecían de interacciones previas y experiencias de colaboración.

Diseño de cuestionario

Recopilamos los datos necesarios para la investigación mediante una encuesta. La encuesta constaba de dos partes principales ( Apéndice ). El cuestionario A recogía información demográfica básica sobre los participantes de la capacitación, incluidos género, edad, años de experiencia laboral y puesto de trabajo. El cuestionario B se centraba en el intercambio de conocimientos entre los participantes durante el proceso de capacitación. Esta parte incluía cinco preguntas, y las tres primeras estaban diseñadas para registrar y analizar el comportamiento de intercambio de conocimientos:

  1. Durante el proceso de formación, cuando encuentras problemas o dificultades en tu aprendizaje y necesitas ayuda, ¿a qué profesores o compañeros consultarías para pedir ayuda?
  2. Durante el proceso de formación, después de buscar ayuda, ¿qué profesores o compañeros te han ayudado?
  3. ¿A qué preguntas entre tus compañeros has respondido voluntariamente durante el proceso de formación?

Las dos preguntas restantes se diseñaron para recopilar evaluaciones y preferencias con respecto a las interacciones entre profesores y estudiantes, así como entre pares dentro del programa de capacitación. Estas preguntas ayudaron a los educadores a obtener una comprensión integral del desempeño diario y los niveles académicos de los estudiantes, lo que proporcionó información adicional para evaluar la calidad y la eficacia de la capacitación. Sin embargo, dado que estas preguntas no estaban directamente relacionadas con el tema central de este estudio, no se discutieron ni analizaron en detalle en este manuscrito.

Construcción de redes

Una red social se refiere a una colección de actores sociales y sus relaciones. Estructuralmente, se compone de nodos (que representan a los actores) y bordes (que representan las relaciones entre estos actores). En el equipo de capacitación de MTMS, cada persona funcionó como proveedor y receptor de conocimiento. El intercambio de conocimiento se produjo a través de consultas e interacciones entre los miembros del equipo. Se construyó una matriz de relaciones de red para el equipo de capacitación de MTMS con base en los resultados del cuestionario de la encuesta. Las filas y columnas de la matriz representaban a todos los estudiantes y maestros en el equipo de capacitación, respectivamente. Los elementos dentro de la matriz indicaban si existían comportamientos de intercambio de conocimiento entre los miembros. Por ejemplo, si el miembro i buscaba ayuda del miembro j cuando encontraba dificultades, la posición (i, j) en la matriz se marcaba como 1; si no se producía intercambio de conocimiento entre dos miembros, se marcaba como 0. A través de la matriz, la relación entre los nodos se puede analizar más a fondo, lo que puede conducir a una comprensión profunda de la red individual, la red completa y las características del subgrupo cohesivo de la red social.

Criterios para evaluar la eficacia del intercambio de conocimientos

Analizamos la eficacia del intercambio de conocimientos dentro del equipo de formación de MTMS utilizando la teoría de núcleo-periferia. Los miembros del equipo se clasificaron en dos grupos: “buena eficacia de intercambio de conocimientos (Grupo A)” y “baja eficacia de intercambio de conocimientos (Grupo B)”.

La teoría de núcleo-periferia, propuesta originalmente por el geógrafo estadounidense John Friedmann para explicar los patrones de evolución espacial en las regiones, desde entonces se ha aplicado ampliamente en varios campos. Esta teoría puede dividir los nodos de la red en áreas centrales y periféricas en función de la proximidad de las conexiones de los nodos. En una red, las regiones centrales exhiben conexiones densas [ 16 ], mientras que las regiones periféricas tienen conexiones dispersas [ 17 , 18 ]. Los nodos centrales ocupan una posición más importante en la red y juegan un papel significativo en las actividades de intercambio de conocimientos. En contraste, los nodos periféricos suelen tener conexiones débiles con otros miembros y tienen baja influencia y participación en la red de intercambio de conocimientos. Stewart SA analizó los comportamientos de intercambio de conocimientos de los miembros en foros clínicos en línea y descubrió que el análisis de núcleo-periferia puede identificar eficazmente a los miembros centrales en las redes sociales. Además, estos miembros centrales dominaban las actividades de intercambio de conocimientos [ 19 ].

Por lo tanto, en este estudio, se consideró que los miembros del área central tenían un mejor intercambio de conocimientos y se categorizaron como Grupo A. Se consideró que los miembros del área periférica tenían un peor intercambio de conocimientos y se categorizaron como Grupo B.

Diseño de investigación

Este estudio recopiló datos sobre los comportamientos de intercambio de conocimientos dentro del programa de capacitación a través de encuestas de cuestionario, lo que condujo al establecimiento de la red de relaciones sociales correspondiente. Luego de la construcción de esta red, se empleó el análisis de la curva ROC (Receiver Operating Characteristic) para examinar la relación entre los indicadores de red individuales y la efectividad del intercambio de conocimientos, así como para determinar el umbral óptimo para estos indicadores. Después de identificar los indicadores de red individuales óptimos, la investigación optimizó la densidad y la escala de toda la red. Finalmente, se utilizaron modelos de subgrupos cohesivos para identificar grupos estrechamente conectados dentro de la red social. El análisis se centró en la relación entre las características de los miembros de cada subgrupo cohesivo y la efectividad del intercambio de conocimientos, proporcionando una base teórica para la estrategia de agrupamiento en el programa de capacitación.

Finalmente, se desarrolló un sistema de indicadores de evaluación de la red de intercambio de conocimientos para el equipo de capacitación del MTMS con el fin de mejorar aún más la calidad de la capacitación (Fig. 1 ).

Figura 1
Figura 1

Métodos estadísticos

La matriz de relaciones de la red de entrenamiento MTMS se estableció con base en los resultados de la encuesta. El análisis de núcleo-periferia, los indicadores de red individuales, la densidad de la red total y la identificación de subgrupos cohesivos se calcularon utilizando el software UCINET 6.0.

Las variables continuas se expresaron como mediana (rango intercuartil). Las variables discretas se expresaron como n (%). Se utilizó la prueba U de Mann-Whitney para evaluar las diferencias en los indicadores de red individuales entre grupos con distinta eficacia en el intercambio de conocimientos. Se emplearon la prueba exacta de Fisher y la prueba H de Kruskal-Wallis para examinar las diferencias en género, puesto de trabajo y años de experiencia laboral entre subgrupos cohesionados. Los análisis estadísticos se realizaron utilizando el software IBM SPSS Statistics versión 22.0. Un valor de p < 0,05 se consideró estadísticamente significativo.

Se utilizó el software GraphPad Prism 9.5 para trazar curvas ROC con el fin de investigar la asociación entre los indicadores de red individuales y la eficacia del intercambio de conocimientos. Se consideró que un efecto diagnóstico era mejor cuando el área bajo la curva (AUC) era > 0,7; cuanto más cerca estaba el AUC de 1, mayor era el valor diagnóstico. El umbral óptimo se identificó en función del índice de Youden máximo (índice de Youden = sensibilidad + especificidad – 1).

Resultados

Resultados de la visualización de redes

El diagrama de relaciones de intercambio de conocimiento en la red de entrenamiento se generó utilizando el software Netdraw (Fig.  2 ). En este diagrama, cada nodo circular representaba un miembro, y las líneas dirigidas entre los nodos indicaban relaciones de consulta. Los nodos señalados por flechas significaban que eran los destinatarios de la consulta. Se puede observar que los miembros en el centro estaban conectados a más nodos, mientras que los miembros en la periferia estaban conectados a menos nodos. Además, diez nodos en la red no tenían ninguna conexión y se denominaron nodos completamente aislados.

Figura 2
Figura 2

Análisis de indicadores individuales de la red

Agrupamiento de eficacia en el intercambio de conocimientos

El análisis reveló 50 miembros en el área central (Grupo A) y 83 miembros en el área periférica (Grupo B). Hubo una diferencia significativa ( P  < 0,01) en los indicadores de red individuales entre los dos grupos, como se muestra en la Tabla  1 .

Tabla 1 Análisis de centralidad de la red

From: Construction of knowledge sharing network indicator system for medication therapy management service training teams based on social network analysis

ProjectOut-degree centralityIn-degree centralityBetweenness centralityCloseness centralityEigenvector centrality
Group A4.00(1.00, 6.25)3.00(1.00, 6.25)85.42(0.00, 398.04)8.029 (7.90, 8.13)0.10(0.06, 0.13)
Group  B2.00(0.00, 3.00)1.00(0.00, 2.00)0.00(0.00, 73.33)7.774 (7.56, 7.91)0.04(0.01, 0.06)
Z-3.954-5.081-2.607-6.952-7.427
P0.0000.0000.0090.0000.000

Las medidas de centralidad evaluaron la importancia de los nodos desde varias perspectivas. En teoría, los nodos con valores altos de centralidad de grado, centralidad de intermediación, centralidad de cercanía y centralidad de vector propio tienen una influencia más significativa y ocupan posiciones ventajosas. Es probable que dichos nodos adquieran nuevos conocimientos antes y faciliten un intercambio de conocimientos más eficaz [ 19 , 20 , 21 ].

Los resultados mostraron que la centralidad de grado, la centralidad de intermediación, la centralidad de cercanía y la centralidad de vector propio en el Grupo A fueron mayores que en el Grupo B, lo que indicó que los miembros del Grupo A ocupaban las posiciones centrales en la red, lo que conducía a un intercambio de conocimiento más frecuente y una circulación de conocimiento más rápida.

Valor umbral óptimo

Las curvas ROC se trazaron utilizando indicadores de red individuales como medidas de diagnóstico y la variable binaria de la eficacia del intercambio de conocimientos entre los miembros como medidas de resultado (Fig.  3 ). Los umbrales óptimos, el AUC, el índice de Youden, la sensibilidad y la especificidad correspondientes a cada indicador se muestran en la Tabla  2 .

Figura 3
Figura 3

Tabla 2 Valores umbral óptimos para indicadores de red individuales

From: Construction of knowledge sharing network indicator system for medication therapy management service training teams based on social network analysis

Grouping criteriaDiagnostic indicatorsThresholdAUCYouden’s IndexSensitivitySpecificity
Core-peripheryOut-degree centrality ≥ 3.50.70230.38310.78310.6000
In-degree centrality ≥ 2.50.75730.47160.89160.5800
Betweenness centrality–0.6275–––
Closeness centrality ≥ 7.8600.86050.54650.62650.9200
Eigenvector centrality ≥ 0.0650.88370.56340.84340.7200

El estudio encontró que para los individuos, cuando la centralidad de grado de salida era ≥ 3,5, la centralidad de grado de entrada era ≥ 2,5, la centralidad de vector propio era ≥ 0,065 y la centralidad de cercanía era ≥ 7,86, la eficacia del intercambio de conocimientos de los miembros era ejemplar.

Análisis de rendimiento

El estudio investigó la asociación entre la efectividad del intercambio de conocimientos y el rendimiento académico de los miembros. El análisis diferencial reveló que el rendimiento de los miembros del Grupo A fue de 99,39 (95,23, 100,00), mientras que los miembros del Grupo B tuvieron un rendimiento de 95,53 (84,70, 99,28). La diferencia de rendimiento entre los dos grupos fue significativa ( P  < 0,05), lo que indica que los miembros con mayor rendimiento académico tuvieron una mejor efectividad en el intercambio de conocimientos. Utilizando el rendimiento académico como medida diagnóstica para evaluar la efectividad del intercambio de conocimientos entre los miembros, los resultados indicaron que el rendimiento académico demostró un buen valor diagnóstico para la efectividad del intercambio de conocimientos de los miembros (AUC > 0,7). Específicamente, los miembros cuyo rendimiento académico superó el 95,47 demostraron una efectividad suficiente en el intercambio de conocimientos.

Análisis de indicadores de toda la red

Los indicadores de red en su conjunto incluyeron la densidad de la red, el tamaño de la red y la centralización de la red [ 22 ]. Este estudio exploró el intercambio de conocimientos dentro del equipo de capacitación desde las perspectivas de la densidad de la red y el tamaño de la red, con el objetivo de mejorar la eficacia del intercambio de conocimientos dentro del equipo de capacitación mediante la optimización de estos indicadores.

Densidad de red

La densidad de la red se definió como la relación entre el número total de relaciones existentes y el número máximo teórico de relaciones. Para garantizar que las conductas de intercambio de conocimientos se materializaran plenamente dentro del equipo de capacitación, la centralidad de grado de salida de cada miembro debería alcanzar el umbral óptimo, lo que significa que cada miembro debe participar en conductas de intercambio de conocimientos con al menos cuatro personas. La distribución de la centralidad de grado de salida dentro de la red de capacitación, junto con la densidad de la red, se presentó en la Tabla  3 .

Tabla 3 Distribución estadística de la centralidad de grado de salida en el equipo de entrenamiento

From: Construction of knowledge sharing network indicator system for medication therapy management service training teams based on social network analysis

ConditionOut-degree centralityNetworkdensity
012345678910
Actual networkNumber32152612199855110.0208
Ideal networkNumber––––1049855110.0343

Tamaño de la red

Los cálculos indicaron que para lograr una eficacia óptima en el intercambio de conocimientos dentro del equipo de capacitación, la densidad total de la red debe ser de al menos 0,0343, con un tamaño máximo de capacitación de 117 participantes.

Análisis de subgrupos de cohesión

Muchas redes sociales presentan la característica de “homofilia”, donde las organizaciones tienden a establecer relaciones con otras que son similares a ellas [ 23 ]. Este estudio tuvo como objetivo investigar cómo las características individuales (género, título profesional, años de experiencia laboral) influyen en la formación de subgrupos de cohesión y las relaciones de intercambio de conocimientos dentro de estos grupos. Además, el estudio buscó determinar la correlación entre los efectos de intercambio de conocimientos y la similitud entre los miembros del grupo, proporcionando una base teórica para la fase posterior de subgrupos de capacitación pedagógica.

Análisis de modelos de bloques

Los miembros del entrenamiento de la Fase V del MTMS se dividieron en ocho grupos utilizando el método de convergencia de correlación iterada (CONCOR), y la matriz de densidad se mostró en la Tabla  4. Cuando la densidad de un subgrupo cohesivo fue mayor que la densidad de toda la red, indicó que los nodos dentro del subgrupo cohesivo estaban bien conectados y exhibieron altos niveles de intercambio de conocimientos. Las características de asociación entre los grupos se ilustraron utilizando el software Netdraw, como se muestra en la Figura  4. Cada nodo circular representa un grupo y las líneas indican conexiones cercanas entre dos grupos.

Tabla 4 Matriz de densidad de modelos de subgrupos cohesivos

From: Construction of knowledge sharing network indicator system for medication therapy management service training teams based on social network analysis

Groups (number)12345678
1 (24)0.0110.00300.010.0040.0030.0020
2 (14)00.077000.0040.0090.0180.014
3 (10)00000000
4 (4)0.05200000.0160.0100
5 (20)0.0830.01100.0130.0160.0190.0170.007
6 (16)0.1560.027000.0310.0130.0160.009
7 (24)0.0890.036000.0080.0160.0220.012
8 (21)0.0850.044000.0070.0150.0140.007
  1. Each element in the matrix represents the connection density between two subgroups, defined as the ratio of the actual number of connections to the maximum possible connections

En este estudio se observó que cada nodo de los grupos 1, 2, 5, 6, 7 y 8 tenía al menos dos conexiones, lo que indica que la comunicación y el intercambio de conocimientos eran más frecuentes y sustanciales entre estos seis grupos. La densidad interna del grupo 2 y el grupo 7 era mayor que la densidad de la red en su conjunto, lo que sugiere mejores efectos de intercambio dentro de estos grupos. Por el contrario, el grupo 3 y el grupo 4 tenían una densidad interna de 0 y una comunicación limitada con otros grupos, lo que indica una eficacia deficiente del intercambio de conocimientos.

figura 4
Figura 4

Análisis de la composición de los miembros del grupo

Como el grupo 3 estaba completamente aislado y el grupo 4 tenía solo un borde dirigido, lo que dio como resultado una densidad de red de 0 para ambos grupos, se consideró que estos dos grupos eran menos eficaces en el intercambio de conocimientos. En consecuencia, se fusionaron en el estudio de caracterización individual.

El género y el título profesional entre los grupos se probaron mediante la prueba exacta de Fisher, mientras que los años de experiencia laboral se probaron mediante la prueba H de Kruskal-Wallis. Sin embargo, ninguna de las diferencias fue estadísticamente significativa ( P  > 0,05), como se muestra en las Tablas 5  ~  6 .

Tabla 5 Comparación de género y títulos profesionales entre los miembros de los grupos

From: Construction of knowledge sharing network indicator system for medication therapy management service training teams based on social network analysis

Project1n (%)2n (%)3&4n (%)5n (%)6n (%)7n (%)8n (%)P
GenderMale12 (50.0)4 (28.6)5 (35.7)4 (20.0)3 (18.8)6 (25.0)4 (19.0)0.258
Female12 (50.0)10 (71.4)9 (64.3)16 (80.0)13 (81.2)18 (75.0)17 (81.0)
Professional titleSenior7 (29.2)7 (50.0)8 (57.1)5 (25.0)8 (50.0)6 (25.0)7 (36.1)0.229
Intermediate16 (66.7)6 (42.9)5 (35.7)9 (45.0)6 (37.5)16 (66.7)12 (52.6)
Junior1 (4.2)1 (7.1)1 (7.1)6 (30.0)2 (12.5)2 (8.3)2 (11.3)

Tabla 6 Comparación de años de experiencia laboral entre los miembros de los grupos

From: Construction of knowledge sharing network indicator system for medication therapy management service training teams based on social network analysis

GroupNumberYears of working experienceχ2p
AverageStandard deviation
12412.549.097.6340.266
21411.505.14  
3&41417.079.72  
5209.354.75  
61614.197.87  
72411.136.08  
82113.147.12  

Discusión

Análisis y significado de los indicadores de redes sociales

Red individual

Para establecer estándares de referencia para los indicadores de red individuales de los miembros del equipo de capacitación MTMS, se trazó una curva ROC para predecir la efectividad del intercambio de conocimientos en función de los indicadores de red, y se calcularon sus valores AUC. El estudio encontró que cuando se utilizó el análisis de núcleo-periferia para juzgar la efectividad del intercambio de conocimientos, la centralidad de grado de salida, la centralidad de grado de entrada, la centralidad de proximidad y la centralidad de vector propio demostraron un valor diagnóstico superior. Aunque hubo una diferencia significativa en la centralidad de intermediación entre el Grupo A y el Grupo B, no se puede utilizar como un indicador predictivo de la efectividad del intercambio de conocimientos entre los miembros. Las posibles explicaciones son las siguientes.

La centralidad de intermediación mide la importancia de un nodo en una red evaluando su papel como ruta de conexión [ 24 ]. En general, los nodos ubicados en áreas centrales exhiben una centralidad de intermediación más alta. Sin embargo, en la red de entrenamiento MTMS, se encontró que algunos nodos ubicados en el área central, aunque recibían muchas consultas de otros nodos, no cumplían por sí mismos el papel de transferir información de un nodo a otro. En otras palabras, a pesar de que muchos otros nodos apuntaban hacia ellos, estos nodos no actuaban como intermediarios significativos para la transferencia de información dentro de la red, lo que resultaba en una centralidad de intermediación más baja. Este patrón de comportamiento reveló posibles cuellos de botella en el intercambio de conocimientos dentro de la red y planteó nuevos desafíos y requisitos para nuestros programas de entrenamiento.

La red de entrenamiento MTMS contenía diez nodos aislados sin ninguna conexión (nodos completamente aislados). Calcular la centralidad de cercanía en tales casos presentó desafíos únicos. La centralidad de cercanía mide típicamente la inversa de la longitud de ruta más corta promedio desde un nodo a todos los demás nodos [ 25 ]. Si la suma de las longitudes de ruta más cortas desde un nodo a otros nodos es excepcionalmente grande, su centralidad de cercanía se vuelve muy pequeña, acercándose a cero. En el caso extremo, si un nodo no puede alcanzar a ningún otro nodo, el cálculo da como resultado una distancia infinita, lo que hace que la medida de centralidad de cercanía sea inválida. Por lo tanto, en este estudio, su centralidad de cercanía se definió como 0.

El estudio tiene como objetivo establecer un sistema de indicadores de evaluación integral para juzgar la eficacia del intercambio de conocimientos entre los miembros desde diferentes perspectivas. Aunque la existencia de nodos completamente aislados introdujo cierta interferencia en los resultados de la investigación, se mantuvo la centralidad de proximidad como un indicador predictivo para evaluar la eficacia del intercambio de conocimientos entre los miembros. Este enfoque permitió una evaluación exhaustiva de la influencia y el impacto del intercambio de conocimientos de cada nodo en la red. Además, se utilizaron otros indicadores como la centralidad de grado, la centralidad de intermediación y la centralidad de vector propio para proporcionar una perspectiva multidimensional.

Análisis de toda la red

La densidad de la red se utilizó para caracterizar el grado de interconexiones entre los nodos dentro de una red [ 26 ]. Una mayor densidad indicó relaciones más cercanas entre los miembros, lo que a su vez mejoró la eficacia del intercambio de conocimientos dentro del equipo de capacitación. El tamaño de la red se refiere al número total de participantes en el equipo de capacitación. Dado que cada actor tiene recursos y capacidades limitados para establecer y mantener relaciones, el tamaño de la red fue crucial para la estructura de las relaciones sociales [ 21 ]. Un tamaño apropiado puede mejorar la eficacia del intercambio de conocimientos dentro del equipo de capacitación.

Actualmente, 85 miembros del equipo de capacitación no alcanzaron el umbral óptimo para los valores de centralidad de grado de salida, lo que indica que la mayoría de los miembros carecían de comunicación proactiva. La falta de comportamiento de intercambio individual afectaría a la densidad de toda la red. Aunque la densidad de red de la Fase V (0,0208) ya era mayor que la de la Fase IV (0,0202), aún no había alcanzado el estándar óptimo de intercambio.

Análisis de subgrupos de cohesión

Debido a la gran cantidad de participantes en el programa de capacitación, los miembros se dividieron inicialmente en diferentes grupos para garantizar la enseñanza interactiva y la calidad de la enseñanza. Las investigaciones han demostrado que el aprendizaje en grupo contribuye a mejorar el rendimiento académico, las habilidades de comunicación y los resultados clínicos, al tiempo que mejora el compromiso, la motivación y la satisfacción de los estudiantes [ 27 , 28 ]. En capacitaciones anteriores de MTMS, esta agrupación era aleatoria, y la investigación tiene como objetivo encontrar un método de agrupación más racional para promover el intercambio de conocimientos entre los miembros dentro del grupo [ 10 ].

En el análisis de redes sociales, cuando las relaciones entre nodos específicos son tan estrechas que forman un subgrupo, dichos grupos se denominan subgrupos cohesivos [ 29 ]. El estudio analizó la composición de los miembros dentro de los subgrupos cohesivos, con el objetivo de descubrir la relación entre la eficacia del intercambio de conocimientos y los puntos en común entre los miembros del grupo, proporcionando así una base teórica para la agrupación en la siguiente fase de enseñanza y formación. Desafortunadamente, no hubo diferencias significativas en cuanto a género, títulos profesionales o años de experiencia entre los subgrupos.

Aunque la distribución general de los años de experiencia laboral no difirió significativamente entre los grupos, los grupos 3 y 4 tuvieron un promedio de años de experiencia laboral notablemente más alto en comparación con los otros seis grupos. Por el contrario, los grupos 2 y 7 tuvieron un promedio de años de experiencia laboral más bajo con desviaciones estándar más pequeñas. Esto puede atribuirse a las siguientes razones: (1) los miembros con más años de experiencia laboral tuvieron peores efectos de intercambio; (2) los miembros con años de experiencia laboral similares tenían más probabilidades de formar un grupo espontáneamente, lo que resultó en un mejor intercambio de conocimientos dentro del equipo.

Los miembros con años de experiencia similares tenían más probabilidades de establecer conexiones, lo que puede haber estado relacionado con los beneficios sociales y psicológicos proporcionados por la tutoría entre pares [ 30 ] y el desarrollo profesional [ 31 ]. A menudo enfrentaron desafíos y necesidades comunes [ 32 , 33 , 34 ], y esta similitud puede haber facilitado sus interacciones [ 23 ]. Por lo tanto, en futuras sesiones de capacitación, los años de experiencia podrían considerarse como un criterio para agrupar a los participantes.

Sugerencias para optimizar los efectos del intercambio de conocimientos en el equipo de capacitación de MTMS

Con base en los resultados de la investigación, se identificaron tres direcciones principales para optimizar el equipo de capacitación MTMS en el futuro:

  1. Nivel individual: actualmente, solo el 36% de los miembros del equipo de capacitación tenían una centralidad de grado de salida ≥ 3,5, el 29% tenían una centralidad de grado de entrada ≥ 2,5, el 37% tenían una centralidad de vector propio ≥ 0,065 y el 58% tenían una centralidad de proximidad ≥ 7,86. Estas cifras indicaban que las conductas de intercambio de conocimientos no eran suficientes. En el futuro, el equipo de capacitación debería centrarse en mejorar y reforzar la educación mutua entre los miembros de la capacitación.
  2. Nivel de red completo: el número real de miembros en la fase V del equipo de capacitación fue de 133, pero el número ideal debería controlarse dentro de los 117. Reducir el número de miembros de manera adecuada puede facilitar el intercambio de conocimientos dentro del equipo de capacitación y mejorar la densidad de la red.
  3. Nivel de subgrupo cohesivo: dividir a los miembros con años de experiencia similares en el mismo grupo puede facilitar el intercambio de conocimientos dentro de los grupos. Además, se observó que los miembros con más años de experiencia laboral tienden a mostrar menores efectos de intercambio de conocimientos.

Este estudio empleó el análisis de redes sociales para evaluar el impacto del intercambio de conocimientos en el equipo de capacitación de MTMS desde tres perspectivas: análisis individual, análisis completo y análisis de subgrupos cohesivos, como se detalla en la Tabla  7 .

Tabla 7 Indicadores de evaluación de la eficacia del intercambio de conocimientos de los equipos de capacitación del MTMS

From: Construction of knowledge sharing network indicator system for medication therapy management service training teams based on social network analysis

Primary indicatorsSecondary indicatorsSpecific data
Individual network indicatorsOut-degree centralityOut-degree centrality ≥ 3.5
In-degree centralityIn-degree centrality ≥ 2.5
Betweenness centrality——
Closeness centralityCloseness centrality ≥ 7.86
Eigenvector centralityEigenvector centrality ≥ 0.065
Whole network indicatorsNetwork densityWhole network density ≥ 0.0343
Network sizeNetwork size ≤ 117
Cohesive subgroup analysisMember years of working experienceMembers with lower years of working experience tend to have better knowledge sharing effectiveness
Composition of members within the groupWhen students with similar years of working experience are grouped together, they exhibit better knowledge sharing effectiveness within the group

Limitación

El cuestionario de intercambio de conocimientos se distribuyó únicamente a los estudiantes, lo que podría provocar la omisión de ciertos aspectos de la red real, lo que podría afectar el análisis integral de la red de intercambio de conocimientos. Las investigaciones futuras apuntarán a perfeccionar el diseño del cuestionario para abordar esta limitación y garantizar una representación más completa de la red.

Conclusión

La formación estandarizada para farmacéuticos clínicos se está implementando gradualmente en todo el mundo [ 35 , 36 , 37 ], y la evaluación de la formación de farmacéuticos clínicos promueve aún más su educación continua y desarrollo profesional [ 38 ]. Este estudio evaluó la efectividad del intercambio de conocimientos dentro de los equipos de capacitación de MTMS desde la perspectiva del análisis de redes sociales, centrándose en la red individual, la red completa y los subgrupos cohesivos, y propone medidas de mejora. Se espera que este estudio pueda proporcionar una nueva perspectiva a la investigación sobre el intercambio de conocimientos y proporcionar apoyo empírico para la gestión del conocimiento y la capacitación educativa en la práctica.

Disponibilidad de datos y materiales

Los conjuntos de datos generados en el estudio actual están disponibles a través del autor correspondiente si se realiza una solicitud razonable.

Disponibilidad de datos

No se generaron ni analizaron conjuntos de datos durante el estudio actual.

Abreviaturas

  • MTMS: Medication Therapy Management Services
  • ROC: Receiver Operating Characteristic
  • AUC: Area Under Curve
  • CONCOR: Convergence of iterated correlation

Referencias

  1. El Consejo de Estado de la República Popular China. https://www.gov.cn/ . Consultado el 22 de agosto de 2024.
  2. Li J, Zhang CZ, Chen QX, et al. Investigación sobre las demandas y la evaluación del personal médico y los pacientes hacia los farmacéuticos clínicos en 56 hospitales de tercer grado de clase A de 17 provincias (regiones, ciudades). China Pharm. 2018;29(08):1136–9. https://doi.org/10.6039/j.issn.1001-0408.2018.08.28 .Artículo Google Académico 
  3. Ryan M, Shao H, Yang L, et al. Educación en farmacia clínica en China. Am J Pharm Educ. 2008;72(6):129.  https://doi.org/10.5688/aj7206129 .Artículo Google Académico 
  4. Hu M, Yee G, Zhou N, et al. Desarrollo y estado actual de la educación en farmacia clínica en China. Am J Pharm Educ. 2014;78(8):157.  https://doi.org/10.5688/ajpe788157 .Artículo Google Académico 
  5. Wang K, Hou KX, Yan SY. Situación actual de la gestión de la terapia farmacológica en el país y en el extranjero. China Pharm. 2018;29(05):580–6. https://doi.org/10.6039/j.issn.1001-0408.2018.05.02 .Artículo Google Académico 
  6. Jia X, Zhang W, Si FY, et al. Estudio cualitativo sobre los problemas y las posibles estrategias de solución para el trabajo de servicios clínicos de farmacéuticos clínicos a tiempo parcial en un hospital terciario en China. BMJ Open. 2024;14(6):e083956.  https://doi.org/10.1136/bmjopen-2024-083956 .Artículo Google Académico 
  7. Guo X, Yao D, Liu J, et al. El estado actual de la prestación de atención farmacéutica en hospitales terciarios: resultados de una encuesta transversal en China. BMC Health Serv Res. 2020;20(1):518. https://doi.org/10.1186/s12913-020-05371-7 .Artículo Google Académico 
  8. Xu P, Hu YY, Yuan HY, et al. El impacto de un programa de capacitación para farmacéuticos clínicos en los servicios clínicos de farmacia en un hospital terciario en Hunan, China. J Multidiscip Healthc. 2019;12:975–80. https://doi.org/10.2147/JMDH.S228537 .Artículo Google Académico 
  9. Zeng Z, Deng Q, Liu W. Intercambio de conocimientos sobre tecnología sanitaria entre médicos en un sistema de atención integrado: el papel de las redes sociales. Front Psychol. 2022;13:926736.  https://doi.org/10.3389/fpsyg.2022.926736 .Artículo Google Académico 
  10. Lee S, Byun G, Kim S. Efectos del comportamiento de ayuda de los compañeros de trabajo en el intercambio de conocimientos y la creatividad de los empleados: el papel moderador de la justicia interaccional. Int J Environ Res Public Health. 2021;18(24):13302. https://doi.org/10.3390/ijerph182413302 .Artículo Google Académico 
  11. Zhai WX, Tao NH, Guo JA. Aplicación del análisis de redes sociales al intercambio de conocimientos en grupo. Lib Inform Serv. 2010;54(04):125–8+95.Google Académico 
  12. Huang X, Chen D, Wang D, et al. Identificación de personas influyentes en las redes sociales. Entropy (Basel). 2020;22(4):450.  https://doi.org/10.3390/e22040450 .Artículo Google Académico 
  13. Wiemken TL, Ramirez JA, Polgreen P, et al. Evaluación de la red social de intercambio de conocimientos de prevencionistas de infecciones en hospitales de Kentucky. Am J Infect Control. 2012;40(5):440–5. https://doi.org/10.1016/j.ajic.2011.05.018 .Artículo Google Académico 
  14. Sabot K, Blanchet K, Berhanu D, et al. Asesoramiento profesional para trabajadores de atención primaria de salud en Etiopía: un análisis de redes sociales. BMC Health Serv Res. 2020;20(1):551. https://doi.org/10.1186/s12913-020-05367-3 .Artículo Google Académico 
  15. Hu H, Yang Y, Zhang C, et al. Revisión de las redes sociales de profesionales en entornos sanitarios: ¿dónde estamos y qué más se necesita? Glob Health. 2021;17(1):139. https://doi.org/10.1186/s12992-021-00772-7 .Artículo Google Académico 
  16. Wang L. Cómo se relaciona la posición en las redes sociales con la construcción de conocimiento en comunidades de aprendizaje en línea. Front Educ China. 2010;5(001):4–25. https://doi.org/10.1007/s11516-010-0003-4 .Artículo Google Académico 
  17. Borgatti SP, Everett MG. Modelos de estructuras de núcleo/periferia. Soc Netw. 1999;21(4):375–95. https://doi.org/10.1016/S0378-8733(99)00019-2 .Artículo Google Académico 
  18. Elliott A, Chiu A, Bazzi M, et al. Estructura núcleo-periferia en redes dirigidas. Proc Math Phys Eng Sci. 2020;476(2241):20190783. https://doi.org/10.1098/rspa.2019.0783 .Artículo Google Académico 
  19. Stewart SA, Abidi SS. Aplicación del análisis de redes sociales para comprender el comportamiento de intercambio de conocimientos de los profesionales en un foro de debate clínico en línea. J Med Interne Res. 2012;14(6):e170.  https://doi.org/10.2196/jmir.1982 .Artículo Google Académico 
  20. Borgatti SP. Centralidad y flujo de red. Soc Netw. 2005;27(1):55–71. https://doi.org/10.1016/j.socnet.2004.11.008 .Artículo Google Académico 
  21. Scott J, Carrington PJ. Manual SAGE de análisis de redes sociales. 2011.Google Académico 
  22. Liu J. Conferencias sobre el enfoque de red integral: una guía práctica para UCINET. Shanghai: Shanghai People’s Publishing House; 2014.
  23. Mcpherson M, Cook SLM. Pájaros de una misma pluma: homofilia en las redes sociales. Ann Rev Sociol. 2001;27:415–44. https://doi.org/10.1146/annurev.soc.27.1.415 .Artículo Google Académico 
  24. Freeman LC. Un conjunto de medidas de centralidad basadas en la intermediación. Sociometría. 1977;40(1):35–41. https://doi.org/10.2307/3033543 .Artículo Google Académico 
  25. Sabidussi G. El índice de centralidad de un gráfico. Psychometrika. 1966;31(4):581–603. https://doi.org/10.1007/BF02289527 .Artículo Google Académico 
  26. Wasserman, Stanley, Faust, et al. Análisis de redes sociales: métodos y aplicaciones (Análisis estructural en las ciencias sociales). Análisis de redes sociales. 1994.
  27. Kochis M, Kamin D, Cockrill B, et al. Comprensión y optimización de la dinámica de grupo en el aprendizaje colaborativo basado en casos. Med Sci Educ. 2021;31(6):1779–88. https://doi.org/10.1007/s40670-021-01367-y .Artículo Google Académico 
  28. Joshi T, Budhathoki P, Adhikari A, et al. Aprendizaje en equipo entre profesionales de la salud: una revisión sistemática. Cureus. 2022;14(1):e21252.  https://doi.org/10.7759/cureus.21252 .Artículo Google Académico 
  29. Newman MEJ. Hallazgo de la estructura de la comunidad en redes utilizando los vectores propios de matrices. PhRvE. 2006;74(3 Pt 2):036104. https://doi.org/10.1103/PhysRevE.74.036104 .Artículo Google Académico 
  30. Akinla O, Hagan P, Atiomo W. Una revisión sistemática de la literatura que describe los resultados de los programas de tutoría entre pares para estudiantes de medicina de primer año. BMC Med Educ. 2018;18(1):98. https://doi.org/10.1186/s12909-018-1195-1 .Artículo Google Académico 
  31. Dickson KS, Glass JE, Barnett ML, et al. Valor de la tutoría entre pares para el desarrollo profesional, de investigación y personal en los inicios de la carrera: un estudio de caso de científicos de implementación. J Clin Transl Sci. 2021;5(1):e112.  https://doi.org/10.1017/cts.2021.776 .Artículo Google Académico 
  32. Dutta D, Mishra SK, Varma A. Predictores de la intención de búsqueda de empleo en las distintas etapas de la carrera profesional: una investigación multifase. Int J Hum Res Manage. 2019;32(20):4215–52. https://doi.org/10.1080/09585192.2019.1651376 .Artículo Google Académico 
  33. Vilela NGS, Casado T. Etapas de la carrera de gestión: una revisión sistemática de la producción científica de 2011 a 2020. Revista de Gestão. 2021;30(1):62–77. https://doi.org/10.1108/REGE-02-2021-0018 .Artículo Google Académico 
  34. Cheng W, Wang C, Ma J, et al. Satisfacción y necesidades de los farmacéuticos en la formación sobre comprobación de recetas: una encuesta transversal. J Int Med Res. 2020;48(11):1–6. https://doi.org/10.1177/0300060520965810 .Artículo Google Académico 
  35. Batista JPB, Torre C, Sousa Lobo JM, et al. Una revisión del sistema de desarrollo profesional continuo para farmacéuticos. Hum Resour Health. 2022;20(1):3. https://doi.org/10.1186/s12960-021-00700-1 .Artículo Google Académico 
  36. Dopp AL, Moulton JR, Rouse MJ, et al. Un programa piloto de desarrollo profesional continuo en cinco estados para farmacéuticos en ejercicio. Am J Pharm Educ. 2010;74(2):28.  https://doi.org/10.5688/aj740228 .Artículo Google Académico 
  37. Travlos DV, Baumgartner JL, Rouse M, et al. Cuarenta años de acreditación CPE de ACPE. Am J Pharm Educ. 2017;81(9):5998. https://doi.org/10.5688/ajpe5998 .Artículo Google Académico 
  38. Wang QD, Zhang SY, Wang WY. Los problemas y las contramedidas en la formación y la educación continua de los farmacéuticos clínicos. Chin J Ration Drug Use. 2017;14(08):67–70+74. https://doi.org/10.3969/j.issn.2096-3327.2017.08.019 .Artículo Google Académico 

Fuente: https://bmcmededuc.biomedcentral.com/articles/10.1186/s12909-024-06067-w

Tagged:

Deja una respuesta