Título: MEDICAL STUDENTS MOBILITY IN BRAZIL UNDERSTANDING THE FLOW OF MEDICINE STUDENTS USING MACHINE LEARNING AND SOCIAL NETWORKS ANALYSIS
Título alternativo: MEDICAL STUDENTS MOBILITY IN BRAZIL UNDERSTANDING THE FLOW OF MEDICINE STUDENTS USING MACHINE LEARNING AND SOCIAL NETWORKS ANALYSIS
Autoria de: Alessandra Louzada Terra
Orientação de: Eric Fernandes de Mello Araujo
Presidente da banca: Eric Fernandes de Mello Araújo
Primeiro membro da banca: Mayron César de Oliveira Moreira
Segundo membro da banca: Luiz Henrique de Campos Merschmann
Terceiro membro da banca: Paulo Henrique Dangelo Seixas
Palavras-chaves: médicos, aprendizado de máquina, previsões, mobilidade de estudantes, analise redes sociais
Data da defesa: 29/04/2022
Semestre letivo da defesa: 2021-2
Data da versão final: 09/05/2022
Data da publicação: 09/05/2022
Referência: Terra, A. L. MEDICAL STUDENTS MOBILITY IN BRAZIL UNDERSTANDING THE FLOW OF MEDICINE STUDENTS USING MACHINE LEARNING AND SOCIAL NETWORKS ANALYSIS. 2022. 50 p. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação Bacharelado)-Universidade Federal de Lavras, Lavras, 2022.
Resumo: O sistema de saúde do Brasil vem enfrentando dificuldades há décadas devido à distribuição desigual de médicos no país. Poucos estudos tentaram abordar a mobilidade dos médicos para entender quais são os fatores de decisão que determinam onde os profissionais se estabelecerão. O conhecimento sobre os padrões de circulação dos médicos no Brasil pode ser de grande valia para o governo, pois fornecerá informações que podem levar a melhores políticas de oportunidades de trabalho, bem como definir melhores locais para novas escolas médicas. Mais especificamente, é importante entender como os estudantes de medicina decidem para onde ir para a graduação, pois isso afetará a mobilidade dos profissionais no futuro. Este trabalho é parte de uma investigação de como é o fluxo de médicos no Brasil levando em consideração os dados fornecidos pelo Ministério da Saúde e outras agências de pesquisa e governamentais brasileiras. O estudo proposto aqui usa técnicas de Machine Learning para derivar padrões de por que e onde as pessoas vão para se formar a partir de dados. Também é utilizada a Análise de Redes Sociais para avaliar os maiores fluxos de pessoas e a migração de pessoas entre as regiões. Neste trabalho utilizamos algoritmos de aprendizado de máquina para prever a movimentação de médicos, levando em consideração os aspectos geográficos dos alunos (local de nascimento e localização da faculdade de medicina), idade, gênero e aspectos econômicos de cada região. Nossos resultados nos mostraram que o método Random Forest é o melhor para predição, além de podermos notar que há uma tendência de maior movimentação entre os jovens e para regiões com melhores Índice de Desenvolvimento Humano (IDH).
Abstract: Brazils health system has been struggling for decades due to the uneven distribution of medical doctors. Very few studies have tried to approach the mobility of medical doctors to understand the decision factors determining where the professionals will establish themselves. The knowledge about the movement patterns of physicians in Brazil may be of great value for the government, as it will provide information that can lead to better policies regarding jobs opportunities and define better locations for new medical schools. More specifically, it is crucial to understand how medical students decide where to go for their graduation, as it will affect the mobility of professionals in the future. This work is part of an investigation of the flow of medical doctors in Brazil, taking into consideration the data provided by the Health Ministry and other Brazilian research and governmental agencies. The study proposed here uses Machine Learning techniques to derive patterns of why and where people go to graduate from data. It is also used Social Network Analysis to evaluate the biggest flows of people and the migration of people between regions. In this work, we??ve used machine learning algorithms to predict the movement of physicians, taking into account the students?? geographic aspects (birthplace and medicine school location), age, gender, and economic aspects of each region. Our results showed us that the Random Forest method is the best for prediction and that there is a tendency for greater movement among young people and for regions with the best Human Development Index (HDI).
URI: sip.prg.ufla.br/publico/trabalhos_conclusao_curso/acessar_tcc_por_curso/
sistemas_de_informacao/20212201810966
URI alternaviva: repositorio.ufla.br/handle/1/54795
Curso: G014 - SISTEMAS DE INFORMAÇÃO (BACHARELADO)
Nome da editora: Universidade Federal de Lavras
Sigla da editora: UFLA
País da editora: Brasil
Gênero textual: Trabalho de Conclusão de Curso
Nome da língua do conteúdo: Inglês
Código da língua do conteúdo: eng
Licença de acesso: Acesso aberto
Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras
URI da licença: repositorio.ufla.br
Termos da licença: Acesso aos termos da licença em repositorio.ufla.br
Detentores dos direitos autorais: Alessandra Louzada Terra e Universidade Federal de Lavras
Baixar arquivo