Base de conocimiento AIEdAIEd KB
En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Conceptos

Educación médica y en profesiones de la salud

Creada 2026-09-28 · Actualizada 2026-09-28

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

La educación médica y en profesiones de la salud (HPE) — la enseñanza y la formación de profesionales de la medicina, la enfermería, la farmacia y las profesiones sanitarias afines. La IA está remodelando este ámbito mediante la simulación clínica, los entrenadores de aprendizaje por refuerzo, el aprendizaje adaptativo y la aplicación de principios fundamentales del aprendizaje (experiencial, situado y cognición distribuida) en contextos de profesiones de la salud. Como la HPE es de alto riesgo, está basada en competencias y está clínicamente integrada, plantea preguntas propias sobre el papel de la IA en la adquisición de habilidades, la seguridad del paciente y el juicio del educador. La enfermería, el programa más estudiado de la HPE, cuenta ya con una página propia —educación en enfermería— donde se desarrollan por completo el límite de competencia, la formación de la identidad y la evidencia sobre la fuerza laboral que esta página solo esboza.

Preguntas para reflexionar

  • En medicina, los beneficios de la IA como la práctica escalable y la retroalimentación adaptativa deben sopesarse frente a riesgos como la erosión de la destreza clínica práctica, donde los errores tienen consecuencias directas para el paciente. ¿Dónde trazaría usted la línea entre lo que debería hacer la IA y lo que quien se forma debe practicar por sí mismo?
  • La página sostiene que la IA debería usarse para operacionalizar principios de aprendizaje antiquísimos —experiencial, situado, cognición distribuida— y no para sustituir el papel orientador del educador. ¿Qué hace indispensable el juicio del educador incluso cuando la IA puede simular o personalizar la práctica?
  • Los entrenadores de aprendizaje por refuerzo y la IA agéntica se usan hoy para habilidades clínicas y procedimentales en la residencia. Si un agente de IA entrena a un residente en un procedimiento, ¿cómo verificaría usted que de verdad lo ha aprendido de forma segura antes de realizarlo en un paciente?
  • Como la educación en profesiones de la salud es de alto riesgo y está basada en competencias, las cuestiones de evaluación tienen un peso particular. ¿Cómo podría la evaluación asistida por IA mejorar y a la vez amenazar la valoración de la competencia clínica?
  • La dependencia excesiva de la IA es una preocupación específica en medicina. ¿Cómo cree usted que la formación con IA podría producir un clínico más seguro de sí mismo pero menos capaz de razonar de forma independiente, y qué podría protegernos de ello?

Introducción

La IA en la educación médica y en profesiones de la salud es una línea creciente de la cobertura por áreas temáticas de la base de conocimiento. A diferencia de la educación superior general, la HPE se orienta al desarrollo de competencias clínicas, habilidades procedimentales y juicio profesional, lo que determina cómo se diseñan y se evalúan las herramientas de IA.

Cómo aparece la IA en la educación en profesiones de la salud

  • Operacionalizar principios fundamentales del aprendizaje. Fowlin et al. (desarrollado en la Medical University of South Carolina) sostienen que la IA debería usarse para operacionalizar principios de aprendizaje antiquísimos —el aprendizaje experiencial de Dewey, la cognición situada y la cognición distribuida— y no para sustituir el papel orientador del educador. La IA mejora el aprendizaje personalizado y adaptativo mientras el profesorado sigue siendo central para la implicación del estudiantado y los resultados.

  • Habilidades clínicas y aprendizaje por refuerzo. ResidencyRL usa el aprendizaje por refuerzo para entrenar el razonamiento clínico y las habilidades procedimentales en la residencia, lo que muestra la IA como socio de entrenamiento de habilidades en flujos de trabajo clínicos reales.

  • Simulación e IA agéntica. La simulación con IA agéntica en braquiterapia muestra cómo los agentes de IA apoyan el entrenamiento procedimental práctico en especialidades médicas.

  • Gamificación del aprendizaje médico. MedGame aplica la gamificación y los LLM para implicar al estudiantado de medicina.

  • Enfermería y educación interdisciplinar. La transformación de la educación en enfermería con IA documenta cómo la IA remodela los planes de estudio y la enseñanza de enfermería. Esta página mantiene la enfermería como un programa más entre medicina, farmacia, odontología y profesiones afines, organizada en torno al problema compartido de la competencia clínica escalable; el registro específico de enfermería —un límite de competencia donde se detienen los beneficios documentados de la IA, un encuadre explícitamente de identidad profesional y la ansiedad del estudiantado ante el mercado laboral— pertenece a educación en enfermería y se referencia aquí de forma cruzada en lugar de repetirse.

  • Simulación impulsada por IA en enfermería. La revisión sistemática de métodos mixtos de Jiang et al. (2026) sobre 19 estudios (N = 1.253) encuentra que las simulaciones impulsadas por IA (IA generativa y LLM, pacientes virtuales y maniquíes, RV/RM mejorada con IA y chatbots) mejoran de forma significativa el conocimiento cognitivo y los resultados afectivos (autoeficacia, confianza en la comunicación) en los diseños más sólidos, pero son inconsistentes para las habilidades psicomotoras complejas: un ensayo controlado aleatorizado encontró que la simulación asistida por IA era inferior a los pacientes estandarizados. Su concepto de «brecha de autenticidad» —una carencia percibida por quien aprende en resonancia emocional, señales no verbales y exploración táctil— fundamenta por qué la IA es mejor para objetivos muy estructurados (comunicación básica, anamnesis) y debería situarse en un continuo escalonado de simulación junto a los pacientes estandarizados humanos y la práctica clínica, y no en su lugar. Se trata de un refinamiento distintivo y anclado en evidencia de la línea de simulación del ámbito, y es paralelo al hallazgo sobre aceptación y confianza de que quienes aprenden prefieren la retroalimentación humana percibida como «benevolente» frente a una IA vista como meramente «competente».

  • Los LLM y la reconstitución de la identidad profesional en enfermería (2026). La revisión integradora crítica de Sun et al. (2026) sobre 489 estudios de 47 países (marco de Whittemore y Knafl) desplaza la pregunta de qué pueden hacer los LLM en la educación en enfermería a qué hace su integración con los procesos de desarrollo mediante los cuales se forma una enfermera. Enmarcado a través de la adquisición de habilidades de Benner, la teoría de la carga cognitiva, el sesgo de automatización y la formación de la identidad de Wenger, encuentran que la misma tecnología mejora y erosiona la competencia según si el trabajo cognitivo desplazado es ajeno a la competencia objetivo o constitutivo de ella: la dependencia no estructurada produjo déficits medibles en el razonamiento ético y el juicio clínico. Su Modelo de Tensión de la Identidad Profesional distingue la integración de LLM que apoya la formación profesional de la que la sustituye en silencio, y la Supresión Estructural de la Empatía reformula el aparente «mejor rendimiento» de la IA en métricas relacionales como un síntoma de sobrecarga sistémica y no como empatía genuina de la IA. Un mapa de vacíos de evidencia muestra que los ámbitos con mayores consecuencias para las políticas (identidad profesional, competencia relacional y ética, resultados a largo plazo) se apoyan en la evidencia rigurosa más delgada, una advertencia contra las afirmaciones confiadas de despliegue en la educación en enfermería.

  • Pacientes estandarizados de IA multiagente en el entrenamiento de la entrevista clínica. En un ensayo controlado aleatorizado de 2026 con 95 estudiantes de medicina analizados (Yang et al.), el entrenamiento con pacientes estandarizados de IA multiagente elevó las puntuaciones finales del examen alineado con la ECOE frente a un control estructurado de divulgación progresiva sin LLM (71,8% frente a 55,6%; β = 16,4 puntos porcentuales; P = 3,30e-4), mientras dejaba la precisión diagnóstica binaria estadísticamente idéntica (84% frente a 86%; P = 1.000). La disociación indica que las ganancias tempranas en la formación clínica pueden aparecer primero en la calidad del proceso de consulta —comunicación (media 3,53 frente a 2,64 en una escala ECOE de 1 a 5; P = 4,50e-4), expresión empática (+31 puntos porcentuales en el ítem de la lista de verificación «expresar empatía») y determinadas conductas de anamnesis— antes que en cualquier mejora de los criterios diagnósticos, y que los pacientes de IA siguen necesitando evaluadores humanos y profesorado para los juicios de profesionalidad y preparación.

  • Asignación de tareas y el marco SCAN. Tsim et al. reformulan la integración de la IA desde el «mal uso» por parte de quien aprende hacia la clasificación errónea: un fallo de la evaluación metacognitiva en tiempo real. Su marco SCAN (Sustituir, Complementar, Ayudar, No negociable), fundamentado en la zona de desarrollo próximo de Vygotsky, asigna tareas de IA generativa según el estado de desarrollo de cada persona que aprende e identifica la implicación pasiva en tareas andamiadas por IA como una vía oculta hacia una capacitación deficiente que exige reorientar de la IA a la asistencia experta con auditores epistémicos humanos.

  • Generación de recursos instruccionales con human-in-the-loop. Gen-Mentor (Dong et al. 2026) integra una base de modelo de visión y lenguaje en un flujo de trabajo de radiografía dental: Faster R-CNN localiza cuatro hallazgos objetivo (empaste, implante, diente impactado, caries), un modelo de difusión condicional genera candidatos sintéticos de ROI específicos de cada clase, un VLM produce descripciones vinculadas a la evidencia y un LLM las reformatea en descripciones de casos, comparaciones y preguntas de cuestionario, todo ello antes de la revisión experta estructurada. Evaluado con 45 estudiantes de odontología (SUS medio 72,7), demuestra cómo la revisión con human-in-the-loop de recursos instruccionales generados por IA puede ampliar la diversidad de casos y el apoyo de retroalimentación inmediata sin renunciar a la supervisión experta sobre lo que ve el estudiantado.

  • Calificación con IA de exámenes de farmacia. Falahat, Das, Bhaumik y Thambi (2026) evaluaron ChatGPT-5 frente a la calificación del profesorado humano de un examen de farmacia de 21 ítems (16 estudiantes) con ítems de opción múltiple, selección múltiple, rellenar huecos, listado, respuesta breve y ensayo. El modelo coincidió estrechamente con el profesorado en los ítems objetivos (CCC 0,935–1,000) pero no fue fiable para las respuestas de listado, respuesta breve (CCC ≈0) y ensayo (0,341–0,854), y una rúbrica estructurada no mejoró la concordancia de forma consistente: evidencia de que, en la evaluación de alto riesgo y basada en competencias de las profesiones de la salud, la IA sirve para ítems bien especificados mientras la revisión humana sigue siendo necesaria para el razonamiento clínico subjetivo y abierto.

  • IA generativa en la educación sanitaria basada en escenarios. Neto y colegas (2026) revisaron sistemáticamente 23 estudios sobre IA generativa en aprendizaje basado en escenarios, casos, problemas y simulación en la educación sanitaria (PRISMA 2020). Su hallazgo central es que el diseño de prompts funciona como especificación instruccional —codifica los objetivos cognitivos y los criterios de calidad implícitos en la autoría experta—, pero solo el 34,8% de los estudios alineó el contenido generado con marcos instruccionales y solo el 34,8% describió los prompts con detalle suficiente para reproducirlos. GPT-4 dominó las implementaciones (44,4%), la colaboración humano-IA híbrida superó a los enfoques totalmente automatizados, y la evidencia fue más sólida para las habilidades cognitivas de orden superior pero inconsistente en el resto. Esto fundamenta la pedagogía de escenarios y simulación y de aprendizaje basado en problemas en la educación médica con puntos de referencia de calidad de validación e integración.

  • Puntuación con IA de preguntas de examen abiertas. Olvet et al. (2026) comprobaron si GPT-4 podía puntuar de forma fiable preguntas abiertas en evaluaciones previas al internado en dos facultades de medicina de Estados Unidos. Con el profesorado refinando de forma iterativa las rúbricas de puntuación a lo largo de tres rondas de análisis de patrones de error, la fiabilidad interevaluador entre la IA y el profesorado alcanzó una concordancia de sustancial a casi perfecta en tres de las cuatro preguntas (kappa ponderada de hasta 0,94), pero solo moderada en el ítem de rúbrica holística (κw = 0,54); las discrepancias se atribuyeron a ambas partes (GPT-4 puntuaba en exceso las respuestas con varias respuestas o sin el vocabulario de la rúbrica; el profesorado era demasiado generoso) y las inexactitudes ocasionales de la retroalimentación mantienen a los humanos en el circuito. Los autores sostienen que el argumento a favor de la puntuación automatizada de preguntas abiertas se refuerza porque alrededor del 82% de las facultades de medicina estadounidenses califican el trabajo previo al internado como apto o no apto, donde no siempre se exige una coincidencia exacta de la puntuación de la IA.

  • Evaluar la IA docente, no solo desplegarla. Zhang et al. (2026) desplegaron ocho agentes docentes de LLM en cuatro paradigmas de juego de roles (paciente, estudiante, especialista, familiar) en un plan de estudios de endocrinología y puntuaron 167 diálogos de estudiantado con una rúbrica de calidad docente de 8 dimensiones. Las puntuaciones de la plataforma divergieron notablemente de la calidad según la rúbrica; los agentes se diferenciaron más en las dimensiones de conocimiento y menos en la representación del papel; la calibración adaptativa de la dificultad fue una debilidad compartida; y reforzar la empatía de un agente elevó la calidad del juego de roles sin mejorar la cobertura de conocimiento. El hallazgo de que los paradigmas de juego de roles pueden separarse (más allá del guion por defecto de paciente y médico) apunta a diseñar y evaluar agentes frente a dimensiones pedagógicas explícitas.

Por qué importa

La HPE es un ámbito de alto riesgo y basado en competencias donde los beneficios de la IA (práctica escalable, retroalimentación adaptativa, simulación) deben sopesarse frente a riesgos (dependencia excesiva, erosión de la destreza clínica práctica, preocupaciones éticas y de seguridad). Los conceptos generales de la base de conocimiento —papel docente, evaluación, retroalimentación, equidad en la IA educativa y ética— se aplican con especial intensidad en las profesiones de la salud, donde los errores tienen consecuencias directas para el paciente.

Implicaciones para el profesorado de profesiones de la salud

  • Use la IA para operacionalizar principios de aprendizaje, no para sustituir al educador. Fowlin et al. sostienen que la IA debería operacionalizar el aprendizaje experiencial, situado y de cognición distribuida mientras el profesorado sigue siendo central para la implicación y los resultados.
  • Aproveche la IA para el entrenamiento de habilidades clínicas. ResidencyRL y la simulación agéntica muestran la IA como socio de entrenamiento de habilidades en flujos de trabajo clínicos reales: intégrela donde aporte práctica segura y escalable.
  • Sopesar los beneficios de alto riesgo frente a la dependencia excesiva. La HPE está basada en competencias y es de alto riesgo; protéjase frente a que la IA sustituya la destreza clínica práctica y el juicio, y aplique con especial cuidado las consideraciones de retroalimentación, evaluación y ética.
  • Adapte con criterio la IA gamificada e interdisciplinar. El aprendizaje gamificado con LLM y la transformación de la educación en enfermería son prometedores, pero necesitan evaluación de seguridad y de resultados de habilidades; en el caso concreto de la enfermería, esa evidencia de seguridad y habilidades —incluido el ensayo controlado aleatorizado en el que la simulación asistida por IA rindió peor que los pacientes estandarizados— se recoge en educación en enfermería.

Conceptos conectados

Artículos conectados

Metadatos

DisciplinaMedical Education
NivelHigher Ed
Público destinatarioLearners, Instructors
Tecnologías y técnicasAprendizaje adaptativo, Simulación
Evaluación y mediciónEvaluación
Fundamentos de la IA en la educaciónLa docencia
SourceHistoryEditChat

Incrustar esta página

Copy the code below to embed a chromeless version of this page in a learning management system or other website. The embedded view hides the site header, navigation, and footer.