Conceptos
Educación médica y en profesiones de la salud
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, se trata por completo en educación en enfermería, que desarrolla el límite de competencia, la formación de la identidad y la evidencia sobre la fuerza laboral que aquí solo aparecen esbozados.
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 IA puede ahora operacionalizar principios de aprendizaje antiquísimos como el experiencial, el situado y la cognición distribuida, y simular o personalizar la práctica. ¿Qué hace que el juicio del educador siga siendo indispensable?
- 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 investigación sobre IA en educación. 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. La enfermería se mantiene 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.
-
El apoyo a las decisiones con IA ayuda más a quienes se forman donde son más débiles. En 15 residentes que leyeron 186 laminillas de biopsia de próstata, la asistencia de IA elevó la exactitud del 62,3% al 75,1% (+12,9 puntos porcentuales) en quienes tenían menos experiencia, frente al 77,9% al 83,0% (+5,1 pp) en quienes tenían más (Zhu et al. (2026)). La visualización de la IA convirtió el 39% de 786 errores sin asistencia en diagnósticos correctos, pero el 3,9% de 1.913 aciertos en errores, y el orden de lectura fijo deja el valor educativo como hipótesis para estudios contrabalanceados.
-
La puntuación por criterios localiza lo que un paciente de IA no puede hacer. En tres casos de ECOE coreanos, tres de las cuatro arquitecturas base se situaron a menos de 0,5 puntos Likert de una referencia experta en comprensibilidad, consistencia y ausencia de alucinaciones, pero las debilidades se concentraron en el razonamiento clínico y la educación del paciente y en una penalización de la forma negativa coreana sobre la fluidez (Yi, Park y Kim (2026)).
-
Integrar la IA en un plan de estudios de residencia es un problema de gobernanza antes que de contenido (2026). Bursic et al. entrevistaron a doce médicos que dirigen el trabajo en IA en la educación médica de posgrado de Canadá y Estados Unidos. Las cinco barreras que señalan son estructurales y no pedagógicas: ciclos de revisión más lentos que el lanzamiento de las herramientas, experiencia del profesorado escasa más allá de unos pocos expertos, una gobernanza que no ha alcanzado el ritmo en materia de privacidad y propiedad de los datos, la ausencia de estándares nacionales de competencia y una resistencia cultural ligada a la identidad profesional (Bursic et al. (2026)). Su propuesta es un núcleo modular —alfabetización en IA, valoración crítica, detección de sesgos, metacognición humano-IA y ética— con contenido específico de especialidad y de herramientas locales revisado cada seis a doce meses. La evidencia clínica documenta qué puede enseñar la IA; la cuestión del plan de estudios es si un programa puede enseñarlo siquiera.
-
El estudiantado tiende a tratar al paciente de IA como una base de datos consultable. Al entrevistar por voz a un avatar de IA generativa en un piloto de ABP, el estudiantado formuló preguntas cerradas y centradas en la eficiencia —uno preguntó si la IA era «solo, ya sabe, una base de preguntas»— y los encuentros duraron 55–65 minutos frente a 36–39 del módulo anterior (Mool et al., 2026).
-
La iniciativa es un segundo eje junto a la asignación de tareas. Jin et al. (2026) aleatorizaron a 79 estudiantes y egresados de medicina y enfermería a un agente reactivo que espera indicaciones o a uno proactivo que impulsa preguntas secuenciadas, que redactaban textos analíticos sobre visualizaciones construidas a partir de los rastros IA multimodal de una simulación de enfermería con cuatro personas (un gráfico de barras del tiempo por conducta, una red de comunicación y un mapa de calor de la sala). Las dos condiciones difirieron marcadamente en estructura epistémica (delta de Cliff de -0,56 y -0,78) mientras que las puntuaciones finales no, así que dónde se sitúa una herramienta en una asignación y cuánta iniciativa exige son decisiones de diseño separadas. Una segunda brecha de gobernanza se sitúa en el lado de la producción. Las políticas de la educación en profesiones de la salud regulan de forma abrumadora lo que el estudiantado hace con la IA y rara vez lo que el profesorado produce con ella, algo que Chew (2026) trata como estructural: las imágenes, los casos y los ítems de examen generados por IA entran en los planes de estudio como contenido docente, donde un error plausible llega a todo el estudiantado y puede no generar nunca la señal correctiva que produce el error de un estudiante. Clasifica los fallos en representacionales, de razonamiento y de evaluación, y sostiene que la asimetría de consecuencias —los errores del estudiantado son corregibles, los errores del currículo se propagan como conocimiento establecido— justifica cuatro capacidades institucionales: saber qué está en uso, probarlo antes de que lo vea el estudiantado, actuar sobre los hallazgos, incluida la retirada, y vigilar la deriva de las herramientas aprobadas. La capacidad de auditoría es, en esta lectura, una posible nueva brecha de equidad (Chew, 2026).
-
Analítica entre programas sin registros estudiantiles compartidos. Kovor, Osei y Agyemang (2026) dividieron el conjunto de datos de analítica del aprendizaje de la Open University en cinco clientes de programa-disciplina como análogos de profesiones de la salud y encontraron que la regresión logística federada conservó entre el 99,3 y el 99,9% del rendimiento centralizado, de modo que el obstáculo para compartir un modelo de riesgo entre programas es organizativo y no estadístico. La razón por la que falla un modelo agrupado es la heterogeneidad pedagógica: su ilustración tiene un programa de enfermería con un 30-35% en riesgo frente a un 15-18% de un programa de medicina simultáneo, y la actividad del foro quedó en último lugar como predictor en todas las disciplinas porque el aprendizaje entre pares en estos programas ocurre en las prácticas clínicas.
-
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.
-
Un juez LLM validado para la comunicación clínica. Hasan et al. (2026) puntuaron las habilidades de comunicación 3E a partir únicamente de transcripciones con un juez que alcanzó un Pearson de 0,759 y un ICC(A,1) de 0,746 frente al consenso de evaluadores humanos, dentro del rango de dispersión de las personas individuales, aunque su dimensión más débil (Ser explícito) no mejoró a lo largo de los encuentros. Ambas líneas de trabajo miden la conducta comunicativa y no el autoinforme; empatía reúne lo que se sabe sobre la enseñanza y la evaluación del constructo al que sirven.
-
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.
-
Las ejecuciones repetidas no reproducen la misma nota. En un curso de máster en salud pública, cuatro LLM de propósito general calificaron las mismas 32 entregas de ensayo anonimizadas que dos examinadores humanos; ChatGPT en modo de razonamiento alcanzó una kappa ponderada de 0,718, pero recalificar las mismas entregas en cinco días distintos solo llegó a un alfa de Krippendorff de 0,625 (Brevik et al. (2026)). Los autores aconsejan promediar varias evaluaciones para usos de alto riesgo.
-
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.
-
La forma de la propia literatura del ámbito. Sriram, Nichols, Ganti y Gue (2026) cartografían la propia literatura sobre ética de la IA en la educación médica: 1.403 publicaciones de Web of Science de 1995 a 2026, insignificantes durante dos décadas, y luego 113 en 2023, 256 en 2024 y 500 en 2025; 39 países superan el umbral de autoría, liderados por Estados Unidos (533 publicaciones) por delante de China (189) e Inglaterra (95); y los trabajos más citados son pruebas de capacidad —el rendimiento de ChatGPT en los exámenes de licencia médica por encima de todo— y no estudios de gobernanza. Su lectura es que el ámbito ha crecido rápido sin crecer de manera uniforme, y que la evaluación empírica de los marcos de gobernanza es el trabajo que el registro de citas no está recompensando. Es una advertencia útil para quien trate el volumen de investigación publicada sobre IA en la educación médica como prueba de que sus preguntas sobre uso seguro han sido respondidas.
Una revisión de alcance de 153 informes sobre IA generativa en la educación médica cartografía las aplicaciones —simulación y habilidades clínicas como la mayor (47 informes), por delante de la generación de evaluaciones y la retroalimentación (22) y del aprendizaje basado en casos y el razonamiento clínico (21)—, pero solo 13 informes incluían una señal de seguimiento o retención y no se encontró ningún resultado a nivel de paciente (Zhao et al. (2026)).
- ABP y aprendizaje basado en casos con IA: seis ensayos aleatorizados, dos de ellos de ABC. Wei et al. (2025) agruparon cuatro ensayos para conocimiento (46%, IC del 95%: 0,18 a 0,73), tres para satisfacción (0,7, IC del 95%: 0,47 a 0,92), y no pudieron agrupar el razonamiento clínico porque los instrumentos diferían. Solo dos ensayos probaron el aprendizaje basado en casos y la revisión no analizó los formatos por separado, por lo que el resultado respalda diseños de problemas apoyados por IA sin identificar qué características de los casos importan.
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 —papel docente, evaluación, retroalimentación, equidad en la IA educativa y ética— se aplican con especial intensidad en las profesiones de la salud, donde las consecuencias del error llegan directamente a los pacientes.
Wang y Shan (2026) nombran la «brecha de seguridad» resultante —la divergencia entre el rendimiento asistido por IA de un estudiante y su capacidad no asistida de verificarlo— y prescriben retener las soluciones, fricción cognitiva constructiva y arquitecturas de IA socráticas o adversariales para la formación clínica de alto riesgo.
- Qué enseñan los planes de estudios sobre la procedencia de los datos. Giancotti et al. (2026) codificaron los planes de estudios anunciados públicamente de 36 programas estadounidenses de IA en salud y encontraron que la ética aparecía en 29 (80,6%) pero la procedencia de los datos, en un nivel estructural o de limitaciones del conjunto de datos, solo en 8 (22,2%), sin ningún programa que abordara el costo ambiental de la computación y sin que ninguno de los siete másteres alcanzara el umbral de procedencia. De 92 docentes nombrados, el 76,1% procedía de disciplinas computacionales y el 3,3% de las ciencias sociales o las humanidades. La brecha tiene consecuencias clínicas: los fallos de despliegue con los que abre el artículo se introdujeron aguas arriba, en cómo se generaron o etiquetaron los datos de entrenamiento, que es una competencia enseñable que el plan de estudios parece no recoger.
- El uso ha superado a la instrucción. Entre 310 estudiantes de ciencias de la salud, el 90% había usado ChatGPT mientras que el 82,6% no había recibido instrucción formal sobre IA; la frecuencia de uso se asociaba a un GPA más alto y el 61% declaró preocupaciones éticas (Alshahrani et al., 2026).
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.
- Ordene el plan de estudios por la evidencia y no por las herramientas disponibles. El mismo mapa KAS muestra dónde la evidencia es densa y dónde escasa: el conocimiento ético (14 estudios), la responsabilidad (14), las habilidades de aplicación (16) y las habilidades de evaluación (18) cuentan con consenso, mientras que el conocimiento técnico, el conocimiento de aplicación y las habilidades operativas se sitúan en 9 cada uno y la colaboración en 7. Donde la infraestructura no es fiable, llegue a la capa técnica mediante casos en pantalla y demostraciones de modelos de acceso abierto en lugar de esperar a la simulación de alta fidelidad.
Concepciones erróneas comunes
- «Los beneficios de la simulación están establecidos en la educación médica, así que la simulación con IA también lo estará.» Una revisión sistemática de métodos mixtos de 19 estudios (N = 1.253) encuentra que las simulaciones impulsadas por IA producen efectos en esa literatura: una base modesta, y 1.253 participantes en 19 estudios es un fundamento estrecho para una tecnología que se despliega a gran escala.
- «La pregunta es qué pueden hacer los LLM en la formación clínica.» Una revisión integradora crítica de 489 estudios en 47 países desplaza la pregunta de lo que los LLM pueden hacer a aquello en lo que se debería confiar en ellos. La pregunta de capacidad está en gran medida respondida; la de gobernanza no.
- «Los pacientes estandarizados son demasiado costosos para escalarlos.» Un ensayo controlado aleatorizado con 95 estudiantes de medicina analizados usó pacientes estandarizados de IA multiagente en la formación de entrevista clínica. La restricción que se aborda es la disponibilidad de actores humanos formados, que es un problema de dotación de personal y no de fidelidad.
- «Adoptar un marco publicado de competencias en IA resuelve la cuestión del plan de estudios.» Xiang et al. (2026) cribaron 1.750 registros hasta 23 estudios —15 revisiones, 4 cualitativos y 4 cuantitativos, de 15 países y de 2022 a 2026— y los mapearon sobre el modelo de Conocimiento, Actitud y Habilidad. Los dominios de aplicación se concentraron en la educación médica (n = 11, 47,8%), la educación general (n = 9, 39,1%) y otras educaciones (n = 3, 13,0%), y los marcos de enfermería nombrados que compararon —N.U.R.S.E.S., AI-ABCs y CARE— o carecen de vías claras para la implementación pedagógica o cubren habilidades aisladas sin métodos de evaluación. El mapa de 12 subdimensiones que construyen es una propuesta pendiente de validación, lo que lo convierte en algo contra lo que enseñar y no en un plan de estudios asentado.
Conceptos conectados
- Aprendizaje basado en problemas
- Educación superior
- Simulación
- Aprendizaje adaptativo
- Aprendizaje personalizado
- Aprendizaje basado en juegos
- Aprendizaje experiencial
- Aprendizaje situado
- Cognición distribuida
- La docencia
- Evaluación
- Retroalimentación
- IA en la educación
- La IA en las disciplinas
- Educación en enfermería — la línea de enfermería de la educación en profesiones de la salud
- Realidad virtual y aumentada — formación clínica inmersiva y con RA
Artículos conectados
-
AI-Powered Problem- and Case-based Learning in Medical and Dental Education: A Systematic Review and Meta-analysis — ABP y ABC con IA en la educación médica y odontológica: seis ECA, solo dos de ABC (Wei et al. 2025)
-
AI-assisted digital pathology improves diagnostic performance and reduces experience-related performance gaps in pathology residents interpreting prostate biopsies — La patología digital asistida por IA mejora el rendimiento diagnóstico y reduce las brechas de rendimiento relacionadas con la experiencia en residentes de patología que interpretan biopsias de próstata
-
A Stratified Multi-Rater Evaluation of LLM-Based Virtual Standardized Patients with a Deployed Data-Generation Platform — Una evaluación estratificada con múltiples evaluadores de pacientes estandarizados virtuales basados en LLM, con una plataforma desplegada de generación de datos
-
Generative artificial intelligence and the transformation of medical education: a scoping review — Revisión de alcance de 153 informes sobre IA generativa en educación médica: la simulación lidera, durabilidad y resultados en pacientes sin medir
-
Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluación de un sistema multiagente de modelos de lenguaje orientado al andamiaje para el entrenamiento en entrevista clínica
-
What Platform Scores Miss: Multidimensional Evaluation of AI Teaching Agents in Medical Education — Evaluación con rúbrica de 8 dimensiones de agentes docentes de IA en educación médica
-
When the algorithm enters the classroom: A critical integrative review of large language models, nursing education structural gaps, and the reconstitution of professional identity — LLM, brechas estructurales en la educación en enfermería y la reconstitución de la identidad profesional (Sun et al. 2026)
-
AI as Teammate: Rethinking Task Distribution in Medical Training — Marco SCAN: repensar la distribución de tareas con IA en la formación médica (Tsim et al. 2026)
-
Empowering Educators: Operationalizing Age-Old Learning Principles Using AI — Operacionalizar el aprendizaje experiencial, situado y de cognición distribuida con IA en la educación en profesiones de la salud
-
ResidencyRL: Reinforcement learning in simulated clinical environments — Entrenamiento con aprendizaje por refuerzo para habilidades clínicas en la residencia
-
MedGame: Storytelling Gamification Empowered by Large Language Models for Medical Education — Aprendizaje gamificado basado en LLM para la educación médica
-
Agentic AI-driven immersive simulation: A knowledge-aware virtual training platform for high dose rate (HDR) brachytherapy — Simulación con IA agéntica para el entrenamiento en braquiterapia
-
Transforming nursing education with artificial intelligence: A systematic review (2010–2025) — Transformar la educación en enfermería con IA
-
AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — Simulación impulsada por IA en enfermería: revisión sistemática de métodos mixtos
-
The safety gap: restoring productive struggle through pedagogically aligned generative AI — La brecha de seguridad: recuperar el esfuerzo productivo
-
Gen-Mentor: A human-in-the-loop instructional framework for dental radiography using generative AI — Gen-Mentor: instrucción en radiografía dental con human-in-the-loop (Dong et al. 2026)
-
Generative AI in scenario-based healthcare education: A systematic review of applications, validation practices, and pedagogical integration — Revisión sistemática de la IA generativa en la educación sanitaria basada en escenarios (Neto et al. 2026)
-
Bridging technology and education: The use of ChatGPT in grading pharmacy student exams
-
Scalable AI-based clinical communication training and automated assessment — Entrenamiento en comunicación clínica y evaluación automatizada escalables basados en IA
-
Ethical and responsible use of artificial intelligence in medical education — Mapa bibliométrico de la ética de la IA en la educación médica: la producción pasó de 113 (2023) a 500 (2025), 39 países, y las citas premian las pruebas de capacidad por encima de la gobernanza (Sriram et al. 2026)
-
Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — Las ejecuciones repetidas no reproducen la misma nota
-
Data Provenance and Ethics in the Curricula of U.S. Health AI Education Programs — Los planes de estudios de IA en salud enseñan ética (80,6%) pero rara vez procedencia de los datos (22,2%)
-
An artificial intelligence application framework for nursing education: a scoping review based on the KAS model — Revisión de alcance que mapea los marcos de competencias educativas en IA sobre un mapa KAS de 12 partes
-
The agency gap in AI-supported writing: How reactive and proactive agent designs shape multimodal reasoning — Agentes de escritura con IA reactivos frente a proactivos en la formación de profesiones de la salud: la brecha de agencia
-
Federated learning for privacy-preserving at-risk student prediction in health professional education: A multi-scenario evaluation of FedAvg and FedProx — Predicción federada de riesgo entre programas de HPE: un coste de privacidad insignificante y por qué falla un umbral importado
-
Nursing educators' perspectives on the integration of artificial intelligence into academic settings — Docentes de enfermería en Bangladesh sobre preparación para la IA, barreras y gobernanza de datos, leídos a través del TPACK
-
Exploring the integration of artificial intelligence into residency education curriculum: qualitative interviews — Barreras para integrar la IA en los planes de estudios de residencia: entrevistas cualitativas con doce médicos líderes
-
Bridging technology and pedagogy: a cross-sectional analysis of AI use, self-reported academic effects, and ethical concerns among students across diverse health science curricula — Tender puentes entre tecnología y pedagogía: análisis transversal del uso de IA, efectos académicos autodeclarados y preocupaciones éticas entre estudiantado de diversos planes de estudios de ciencias de la salud