metricas

Educación Médica

Sugerencias
Educación Médica Inteligencia artificial y educación médica: alfabetización, oportunidades e i...
Información de la revista
Cita
Cita
Compartir
Descargar PDF
Más opciones de artículo
Visitas
447
Aula de educación médica
Acceso a texto completo
Disponible online el 16 de septiembre de 2026

Inteligencia artificial y educación médica: alfabetización, oportunidades e integridad académica

Artificial intelligence and medical education: Literacy, opportunities and academic integrity
Visitas
447
Alberto Torres Belma
Autor para correspondencia
alberto.torres.belma@uantof.cl

Autor para correspondencia.
, Bárbara Gutiérrez Pereira, Betsabé Donoso Martínez, Fernanda Jorquera Limpias, Catalina Soto Piña
Unidad de Educación Médica, Departamento de Ciencias Médicas, Facultad de Medicina y Odontología, Universidad de Antofagasta, Antofagasta, Chile
Este artículo ha recibido
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (1)
f0005
Tablas (1)
Tabla 1. Descripción de tipos de prompts y ejemplos de aplicación
Tablas
Resumen

El presente artículo reflexiona sobre la importancia del uso y de la alfabetización en inteligencia artificial en los procesos de enseñanza y aprendizaje involucrados en la formación de estudiantes de Medicina y de otras profesiones de la salud. Un aspecto fundamental es que tanto estudiantes como académicos se capaciten en el uso de la inteligencia artificial como elemento de apoyo a las actividades realizadas en los distintos niveles formativos, asumiendo su relevancia en lugar de ser percibida como una amenaza. Lo anterior plantea como desafío la integridad académica.

Palabras clave:
Educación médica
Inteligencia artificial en medicina
Estudiantes de Medicina
Abstract

This article reflects on the importance of Artificial Intelligence (AI) usage and literacy within the teaching and learning processes involved in the training of medical and other health profession students. A fundamental aspect is that both students and faculty receive training in the use of AI—viewing it as a tool to support activities across various stages of training and acknowledging its relevance rather than perceiving it as a threat. This situation presents a challenge regarding academic integrity.

Keywords:
Medical education
Artificial intelligence in medicine
Medical students
Texto completo
Introducción

La inteligencia artificial (IA) es un fenómeno que ha permeado diversas actividades humanas, entre ellas, las relacionadas con los procesos de enseñanza-aprendizaje, generando oportunidades de perfeccionamiento para quienes se abocan a la formación de profesionales de la salud, posibilitando la innovación docente, la optimización del tiempo dedicado a estrategias de enseñanza y evaluación, además de los procesos de retroalimentación.

Es clave que los docentes que forman futuros profesionales se capaciten en metodologías novedosas para responder a la dinámica de estudiantes de grado nacidos en el siglo XXI, potenciando el aprendizaje centrado en el estudiante.

No obstante, pese a las bondades del uso de la IA, deben considerarse algunas barreras que podrían condicionar su uso, entre ellas, la disposición de los académicos y estudiantes para capacitarse en nuevas metodologías y los recursos económicos que sustenten las innovaciones. Afrontar dichas barreras, así como aquellas que son propias del contexto de cada carrera universitaria, posibilita una experiencia prometedora1.

La IA es parte de aquello que, de forma incipiente, se define como educación 5.0, caracterizada por su uso e integración en las prácticas educativas, generando un aprendizaje significativo y personalizado2.

Si tenemos en cuenta que uno de los requisitos del aprendizaje significativo es la motivación y el interés de los estudiantes por los contenidos que estudian3, en ello influiría el uso de la IA, aportando dinamismo al estudio de materias completas como una herramienta de consulta frente a preguntas frecuentes y, en el caso de estudiantes de carreras del área de la salud, permite la generación de casos clínicos que faciliten la comprensión de lo aprendido, entre otras estrategias.

Un desafío importante, además de la capacitación necesaria en el uso de la inteligencia artificial, es incorporar nociones sobre el tópico a nivel curricular, integrándolas formalmente como estrategia de enseñanza en los programas y guías de aprendizaje. En esto, cumple un rol importante la integridad académica, al definir los límites en el uso de la IA por parte del docente y de los estudiantes, puesto que sería equivocado prohibir o sancionar su uso en lugar de establecer parámetros claros sobre su utilización en los procesos de enseñanza-aprendizaje4.

Son múltiples las conceptualizaciones de integridad académica, pero es posible mencionar que la integridad establece un compromiso con 6 valores fundamentales, definidos por el Centro Internacional para la Integridad Académica: honestidad, confianza, justicia, respeto, responsabilidad y coraje5.

La honestidad implica la ausencia de fraude o daño, así como ser legítimo y veraz; la confianza implica que los integrantes de una comunidad académica deben confiar en el trabajo realizado por otros –sean estudiantes o docentes–, descartando posibles falsificaciones y confiando en la aplicación de estándares éticos iguales para todos; la justicia se refiere a la calidad de ser justo, asegurando un trato imparcial, evitando el favoritismo hacia un lado u otro; en tanto, el respeto se entiende, en primera instancia, como un autorrespeto, que significa abordar desafíos sin comprometer los valores propios, y luego, como el heterorrespeto, en el que se valora la diversidad de opiniones; la responsabilidad alude a asumir un deber y cumplirlo, desde una visión ética y normativa; finalmente, el coraje implica la capacidad de los miembros de una comunidad educativa o académica de actuar con arreglo a los propios valores, sin evidenciar temor en dicha actuación, lo que pone de relieve las convicciones personales5.

En la figura 1 se definen los valores relacionados con la integridad académica.

Figura 1.

Definición de los valores que integran el concepto de integridad académica.

Podemos aplicar los valores a diferentes situaciones. Por ejemplo, en una asignatura que forma parte del currículo de una carrera de ciencias de la salud se establece como evaluación el desarrollo de un anteproyecto de investigación en salud pública, en el que previamente el docente indica que el apartado de introducción es el único en el que puede utilizarse la IA para la búsqueda de bibliografía, con indicaciones como las siguientes: artículos publicados en los últimos 5 años en el contexto de la atención primaria de salud. El uso de la IA en este punto debe ser declarado por los estudiantes. Sin embargo, podría darse el caso de que existan estudiantes que no utilicen la IA para la búsqueda bibliográfica, pese a las recomendaciones entregadas. En dicha eventualidad, el docente no puede proceder con mayor favoritismo en la revisión del anteproyecto que prescinde del uso de la IA, por cuanto su utilización ya estaba contemplada dentro de las posibilidades. Finalmente, la responsabilidad de los estudiantes y docentes al proceder correctamente en el desarrollo de la evaluación implica el valor del respeto, mientras que el coraje es especialmente aplicable al rol del docente, quien debe asegurar el cumplimiento de los requisitos formales establecidos para el desarrollo de la actividad.

Respecto a la IA aplicada en la educación médica, destaca su potencial para mejorar la eficiencia en la generación de recursos, favorecer la interactividad de los enfoques pedagógicos y automatizar los procesos de evaluación. Sin embargo, no deben ignorarse los riesgos asociados con las imprecisiones del contenido generado y el potencial deterioro de habilidades de razonamiento clínico debido a la sobredependencia en el uso de estas tecnologías6. Esta preocupación es particularmente relevante en la educación médica, considerando que el razonamiento clínico constituye una competencia central para el ejercicio profesional seguro y la adecuada toma de decisiones en la atención de los pacientes.

Aunque la IA es un fenómeno incipiente, es relevante que las instituciones de educación superior establezcan protocolos de buenas prácticas que permitan la utilización por parte de los actores vinculados con los procesos de enseñanza-aprendizaje.

La importancia de usar prompts adecuados para un buen funcionamiento de la inteligencia artificial de acuerdo a la realidad del estudiante de Medicina

Un prompt es una instrucción, pregunta o enunciado que un ser humano redacta para que un modelo de IA generativa, como ChatGPT o Gemini, produzca una respuesta. El término proviene del inglés y puede traducirse como instrucción o indicación7.

El uso correcto de los prompts y el conocimiento básico de cómo redactarlos son de suma importancia, puesto que, con base en lo que se indique y de las especificaciones que se den, la IA puede cambiar su respuesta radicalmente. Esto se puede evidenciar tanto en una respuesta simple ante una pregunta de contenido como en la creación de un caso clínico hipotético con síntomas, signos, examen físico y exámenes de laboratorio e imágenes, e incluso en la creación de una entrevista clínica simulada utilizando las funciones de voz.

Por lo tanto, el correcto empleo de los prompts desempeña un rol fundamental para la obtención de material de estudio útil y enfocado específicamente en los requerimientos que necesitan los estudiantes, por ejemplo, en la preparación para rendir evaluaciones de asignaturas médico-quirúrgicas en las cuales es necesario desarrollar un razonamiento más clínico y no solo memorizar contenidos; también puede ser útil simplemente para consolidar los conocimientos.

Según la realidad americana y europea, ambas coinciden en que un prompt mal formulado puede dar lugar a respuestas erróneas o inadecuadas que, en el entorno clínico, podrían comprometer la seguridad del paciente o la calidad de la atención7. Además, algunos estudios señalan que los mensajes o preguntas demasiado específicos pueden provocar una simple memorización y restringir el pensamiento reflexivo o profundo8. Por ende, es necesario ser cautos a la hora de utilizar la IA, tanto al momento de proporcionar instrucciones como al momento de solicitar respuestas ante las interrogantes.

Existen distintos tipos de prompts, entre los cuales se encuentran:

  • •

    Zero-shot Prompts: en español este término se podría traducir como «mensaje de disparo directo». Estos prompts son indicaciones que se le dan a la IA sin una entrega de información previa ni ejemplos por parte del usuario8.

  • •

    Few-Shot Prompts: el entrenamiento con pocos ejemplos utiliza una pequeña cantidad de estos para mostrar la tarea deseada a un modelo de IA antes de solicitarle que complete una tarea similar8.

  • •

    Prompting by Level: se ha propuesto que los prompts puedan categorizarse en los niveles 1 a 4. El primer nivel es una pregunta sencilla. El siguiente nivel añade un contexto sobre el escritor y la IA. El tercer nivel proporciona ejemplos a partir de los cuales la IA puede trabajar, y el cuarto nivel permite a la IA desglosar la solicitud en componentes8.

  • •

    Structured Prompts: es un modelo de lenguaje general, usado por ejemplo por ChatGPT, que consiste en incluir siempre los componentes clave en las indicaciones dadas. En primer lugar, se describe quién formula la pregunta; esto ayuda a la IA a adaptar la respuesta a quien formula la solicitud. A continuación, se le indica cómo debe actuar, es decir, se le asigna un papel. Finalmente, se le indica a la IA exactamente qué hacer y cómo dar formato al resultado8.

  • •

    Iterative Prompts: a veces la IA ayuda a crear un prompt8.

En la tabla 1 se exponen las descripciones de los tipos de prompts y ejemplos de aplicación.

Tabla 1.

Descripción de tipos de prompts y ejemplos de aplicación

Prompt  Descripción  Ejemplos 
Zero-shot Prompts  «Mensaje de disparo directo». Son indicaciones que se le dan a la IA sin una entrega de información previa ni ejemplos por parte del usuario8  «Haz un resumen de 2 páginas acerca del tratamiento para el asma» 
Few-Shot Prompts  El entrenamiento con pocos ejemplos para mostrar la tarea deseada a un modelo de IA antes de solicitarle que complete una tarea similar8  «Ejemplo 1. Síntomas: fiebre, odinofagia, disfagia. Posible diagnóstico: faringitis.Ejemplo 2. Síntomas: tos persistente, fiebre, disnea. Posible diagnóstico: neumonía.Ahora analiza el siguiente caso: síntomas: estornudos, congestión nasal y prurito ocular. ¿Cuál es el posible diagnóstico?» 
Prompting by Level  El primer nivel es una pregunta sencilla. El segundo nivel añade un contexto sobre el escritor y la IA. El tercer nivel proporciona ejemplos a partir de los cuales la IA puede trabajar, y el cuarto nivel permite a la IA desglosar la solicitud en componentes8  «Nivel 1: ¿qué es la diabetes mellitus?Nivel 2: soy estudiante de Medicina de primer año, explícame qué es la diabetes mellitus de forma sencillaNivel 3: ejemplo: paciente con glucemia elevada, polidipsia, pérdida de peso (diabetes tipo 1). Ahora explícame qué es la diabetes mellitus y cómo diferenciar ambos tiposNivel 4: actúa como profesor y explica la diabetes mellitus de forma sencilla como si fuera una clase» 
Structured Prompts  Es un modelo de lenguaje general, consiste en incluir siempre los componentes clave en las indicaciones dadas. Se describe quién formula la pregunta, esto ayuda a la IA a adaptar la respuesta a quien formula la solicitud. Luego, se le indica cómo debe actuar, es decir, se le asigna un papel. Finalmente, se le indica a la IA exactamente qué hacer y cómo dar formato al resultado8  «Soy estudiante de tercer año de Medicina y estoy estudiando para un examen de fisiología cardiovascular. Actúa como profesor universitario de fisiología, con experiencia en la enseñanza de estudiantes de Medicina. Explícame el ciclo cardíaco, incluyendo sus fases, cambios de presión y volumen en los ventrículos, y la relación con los ruidos cardíacos. Para la respuesta necesito definición, descripción de cada fase, tabla con fases, presión, volumen y estado de las válvulas, junto con un resumen final con los conceptos más importantes para un examen» 
Iterative Prompts  A veces la IA ayuda a crear un prompt8  «Usuario: Quiero estudiar hipertensión arterial.IA: ¿Qué aspecto de la hipertensión te interesa? Por ejemplo: fisiopatología, diagnóstico, tratamiento o complicacionesUsuario: Quiero enfocarme en el diagnóstico y tratamiento, ayúdame a crear un prompt» 

IA: inteligencia artificial.

Un estudio realizado por investigadores de la Universidad de Hong Kong, publicado en 2024, pretendía determinar si un curso de alfabetización en IA podía ayudar a estudiantes de enseñanza secundaria a desarrollar habilidades para usar la IA de manera efectiva y responsable ante problemas reales9. Tras el desarrollo de esta investigación, en la cual se realizó dicha alfabetización, el resultado obtenido evidenció que realizar cursos para usar de forma efectiva la IA puede mejorar las competencias para un mejor empleo de esta herramienta. Es por esto que se infiere que la preparación temprana en estudiantes, incluso en la etapa escolar, puede constituir una base sólida y relevante para el adecuado uso de la IA en la etapa de formación universitaria.

Integración de la inteligencia artificial en la generación de casos clínicos simulados

La implementación de casos clínicos simulados con IA genera la adquisición y el perfeccionamiento de habilidades clínicas importantes para los estudiantes de Medicina, definidas por la Asociación de Colegios Médicos Estadounidenses en 2013, cuando se convocó a un panel de expertos en educación médica de pre- y posgrado para definir las actividades profesionales que todo médico debería dominar, independientemente de la especialidad. Entre ellas se encuentran: recopilar el historial clínico, priorizar un diagnóstico diferencial después de una consulta clínica, formular preguntas clínicas, obtener evidencia para mejorar la atención al paciente y recomendar e interpretar pruebas diagnósticas y de detección comunes, entre otras10, además de ayudar a la práctica de estos mismos.

Estos casos simulados consisten en escenarios realistas con cierto grado de complejidad, lo que mejora la destreza, la práctica y el reforzamiento de contenidos de los estudiantes11.

Algunas IA útiles para estos casos clínicos son: Gemini y ChatGPT.

Gemini y ChatGPT son IA generativas y multimodales desarrolladas por Google y OpenAI, respectivamente. Ambas son asistentes virtuales capaces de procesar texto, imágenes, audios y códigos.

Una manera de utilizarlas es mediante su función de texto, en la cual se puede subir el temario del examen y pedirle que generen casos sorpresa tipo Examen Clínico Objetivo Estructurado (ECOE), así como preguntas de selección múltiple o de desarrollo con sus respectivas respuestas al final del caso. En esta misma función se puede solicitar a la IA que genere un caso clínico, basándose en la información previamente entregada a modo de entrenamiento, para que de este modo se abarque todo lo necesario para el caso.

El uso de la IA no solo se limita a la creación del caso y las preguntas, sino que también puede proporcionar retroalimentación de acuerdo con el desempeño demostrado por el usuario, en este caso particular, por el estudiante. De esta manera, se pueden detectar áreas de conocimiento deficientes, dificultades persistentes o cambios en el progreso académico, facilitando intervenciones tempranas y estrategias de aprendizaje personalizadas. Para esto, es indispensable proporcionar a la IA pautas o información validadas para que esta retroalimentación sea realmente significativa y no dé lugar a confusiones ni errores que después se puedan plasmar en las evaluaciones, ni mucho menos, en la práctica profesional una vez que el estudiante se encuentre inmerso en el mundo laboral12.

Además, combinado con lo anterior se puede utilizar la función de audio y voz para que la IA entable una conversación, responda a preguntas y actúe simulando lo anterior. Es decir, se puede realizar una entrevista con un paciente simulado, una anamnesis en la cual el paciente simulado mediante IA sea capaz de responder preguntas, decir qué síntomas tiene y qué podemos encontrar al examen físico, así como practicar dando diagnósticos y tratamientos.

Con respecto a lo dicho anteriormente, es importante recordar que se debe entrenar previamente a la IA antes de comenzar a hacer preguntas y generar casos simulados, ya que esto ayuda a reducir el porcentaje de error que pueda haber en la IA.

A continuación, se describe un ejemplo:

Se escribió el siguiente prompt de tipo structured prompts a la IA: «Ten en cuenta que soy un estudiante de Medicina cursando una asignatura clínica y tú eres un doctor que realiza una evaluación tipo examen según el temario y material enviado. Necesito que generes casos clínicos con preguntas de desarrollo y de selección múltiple, que sean de dificultad media a elevada; que incluyan preguntas más específicas, como diagnóstico, tratamiento, imágenes, exámenes y otras preguntas relacionadas con el caso; no me confirmes el diagnóstico hasta que ya esté todo resuelto y haz que las respuestas correctas aparezcan al final de todo el caso. Finalmente, dame una retroalimentación de mi desempeño indicando cuáles son los temas que tengo bien consolidados y cuáles debo reforzar».

Un ejemplo que generó ChatGPT es:

«Caso clínico tipo examen — dolor torácico (nivel difícil)»

Un hombre de 61 años consulta al servicio de urgencias por dolor torácico de aproximadamente 90 minutos de evolución. Describe el dolor como una sensación de «presión intensa» retroesternal, irradiada al hombro izquierdo y a la mandíbula. Refiere náuseas, sudación profusa y sensación de muerte inminente.

Antecedentes: hipertensión arterial, diabetes mellitus tipo 2, dislipidemia, tabaquismo activo (40 paquetes-año) y padre fallecido por enfermedad coronaria a los 55 años.

Medicamentos habituales: losartán, metformina y atorvastatina.

Signos vitales: PA: 96/62 mmHg; FC: 54 lpm; FR: 22 rpm; SatO2: 94% aire ambiente y T°: 36,4 °C.

En el examen físico, el paciente se muestra pálido y diaforético, con ruidos cardíacos rítmicos, sin soplos evidentes, campos pulmonares sin crépitos y extremidades frías.

¿Cuál es el diagnóstico sindromático y etiológico más probable? ¿Cuál sería el manejo adecuado de este paciente? ¿Qué exámenes complementarios se deberían solicitar? Nombra 3 diagnósticos diferenciales.

Con esta información, el estudiante realiza su razonamiento clínico y responde de acuerdo a lo que considera correcto. Luego, la IA puede corregir las respuestas erróneas y mencionar aspectos que se hayan pasado por alto, como un examen de laboratorio importante, un antecedente médico relevante, etc. De esta forma, los estudiantes tienen una instancia valiosa de entrenamiento deliberado y personalizado, obteniendo una noción de cómo será el enfrentamiento a preguntas que suelen ser predecibles en un examen de asignaturas clínicas y, a su vez, obteniendo una retroalimentación de su desempeño para poder reforzar los conocimientos que así lo requieran.

Conclusiones

La aparición de la IA debe ser concebida como una oportunidad para la mejora de los procesos de enseñanza-aprendizaje en la educación médica, en lugar de una amenaza para el rol que cumplen tanto los docentes como los estudiantes. Para ello, es importante que las facultades desarrollen acciones que fomenten la alfabetización en IA y resguarden la integridad académica.

Es fundamental que las actividades de capacitación en habilidades docentes que realicen las unidades de educación médica y de las ciencias de la salud consideren la IA, no solo como una herramienta teórica y práctica, sino también como un aspecto declarativo de los programas de asignatura y las guías de aprendizaje.

Dichas actividades de capacitación deberían indicar el uso específico que podría otorgarse a la IA como estrategia de enseñanza en las diferentes asignaturas, mediante ejemplos, así como los resguardos que deben tomar los docentes al momento de utilizarla para sus actividades (diseño de clases, pautas de evaluación, elaboración de preguntas de pruebas), cotejando los resultados que esta sugiere con el dominio que debe tener el docente de los aspectos pedagógicos e instruccionales.

Las acciones anteriores permiten que la formación de profesionales de la salud muestre una actitud receptiva frente a nuevos paradigmas en los procesos de enseñanza-aprendizaje.

Financiación

Los autores declaran que no recibieron financiación para la realización de este trabajo.

Conflicto de intereses

Los autores declaran que no tienen conflictos de intereses.

Bibliografía
[1.]
E. Rueda, B. Bravo, P. Espinoza.
Inteligencia artificial en la educación médica de pregrado: avances, ventajas y desafíos.
Polo Conoc, 9 (2024), pp. 1631-1647
[2.]
M. Vidal, E. Triana, T. Reyes, R. González.
La educación 4.0 y su aplicación en la educación médica superior.
Educ Med Super, 37 (2023), pp. 1-21
[3.]
S. Otero, B. Núñez, C. Suárez, F. Pozo.
El proceso de enseñanza en el aula desde la perspectiva del aprendizaje significativo.
Rev Latinoam Ogmios, 3 (2023), pp. 13-24
[4.]
M. Triola, A. Rodman.
Integración de la inteligencia artificial generativa en la educación médica: currículo, políticas y estrategias de gobernanza.
Acad Med, 100 (2025), pp. 413-418
[5.]
R. Navarro.
Descripción de los riesgos y desafíos para la integridad académica de aplicaciones generativas de inteligencia artificial.
Derecho PUCP, 91 (2023), pp. 231-270
[6.]
Y. Lin, Z. Luo, Z. Ye, N. Zhong, L. Zhao, L. Zhang, et al.
Applications, challenges and prospects of generative artificial intelligence empowering medical education: a scoping review.
JMIR Med Educ, 11 (2025),
[7.]
T. Heston, Ch. Kuhn.
Prompt engineering in medical education.
Int Med Educ, 2 (2023), pp. 198-205
[8.]
K. Singhal, T. Tu, J. Gottweis, R. Sayres, E. Wulczyn, M. Amin, et al.
Toward expert-level medical question answering with large language models.
Nat Med, 31 (2025), pp. 943-950
[9.]
S. Cheung, M. William, O. Tsang.
Developing an artificial intelligence literacy framework: evaluation of a literacy course for senior secondary students using a project-based learning approach.
Comput Educ Artif Intell, 6 (2024),
[10.]
R. Englander, T. Flynn, S. Call, C. Carracio, L. Cleary, T. Fulton, et al.
Toward defining the foundation of the md degree: core entrustable professional activities for entering residency.
Acad Med, 91 (2016), pp. 1352-1358
[11.]
C. Hernández, Y. Medrano.
La integración de la inteligencia artificial en la educación médica y su impacto en la práctica clínica.
Rev Fund Educ Med, 27 (2024), pp. 59-61
[12.]
A. Sriram, K. Ramachandran, S. Krishnamoorthy.
Artificial intelligence in medical education: transforming learning and practice.
Copyright © 2026. The Author(s)
Descargar PDF
asdasdasd
Opciones de artículo
Herramientas