La inteligencia artificial (IA) se está consolidando como una herramienta clave en las ciencias de la salud, con un impacto creciente no solo en la práctica clínica, sino también en la investigación y en la formación de los profesionales. Este artículo propone una guía de referencia para orientarse en este nuevo escenario, abordando la IA desde una doble perspectiva: la asistencial, marcada por un imperativo ético y regulatorio que exige una supervisión humana competente; y la investigadora, donde herramientas como los grandes modelos de lenguaje y los modelos de razonamiento ofrecen nuevas oportunidades, pero también plantean desafíos para la integridad científica. Se introducen los conceptos principales de la IA aplicada (los datos y los modelos), junto con los principios éticos fundamentales que deben guiar su uso, y se presenta un modelo curricular integral diseñado para dotar a los futuros profesionales de una alfabetización adecuada en IA. El objetivo es capacitarlos para evaluar evidencia, utilizar herramientas de forma segura y ética, y fomentar un uso innovador y responsable de la IA en todas las facetas de su carrera profesional.
Artificial Intelligence (AI) is rapidly becoming an essential tool in the health sciences, with growing influence not only on clinical practice but also on research and education. This article provides an ethical and practical framework for understanding this evolving landscape, addressing AI from two complementary perspectives: clinical practice, shaped by an ethical and regulatory imperative that requires competent human oversight; and research, where emerging tools such as large language models and reasoning systems create new opportunities while raising challenges for scientific integrity. This paper outlines the core components of applied AI—data and models—alongside the fundamental ethical principles that should guide their use, and introduces a comprehensive curriculum designed to foster AI literacy among future healthcare professionals. The primary goal is to enable clinicians and researchers to critically assess evidence, apply AI tools safely and responsibly, and promote an informed, innovative, and ethical use of AI across all areas of healthcare.
La inteligencia artificial (IA) ha dejado de ser una promesa para convertirse en una realidad palpable en el día a día de los profesionales de la salud. Por un lado, está transformando la práctica asistencial a través de un creciente ecosistema de productos sanitarios que, por ejemplo, ayudan al diagnóstico por imágenes médicas u optimizan flujos de trabajo, como los asistentes para la redacción de notas clínicas. Por otro lado, está revolucionando el proceso de generación de conocimiento, ofreciendo a los investigadores herramientas para la creación, el análisis y la difusión científica a una velocidad y una escala sin precedentes.
Sin embargo, este enorme potencial no está exento de riesgos. La promesa de una mayor eficiencia y precisión viene acompañada del peligro de una implementación no reflexiva que puede conducir a errores diagnósticos, a la perpetuación de sesgos, a la desinformación o, en última instancia, a la mala praxis. Para mitigar estos riesgos, normativas recientes como el Reglamento General de Protección de Datos (GDPR)1, el Reglamento de Productos Sanitarios (MDR)2 y la nueva Ley de Inteligencia Artificial de la Unión Europea (RIA)3 han establecido marcos regulatorios que imponen responsabilidades tanto a los fabricantes que desarrollan la IA como a los centros sanitarios que la emplean. Entre esas obligaciones, destaca la necesidad de contar con profesionales debidamente formados en su utilización.
Frente a este panorama, la formación tradicional en ciencias de la salud resulta insuficiente. Ya no basta con ser un experto clínico o un metodólogo riguroso; es imperativo desarrollar una alfabetización crítica y transversal en IA. Este artículo sostiene que esta necesidad formativa constituye el eje central de un futuro ejercicio profesional ético y seguro. Para ello, se propone un marco docente que aborda las competencias necesarias en los 2 grandes dominios de la IA en medicina: la práctica clínica regulada y la investigación científica, ofreciendo un punto de partida para que los educadores preparen a las nuevas generaciones frente a los desafíos y oportunidades del siglo XXI.
Fundamentos de inteligencia artificial para el profesional de la saludAntes de abordar las complejidades de su aplicación clínica o de investigación, todo profesional de la salud debe comprender en qué consiste la IA actual y tener una noción clara de los principios éticos fundamentales que deben guiar su uso.
De la inteligencia artificial predictiva a la generativaLa tecnología que hoy denominamos IA tiene como núcleo principal el aprendizaje automático (denominado machine learning), un subcampo dedicado al desarrollo de algoritmos capaces de aprender a partir de datos. En esencia, consiste en proporcionar a determinados algoritmos grandes volúmenes de datos para que extraigan patrones de forma automática, en un proceso denominado entrenamiento. Una vez entrenado, el algoritmo se materializa en un programa informático que, al recibir una entrada, realiza cálculos basados en los patrones aprendidos y genera una salida. Esta salida será correcta cuando dichos patrones sean lo suficientemente generales y adecuados para nuevos casos que no participaron en el entrenamiento.
De este modo, la diferencia entre el software tradicional y el software basado en IA es fundamental. En el software tradicional (p. ej., la historia clínica electrónica) las salidas se generan siguiendo reglas lógicas escritas en un lenguaje de programación (p. ej., «si se ha agotado el fármaco, muestra una alerta»). En cambio, en la IA esas reglas no se programan, sino que se aprenden automáticamente. Así, una IA entrenada para detectar radiografías patológicas asignará una probabilidad alta (p. ej., 90%) a una nueva imagen si en los datos de entrenamiento las imágenes similares mostraban enfermedades. El algoritmo (también denominado modelo) aprende de forma automática las características que distinguen lo normal de lo patológico tras analizar los datos repetidamente. Además, a diferencia del software tradicional, la IA no es determinista: su desempeño no está definido por reglas fijas, sino que se observa y se valida de manera empírica.
En la práctica, podemos distinguir 2 grandes corrientes de IA. La primera es la IA predictiva, la más madura y presente en los productos sanitarios comerciales. Son modelos que estiman la probabilidad de que la entrada cumpla cierta condición o pertenezca a una categoría, o que predicen valores continuos relevantes, y se aplican a tareas concretas como el diagnóstico por imagen, la predicción de desenlaces clínicos o la estimación de demanda asistencial y ocupación hospitalaria. La segunda, más reciente, es la IA generativa, que ha sido popularizada por herramientas como ChatGPT. Son modelos capaces de crear contenido nuevo (texto, imágenes, código) a partir de los patrones aprendidos y de las instrucciones proporcionadas por el usuario. Estas instrucciones se conocen como prompts y pueden incluir texto, imágenes u otros datos. Por ejemplo, a un modelo como ChatGPT podemos darle una sección de este artículo y pedirle, en el prompt, que la resuma, la traduzca al inglés o incluso la transforme en un poema. En realidad, podemos solicitarle casi cualquier tarea, y ahí radica su potencia: los problemas que potencialmente puede abordar son prácticamente infinitos. Este tipo de modelos generativos se conocen como grandes modelos de lenguaje (large language models, LLM), debido a su enorme tamaño y a su especialización en el procesamiento del lenguaje.
Recientemente, los LLM han incorporado capacidades de análisis de imágenes, audio y vídeo, así como conexión con herramientas externas y nuevos mecanismos de razonamiento. Los denominados modelos razonadores generan internamente secuencias de texto intermedias (una especie de «pensamiento en voz baja») que les permiten planificar y evaluar sus propias respuestas antes de producir la respuesta final. Gracias a ello, pueden abordar problemas más complejos, descomponerlos en pasos intermedios y validar parcialmente sus conclusiones. Este proceso, aunque más costoso en tiempo computacional, puede mejorar la coherencia y la fiabilidad de sus resultados. Cuando a un modelo de este tipo se le permite actuar de manera autónoma, combinando el razonamiento con la interacción con su entorno digital (p. ej., buscando información, ejecutando cálculos o redactando informes), se le considera un agente. Estos agentes son sistemas versátiles capaces de asumir tareas para las que no fueron entrenados explícitamente, aunque con un resultado que no siempre está garantizado. De hecho, su uso en la práctica clínica es todavía muy limitado debido a las dificultades de validación y regulación como producto sanitario.
El ecosistema del dato: el combustible de la inteligencia artificialComo podemos intuir, ningún sistema de IA es mejor que los datos con los que ha sido entrenado, ya que la búsqueda automática de patrones se realiza exclusivamente en esos datos de entrenamiento. Además, para conocer su desempeño, es necesario evaluarlo con datos distintos a los utilizados durante dicho entrenamiento, dado que es esperable que funcione bien precisamente con esos datos en los que ha basado su aprendizaje. Este conjunto de datos suele conocerse como conjunto de validación o prueba, y debería proceder del escenario de uso real de la IA, o al menos de uno muy similar, de manera que sea representativo para evaluar su rendimiento real. Para el profesional, comprender que detrás de cada algoritmo hay varios conjuntos de datos (entrenamiento, validación y prueba, con sus sesgos y contexto) es esencial para una interpretación crítica.
Más allá de los conjuntos de datos empleados en el desarrollo de un modelo, a la hora de evaluar la implantación de un sistema de IA conviene considerar múltiples facetas de su ecosistema de datos. Entre ellas, destacan la gobernanza y la privacidad, que exigen el cumplimiento de normativas como el GDPR y la garantía de confidencialidad en el procesamiento, manteniendo siempre la trazabilidad y la supervisión humana. También son fundamentales la calidad y la representatividad, ya que los datos no solo deben ser precisos, sino también reflejar de manera adecuada a la población sobre la que se aplicará el sistema.
Precisamente, los sesgos demográficos presentes en los datos (y posteriormente aprendidos por los modelos) constituyen uno de los grandes retos técnicos de la IA para avanzar hacia sistemas más justos. Un modelo entrenado con datos procedentes de un grupo demográfico o de un tipo de dispositivo específico puede mostrar un rendimiento inferior en otros contextos, perpetuando o incluso amplificando desigualdades en salud4. Por ejemplo, un algoritmo para el cribado de la retinopatía diabética puede haberse entrenado exclusivamente con pacientes españoles de ascendencia europea. Su aplicación directa en el sistema público de salud, sin tener en cuenta este sesgo, podría generar inequidades en el cribado de poblaciones infrarrepresentadas, como aquellas con mayor pigmentación del fondo de ojo (p. ej., personas de ascendencia africana, afrocaribeña o sudasiática).
Principios éticos fundamentalesBasándonos en recomendaciones de la UNESCO5, destacamos 4 principios éticos para guiar la interacción del profesional con cualquier sistema de IA. El primero es la equidad y la no discriminación, que insta a evitar que los algoritmos perpetúen sesgos. Los profesionales deberían asegurarse de que el uso del algoritmo no discrimina a grupos de población y, cuando sea necesario, compensar esas limitaciones, por ejemplo, garantizando la asistencia sanitaria a los pacientes sobre los que el algoritmo no pueda aplicarse. El segundo es la transparencia y la explicabilidad. El profesional debería conocer el funcionamiento básico del algoritmo y sus limitaciones, siendo capaz de interpretar y contextualizar sus salidas antes de tomar decisiones clínicas. Por último, los principios de supervisión y decisiones humanas, junto con el principio de responsabilidad y rendición de cuentas, establecen que siempre debe existir una supervisión profesional de las salidas del sistema. La responsabilidad final recae en los sanitarios, que deben disponer de mecanismos efectivos de reparación cuando un sistema falle y cause perjuicios; por ejemplo, poder priorizar manualmente a un paciente despriorizado por un error algorítmico.
Adicionalmente, consideramos esencial la participación y la confianza del paciente, reconociéndolo como un actor central que debe estar informado sobre el uso de la IA, su finalidad y sus limitaciones (RGPD arts. 13 y 14, RIA art. 13). Asimismo, debe poder elegir entre las opciones diagnósticas o terapéuticas disponibles, pudiendo ser la IA una de ellas (Ley 41/2002). El profesional, como mediador cualificado, tiene la responsabilidad de traducir la aportación del algoritmo en un diálogo claro, garantizando el cumplimiento normativo y reforzando la relación humano–humano6. Dada la complejidad normativa, recomendamos que el profesional se apoye en los servicios jurídicos de su centro sanitario para determinar la necesidad de el consentimiento informado en cada uso clínico de la IA (el consentimiento informado será necesario, según el RGPD, art. 22, cuando la IA se utilice para tomar decisiones automatizadas con efectos significativos).
La inteligencia artificial en la práctica clínica: un entorno regulado y de alto riesgoLa aplicación de la IA en el entorno clínico ha experimentado una rápida proliferación, con un número creciente de herramientas de software acreditadas para su comercialización en la Unión Europea como productos sanitarios mediante el marcado de conformidad europea (CE)7. Este distintivo garantiza que cumplen los requisitos europeos de calidad, seguridad y eficacia. Este auge, que abarca desde el diagnóstico por imagen hasta los sistemas de apoyo a la decisión, se desarrolla en un contexto en el que el RIA los ha clasificado explícitamente como sistemas de alto riesgo (esta clasificación se deriva principalmente del artículo 6 del RIA, que establece que cualquier sistema de IA que sea un producto regulado por normativas incluidas en el anexo II, como el MDR, y que ya requiera una evaluación por un tercero, hereda automáticamente esta categoría de riesgo). Esta consideración responde a su potencial impacto sobre la salud, la seguridad y los derechos fundamentales de los pacientes8.
Por ello, la práctica clínica asistida por IA en Europa opera hoy bajo una doble capa regulatoria: el MDR2, que garantiza la seguridad y la eficacia de la IA como producto sanitario (regula el marcado CE), y el RIA3, que impone obligaciones estrictas sobre la robustez, la transparencia y la supervisión humana de los modelos. Lejos de eliminar la responsabilidad del profesional, este marco dual la redefine, la hace más explícita y establece un imperativo educativo ineludible.
El marcado de conformidad europea no sustituye a la formación: el imperativo de la supervisión competenteEs necesario aclarar una concepción errónea frecuente: asumir que un software médico con marcado CE es, por sí mismo, intrínsecamente seguro. En realidad, dicho marcado únicamente certifica que el fabricante ha validado la herramienta para una finalidad prevista (intended purpose). Esta finalidad delimita de manera precisa la población diana, el contexto de uso (por ejemplo, cribado y no diagnóstico), el perfil y las competencias de los usuarios previstos, así como la adecuada interpretación de sus resultados. En última instancia, el modelo estará condicionado por los datos utilizados para su entrenamiento y validación, lo que en la práctica determina los límites de la finalidad prevista. El fabricante debe proporcionar esta información al centro sanitario mediante instrucciones de uso detalladas, tal como establece el MDR (anexo I, capítulo III, sección 23.4).
Esta información es vital, ya que incluso los modelos con marcado CE pueden ver reducido su rendimiento cuando se aplican a datos diferentes de aquellos empleados en su desarrollo. La razón de fondo es que estos modelos pueden estar sesgados4 por diferentes fuentes de variabilidad, como factores demográficos de la población (edad, sexo, etnia, etc.), el tipo de dispositivo que generó las imágenes o el protocolo de adquisición utilizado. Por ello, antes de implantar un producto sanitario basado en IA en la práctica asistencial, es necesario asegurar que alcanzará el desempeño esperado y que este se mantendrá en el tiempo en el contexto local. Dicha verificación puede requerir una colaboración estrecha con el fabricante, evaluando una muestra significativa de los datos del centro sanitario donde se aplicará.
Una vez verificado su correcto funcionamiento, es imprescindible establecer un procedimiento que garantice que la IA se utilice estrictamente dentro del contexto definido por sus instrucciones de uso. De lo contrario, el fabricante no asumirá la responsabilidad en caso de error, atribuyéndolo a un uso indebido. De hecho, la normativa vigente establece un modelo de responsabilidad compartida: el fabricante garantiza la seguridad del producto cuando se emplea dentro de su finalidad prevista, mientras que el centro sanitario y sus profesionales deben asegurar que no se excedan esos límites. En este sentido, el artículo 26 (2) del RIA adquiere un papel central, al exigir que la supervisión sea ejercida por personal con la «competencia, formación y autoridad necesarias».
En concreto, en el artículo 14 del RIA se describe cómo debe realizarse la supervisión humana. Según este, el usuario debería ser capaz de: a) «comprender adecuadamente las capacidades y limitaciones pertinentes del sistema de IA de alto riesgo», b) «ser consciente de la posible tendencia a confiar automática o excesivamente en los resultados», c) «interpretar correctamente los resultados», d) «hacer caso omiso, anular o invertir el resultado» y e) «intervenir en el funcionamiento del sistema (...) o interrumpirlo mediante un botón de parada».
La formación, por tanto, no es un complemento, sino una obligación para cumplir la normativa. Es el proceso que capacita al profesional sanitario para comprender y respetar la finalidad prevista del dispositivo basado en IA. Le permite ejercer una supervisión crítica, intervenir de forma informada y evitar el sesgo de automatización9; es decir, la confianza excesiva en las recomendaciones del algoritmo.
Más allá de la implementación: la vigilancia del modelo en el tiempoLa validación de un producto sanitario basado en IA no es un evento único. Su rendimiento puede degradarse con el tiempo si los datos del mundo real difieren de los utilizados durante el entrenamiento, un fenómeno conocido como data drift10. Este desajuste, provocado por la introducción de nuevo equipamiento, cambios demográficos o modificaciones en los circuitos asistenciales, puede comprometer de forma silenciosa la seguridad del paciente. Por ejemplo, un cambio en el protocolo de adquisición de imágenes (como dejar de dilatar la pupila) podría alterar la calidad de las retinografías y, en consecuencia, afectar a la detección de la retinopatía diabética realizada por el algoritmo.
La normativa afronta este riesgo con un sistema de vigilancia poscomercialización que reparte las responsabilidades. El MDR exige a los fabricantes monitorizar el rendimiento de sus productos en la práctica real, notificar los incidentes y conservar los registros correspondientes (artículos 83 y 87). Por su parte, los centros sanitarios y los profesionales deben usar la herramienta conforme a sus indicaciones, supervisar su funcionamiento y comunicar cualquier problema detectado. El RIA refuerza estas obligaciones (artículos 26 y 72), recordando que la seguridad de la IA en medicina no termina con la aprobación del sistema: requiere una supervisión constante y compartida.
El desafío inminente: los grandes modelos de lenguaje en la práctica clínicaLa llegada de los LLM a los sistemas sanitarios es inminente. Herramientas como ChatEHR, desarrollada en Stanford Medicine, ya demuestran su potencial para acelerar la revisión de historiales clínicos o automatizar tareas administrativas11. Sin embargo, el uso de estos modelos como apoyo en la toma de decisiones clínicas conlleva riesgos que exigen una formación específica12. Entre ellos, uno de los más graves es la omisión crítica, en la que un resumen, por bien redactado que esté, puede excluir información clínica relevante. A este se suma la alucinación plausible (en el ámbito de los LLM se utiliza el término alucinación para referirse a hechos inventados por los modelos), es decir, la capacidad de los modelos para generar datos coherentes pero falsos. Un tercer riesgo es la pérdida de contexto, cuando un dato correcto se interpreta de forma errónea al presentarse de manera aislada. Finalmente, existe el riesgo de revelación de datos personales si se introduce información identificable en plataformas que operan en la nube, vulnerando la confidencialidad y normativas como el RGPD. Los profesionales con formación adecuada podrán integrar estas herramientas de forma segura; sin ella, un uso poco reflexivo podría infringir la normativa, acarrear sanciones y, sobre todo, comprometer la seguridad del paciente.
Competencias para la práctica clínica asistida por inteligencia artificialPara operar de forma segura en la práctica clínica, el profesional necesita un conjunto integrado de competencias. En primer lugar, debe ser capaz de realizar una evaluación crítica de la evidencia que respalda una herramienta, aplicando guías estandarizadas como STARD-AI para evaluar el rendimiento diagnóstico4 y CONSORT-AI para valorar su impacto y utilidad clínica13, y preguntándose si la validación del modelo es aplicable a su propio contexto asistencial. En segundo lugar, debe ser capaz de mantener una interacción segura y ejercer una supervisión crítica, actuando como un «humano en el bucle» (human in the loop) que comprende los límites del sistema, verifica la información y mitiga activamente el sesgo de automatización9. Finalmente, resulta imprescindible que posea nociones normativas básicas sobre las responsabilidades que la legislación atribuye al profesional, a su institución y al fabricante.
La inteligencia artificial en la investigación: los grandes modelos de lenguaje como asistentesSi el ámbito asistencial avanza hacia una regulación cada vez más estricta, el uso de la IA en tareas de investigación se presenta lleno de oportunidades. En particular, los LLM se están consolidando como asistentes de investigación extraordinariamente potentes, capaces de acelerar el ciclo del conocimiento14,15. Su utilidad abarca desde las fases iniciales de ideación y revisión bibliográfica, donde facilitan la exploración de hipótesis y la síntesis de trabajos, hasta el análisis de datos, gracias a su capacidad para generar código en lenguajes como Python o R. En la fase de redacción, resultan herramientas valiosas para mejorar la estructura, la claridad y el estilo del manuscrito, especialmente al refinar la escritura en inglés. Los modelos más avanzados pueden incluso simular una revisión por pares virtual, analizando el texto para detectar incongruencias y proponer mejoras de manera constructiva.
Guía de buenas prácticas para el uso de grandes modelos de lenguaje en investigaciónSin embargo, la potencia de estas herramientas no está exenta de riesgos, por lo que debe hacerse un uso responsable de las mismas. Basándonos en las recomendaciones de Smith, Bello, Bialic-Murphy, et al.15 para el uso de LLM en ciencia, la tabla 1 presenta un decálogo de buenas prácticas que todo investigador debería seguir.
Decálogo de buenas prácticas en el uso de grandes modelos de lenguaje para investigadores en ciencias de la salud
| N | Principio | Descripción |
|---|---|---|
| 1 | Confidencialidad | No se deben introducir datos de pacientes, información personal identificable ni datos de investigación confidenciales en plataformas de IA públicas. Estos datos podrían utilizarse para reentrenar el modelo |
| 2 | Tú eres el autor | Las principales revistas (como Nature) prohíben explícitamente incluir a la IA como coautora, ya que no puede asumir responsabilidad ni autoría intelectual |
| 3 | Verifica, no confíes | Cada dato, cita, referencia o afirmación factual generada por el LLM debe considerarse no verificada. El riesgo de alucinaciones es real, por lo que siempre debe consultarse la fuente original |
| 4 | Sé consciente del sesgo sutil | Un LLM puede reforzar el statu quo, priorizando artículos muy citados o escritos en inglés. Es recomendable realizar búsquedas complementarias para evitar omisiones relevantes o perspectivas diversas |
| 5 | Documenta tu proceso | La transparencia es clave. Si el uso del LLM ha sido sustancial en la metodología (por ejemplo, para un cribado inicial de artículos), debería declararse en la sección de métodos |
| 6 | Domina el arte del prompt | La calidad de la respuesta depende de la calidad de la pregunta. Conviene ser específico, proporcionar contexto y guiar al modelo para obtener resultados más fiables y útiles |
| 7 | Itera y refina | La primera respuesta puede ser incorrecta o incompleta. El LLM debe emplearse como un interlocutor para contrastar ideas, solicitar contraargumentos y perfeccionar razonamientos |
| 8 | Protege tu propiedad intelectual | Es aconsejable ser prudente al discutir ideas de investigación novedosas en plataformas públicas antes de que estén protegidas o publicadas |
| 9 | Entiende sus límites de conocimiento | Los LLM tienen una «fecha de corte» y desconocen la literatura más reciente Su uso debe complementarse siempre con búsquedas actualizadas |
| 10 | Úsalo para potenciar, no para reemplazar | La IA debe emplearse para automatizar tareas rutinarias y potenciar la creatividad y el pensamiento crítico, nunca para sustituirlos |
LLM (large language models).
En todo caso, se recomienda evitar una dependencia excesiva del modelo y priorizar en todo momento el juicio experto de los autores. El LLM debe considerarse una herramienta de apoyo y utilizarse con cautela. Asimismo, es importante revisar las normas editoriales o éticas del medio de difusión (revista, congreso, informe técnico o repositorio institucional) donde se publique el trabajo para realizar una declaración adecuada de su uso.
Propuesta curricular integral para la alfabetización sanitaria en inteligencia artificialFrente a este doble desafío, clínico e investigador, conviene estructurar la formación en IA a lo largo de toda la carrera profesional. Proponemos un modelo curricular de 3 niveles, que abarca desde el grado universitario, la residencia/posgrado y la práctica profesional continuada del clínico.
Nivel 1 - fundamentos (grado)El primer nivel, dirigido a los estudios de grado, busca cimentar una alfabetización básica y universal en IA. El objetivo es que todo estudiante de ciencias de la salud se gradúe con una comprensión conceptual sólida de IA. El currículo debe incluir:
Conceptos fundamentales: IA predictiva y generativa, LLM y sus limitaciones, el ecosistema del dato y los pilares éticos (ver sección 2 de este artículo).
Nociones regulatorias: productos sanitarios basados en IA, actores y responsabilidades, clasificación por riesgo y relevancia de la supervisión humana (ver sección 3).
IA en la práctica clínica: ejemplos de uso de productos sanitarios con IA; instrucciones de uso, evaluación crítica, supervisión, notificación de incidentes y comunicación con el paciente (ver sección 3).
IA en la investigación: análisis y discusión del decálogo de buenas prácticas para el uso de LLM (ver sección 4).
Nivel 2 - Aplicación y evaluación crítica (residencia/posgrado)Durante la especialización, la formación debe ser eminentemente práctica y centrada en la aplicación clínica y científica de la IA:
Talleres de medicina basada en la evidencia con casos de IA: sesiones prácticas donde los residentes analizan críticamente artículos científicos sobre herramientas de IA utilizando las guías STARD-AI16 y CONSORT-AI13.
Simulación clínica con IA predictiva: escenarios clínicos simulados en los que los residentes deben interactuar con una herramienta de IA de alto riesgo, tomar decisiones, justificarlas y explicarlas al paciente, reflexionando sobre los factores humanos como el sesgo de automatización.
Talleres de LLM en la práctica clínica: actividades con historiales clínicos sintéticos o anonimizados que ilustren la utilidad y las limitaciones de los LLM en distintos escenarios asistenciales.
Talleres de LLM en la investigación: ejercicios prácticos orientados al uso de LLM en tareas como la elaboración de un estado del arte, cuyo objetivo sea identificar tanto los aciertos como los errores y omisiones del modelo.
Nivel 3 - Formación médica continuadaEl campo de la IA avanza a una velocidad vertiginosa. Las instituciones sanitarias y las sociedades científicas deben ofrecer programas de actualización periódicos sobre nuevas tecnologías, cambios regulatorios y buenas prácticas actualizadas, garantizando que los profesionales mantengan sus competencias a lo largo de toda su trayectoria profesional.
ConclusiónEn este artículo hemos propuesto un currículo formativo en IA para profesionales sanitarios, sumándonos a un creciente cuerpo de literatura que subraya la urgencia de esta necesidad17,18. Nuestra propuesta se distingue por fundamentarse en la normativa europea y por estructurar la formación en torno a 2 grandes dominios de aplicación: el entorno clínico regulado, donde la prioridad es la supervisión competente de herramientas de alto riesgo, y el entorno investigador, donde el desafío central consiste en salvaguardar la integridad científica. Este doble enfoque ofrece al profesional un mapa conceptual claro para afrontar su práctica diaria, en coherencia con la normativa y los principios éticos que deben guiar su labor.
Reconocemos que se trata de un marco general que requerirá adaptaciones específicas según la especialidad clínica, así como actualizaciones continuas en un campo en rápida evolución. Además, plantea desafíos adicionales, como la formación del profesorado, los recursos materiales y la integración curricular que no hemos abordado en este trabajo. No obstante, consideramos que constituye una hoja de ruta útil para guiar la incorporación de la IA en la educación médica.
A modo de conclusión, destacamos 3 principios esenciales que deben guiar esta formación:
- 1.
La alfabetización crítica en IA debe integrarse de manera transversal en la educación médica, abarcando tanto la práctica clínica como la investigación.
- 2.
En la práctica clínica, la supervisión humana competente constituye un imperativo ético y regulatorio; en el ámbito investigador, resulta imprescindible mantener buenas prácticas que garanticen la integridad científica.
- 3.
La formación debe reforzar la responsabilidad indelegable del profesional, quien actúa como intermediario cualificado entre la tecnología y el paciente.
En última instancia, el valor de la IA en medicina no reside en la tecnología en sí, sino en la capacidad del profesional para aplicarla con juicio crítico, supervisión responsable y sensibilidad hacia el paciente. Es esta mediación humana la que convierte los algoritmos en herramientas útiles y seguras, capaces de transformar su potencial en un beneficio tangible para la salud y el bienestar colectivo.
FinanciaciónLos autores declaran que no han recibido financiación para este trabajo.
Conflicto de interesesLos autores declaran no tener ningún conflicto de intereses.
