Experiencias de estudiantes de enfermería con imágenes generadas por inteligencia artificial para apoyar el razonamiento diagnóstico

Resumen

Antecedentes

Los estudiantes de enfermería a menudo tienen dificultades para aplicar diagnósticos enfermeros abstractos en escenarios clínicos. Aunque se ha demostrado que los apoyos visuales mejoran la comprensión y la memoria, su uso en la enseñanza de taxonomías enfermeras estandarizadas sigue estando poco explorado. Con el auge de la inteligencia artificial (IA) generativa, surgen nuevas posibilidades para desarrollar herramientas de aprendizaje visual específicas contextualizadas que respalden el razonamiento diagnóstico.

Objetivo

Explorar las experiencias de estudiantes de enfermería tras utilizar un manual visual-textual que incluía imágenes de diagnósticos enfermeros generadas por inteligencia artificial durante ejercicios de casos clínicos simulados.

Métodos

Estudio descriptivo cualitativo basado en un paradigma interpretativo. Diecisiete estudiantes de enfermería de segundo año utilizaron un manual visual-textual que combinó las definiciones de NANDA International (NANDA-I) con ilustraciones diagnósticas generadas por IA. Los participantes analizaron tres casos clínicos simulados y elaboraron reflexiones escritas individuales. Los datos fueron analizados mediante un análisis temático inductivo, abordándose la fiabilidad mediante reflexibilidad, registros de auditoría, y transparencia metodológica.

Resultados

Surgieron cuatro temas principales: (1) la inmersión visual mejoró la implicación y la conexión emocional con los casos clínicos; (2) las imágenes facilitaron la claridad y la diferenciación diagnósticas; (3) surgieron preocupaciones en cuanto a exceso de confianza, ambigüedad interpretativa y estereotipificación; (4) los estudiantes expresaron un fuerte interés por las aplicaciones futuras de la IA visual en los currículos de enfermería.

Conclusión

Las imágenes generadas por IA pueden actuar como herramientas de andamiaje potentes para respaldar la integración de los diagnósticos NANDA-I en el razonamiento de los estudiantes. Sin embargo, su uso debe enmarcarse dentro de las estrategias pedagógicas que promuevan la reflexión crítica, la sensibilidad cultural y la profundidad analítica.

Abstract

Background

Nursing students often struggle to apply abstract nursing diagnoses in clinical scenarios. Although visual aids have been shown to enhance understanding and memory, their use in teaching standardised nursing taxonomies remains underexplored. With the rise of generative artificial intelligence (AI), new possibilities emerge for developing context-specific visual learning tools to support diagnostic reasoning.

Aim

To explore undergraduate nursing students’ experiences after using a visual-textual manual featuring AI-generated images of nursing diagnoses during simulated clinical case exercises.

Methods

Qualitative descriptive study grounded in an interpretivist paradigm. Seventeen second-year nursing students used a visual-textual manual combining NANDA International (NANDA-I) definitions with AI-generated diagnostic illustrations. Participants analysed three fictional clinical cases and subsequently submitted individual reflective narratives. Data were analysed using inductive thematic analysis, and trustworthiness was addressed through reflexivity, audit trails, and methodological transparency.

Results

Four main themes emerged: (1) Visual immersion enhanced engagement and emotional connection with clinical cases; (2) Images supported diagnostic clarity and differentiation; (3) Concerns arose regarding overreliance, interpretive ambiguity, and stereotyping; (4) Students expressed strong interest in future applications of AI visuals across nursing curricula.

Conclusion

AI-generated images can serve as powerful scaffolding tools to support the integration of NANDA-I diagnoses into students’ clinical reasoning. However, their use must be framed within pedagogical strategies that promote critical reflection, cultural sensitivity, and analytical depth.

¿Qué se conoce?

Las estrategias de aprendizaje visual, tales como las imágenes o los métodos basados en las artes, pueden mejorar la implicación de los estudiantes. Sin embargo, no se ha explorado aún el uso educativo de las imágenes para respaldar los diagnósticos enfermeros NANDA.

¿Qué aporta?

Este estudio ofrece un enfoque innovador acerca del modo en que imágenes generadas mediante inteligencia artificial apoyan el proceso de aprendizaje de los estudiantes de enfermería.

Antecedentes

Los diagnósticos enfermeros precisos son la piedra angular de un cuidado seguro, centrado en la persona y basado en la evidencia. Estructuran el proceso enfermero, respaldan la comunicación interdisciplinar y guían las intervenciones terapéuticas¹. Sin embargo, los estudiantes se enfrentan a menudo a dificultades a la hora de desarrollar habilidades de razonamiento diagnóstico, en particular en las etapas tempranas de la formación, donde la terminología abstracta de las taxonomías tales como NANDA International (NANDA-I) puede parecer desconectada de las realidades de la práctica clínica^2,3.

Para promover la consistencia y el rigor analítico, NANDA-I aporta un sistema de clasificación diagnóstica basado en las características definitorias y factores relacionados⁴. En España, la integración de NANDA-I, junto con las clasificaciones NIC (Nursing Interventions Classification) y NOC (Nursing Outcomes Classification), es obligatoria legalmente para la documentación clínica⁵. Sin embargo, la evidencia empírica refleja que los estudiantes a menudo encuentran dificultades en identificar los signos y síntomas relevantes, diferenciar entre diagnósticos solapados, y aplicar dichos marcos de manera significativa a los contextos de simulación o de pacientes reales^6–8.

Como respuesta, los educadores enfermeros han adoptado crecientemente las pedagogías multimodales, incluyendo simulación, mapas conceptuales, análisis de casos y herramientas digitales. Entre estas, las estrategias de aprendizaje visual se han ido afianzando dada su capacidad de mejorar la observación, la interpretación y la retención. Los modelos teóricos tales como «la teoría de la codificación dual»⁹ y «la teoría de la carga cognitiva»¹⁰ plantean que la combinación de los contenidos verbal y visual reduce la sobrecarga cognitiva y respalda una integración conceptual más profunda. Asimismo, las metodologías visuales han sido vinculadas al desarrollo del pensamiento crítico, al reconocimiento de patrones y a la empatía en los estudiantes sanitarios^11–15.

Las pedagogías enriquecidas por las artes, que incluyen el uso de fotografías, bellas artes, o narrativas visuales, han demostrado ser beneficiosas para la precisión observacional y la claridad diagnóstica^15,16. Las estrategias de pensamiento visual (EPV) por ejemplo, han sido utilizadas para mejorar las competencias de interpretación clínica y estimular el razonamiento inductivo mediante el análisis visual guiado¹⁷. Dichos enfoques comparten una orientación constructivista, promoviendo la reflexión y la construcción activa del conocimiento por parte del estudiante.

Los avances recientes en términos de inteligencia artificial (IA) generativa ofrecen oportunidades nuevas para el desarrollo de recursos visuales realistas, adaptables y sensibles al contexto para la educación enfermera. Las imágenes generadas por IA pueden simular signos y síntomas clínicos, estados emocionales y diversidad de pacientes, facilitando potencialmente la internalización de las categorías diagnósticas abstractas tales como las que se encuentran en NANDA-I. Sin embargo, a pesar de que algunos estudios han explorado la IA en la imagen diagnóstica o la educación médica, la aplicación pedagógica de los elementos visuales generados por IA en la enfermería sigue estando poco explorada^18,19.

Este estudio aborda dicha brecha examinando las experiencias de los estudiantes universitarios de enfermería que utilizaron un manual visual-textual que integró las definiciones diagnósticas NANDA-I e imágenes generadas por IA. El objetivo fue explorar el modo en que dicha herramienta influyó en el razonamiento diagnóstico, su implicación emocional y las percepciones, sobre su valor educativo en ejercicios de casos clínicos simulados.

Objetivo

El objetivo de este estudio fue explorar las experiencias de los estudiantes universitarios de enfermería tras participar en una actividad docente que utilizó un manual visual-textual que integró las definiciones diagnósticas de NANDA-I e imágenes generadas por IA, para respaldar el razonamiento diagnóstico.

Metodología

Diseño del estudio y orientación epistemológica

Este estudio utilizó un diseño descriptivo cualitativo enmarcado en un paradigma interpretativo, que trata de comprender el modo en que los individuos construyen un significado a partir de las experiencias vividas. Se eligió este enfoque dada su idoneidad para explorar las percepciones de los estudiantes en contextos educativos auténticos, sin imposición de categorías teóricas preexistentes^20,21.

En consistencia con esta orientación metodológica, el estudio se centró en explorar las experiencias de los estudiantes tras el uso de recursos visuales generados por IA, en lugar de evaluar la efectividad de la intervención educativa en sí misma.

Ámbito y participantes

El estudio fue realizado en la Universidad del País Vasco (UPV/EHU) durante el curso académico 2024-2025. Los participantes fueron seleccionados de un curso básico de segundo año titulado Bases metodológicas de la enfermería, que enseña el proceso enfermero y la aplicación de las taxonomías NANDA-I, NIC y NOC^4,22,23.

De los 86 estudiantes matriculados en el curso, 17 consintieron participar voluntariamente en la investigación. Todos los participantes habían completado previamente cursos de valoración de salud y fundamentos de la enfermería. No se proporcionaron incentivos ni ventajas académicas, para garantizar la participación voluntaria e imparcial.

Intervención educativa: manual visual-textual con imágenes generadas por IA

La intervención educativa implicó el uso de dos recursos complementarios para respaldar el razonamiento diagnóstico de los estudiantes. En primer lugar, se suministró a los participantes un manual visual-textual, diseñado por el investigador, que incluyó las etiquetas y códigos diagnósticos de NANDA-I 2021-2023 y sus definiciones correspondientes, junto con ilustraciones generadas por IA que representaban signos y síntomas clínicos observables para cada diagnóstico²⁴. El manual estaba dirigido a actuar de estímulo visual para unir la terminología abstracta y las imágenes clínicas, pero no incluyó contenido teórico detallado del tipo de características definitorias o factores relacionados.

Las ilustraciones fueron creadas utilizando el modelo de imagen generativa Dream AI, mediante la introducción de descripciones clínicas estructuradas derivadas de la taxonomía NANDA-I y escenarios de libros de textos adaptados^4,25. Todas las imágenes fueron revisadas para garantizar la plausibilidad y el realismo clínico, al igual que la neutralidad ética, evitando estereotipos relacionados con el sexo, la cultura o la edad. En la figura 1 se aporta un ejemplo de una de estas ilustraciones y su mensaje de texto correspondiente.

Figura 1.

NANDA [00132]. Dolor agudo: una experiencia sensorial y emocional desagradable asociada a un daño tisular real o potencial, o descrita en dichos términos (International Association for the Study of Pain); con inicio súbito o gradual, con intensidad de leve a severa, con final anticipado o previsible, y duración inferior a 3 meses.

Para complementar el manual y el acceso a contenido teórico más detallado, los estudiantes utilizaron también NNN Consult²⁶, una herramienta didáctica de software integrada en el curso. NNN Consult aportó información ampliada sobre cada diagnóstico NANDA-I. La plataforma incluyó: etiquetas diagnósticas, códigos, definiciones, características definitorias, factores relacionados, factores de riesgo, condiciones asociadas, poblaciones de riesgo, y niveles de evidencia científica para cada elemento diagnóstico.

Este enfoque dual permitió que los estudiantes combinaran el reconocimiento visual y los datos teóricos estructurados a la hora de formular y validar los diagnósticos enfermeros.

Durante la actividad, los estudiantes trabajaron individualmente para analizar tres escenarios ficticios, aunque clínicamente plausibles, que incluyeron multimorbilidad, recuperación de ictus y complicaciones postoperatorias. Dichos escenarios fueron desarrollados para simular retos diagnósticos realistas en diversas poblaciones de pacientes (véase el anexo para las descripciones completas de los casos y las opciones diagnósticas propuestas).

Recopilación de los datos

La actividad fue realizada durante la última semana del curso académico, en marzo de 2025, una vez que se habían registrado oficialmente todas las calificaciones del curso. El investigador responsable del estudio también estuvo involucrado en la docencia dentro del curso en el que tuvo lugar la actividad. Para minimizar los sesgos potenciales, se informó a los estudiantes de que la participación era voluntaria y de que sus reflexiones serían analizadas únicamente tras la finalización de las evaluaciones finales del curso. Además, el uso de los informes escritos anónimos permitió que los estudiantes expresaran sus perspectivas libremente. Se seleccionó deliberadamente este marco temporal para garantizar que la participación en la investigación no influyera en la evaluación académica, ni creara presión percibida para participar o responder de manera particular.

Tras analizar independientemente los tres escenarios clínicos ficticios utilizando el manual visual-textual y consultando NNN Consult²⁶, según el caso, cada estudiante completó un informe reflexivo individual en formato escrito. Dicho informe les invitaba a responder a las siguientes preguntas abiertas:

• •

  ¿Cuáles fueron los aspectos más útiles del uso de imágenes generadas por IA para formular diagnósticos enfermeros?

• •

  ¿Qué dificultades o limitaciones se encontró usted durante la tarea?

• •

  ¿Cómo visualiza usted la integración de dichas herramientas visuales en la educación enfermera futura?

Dichas preguntas fueron diseñadas para promover la reflexión crítica, permitiendo que los estudiantes expresaran sus procesos personales de razonamiento, respuestas emocionales y percepciones de la experiencia de aprendizaje. La reflexión individual escrita está ampliamente reconocida en la educación enfermera como herramienta para promover la metacognición, la práctica reflexiva y la internalización de las competencias del razonamiento clínico^20,21.

Los informes fueron completados durante el tiempo de clase, en un entorno tranquilo y supervisado, para garantizar la reflexión centrada e independiente. El tiempo de compleción media fluctuó de 15 a 20 minutos. Todas las respuestas fueron anónimas, sin recopilarse nombres ni identificadores. La recopilación de los datos prosiguió hasta alcanzarse la saturación temática, definida como el punto de no surgimiento de nuevos temas o conocimientos sustanciales de las narrativas reflexivas.

Además del informe reflexivo, se solicitó a los estudiantes que indicaran información demográfica básica incluyendo edad, sexo y nivel de experiencia clínica, que fue utilizada para caracterizar la muestra.

Análisis de los datos

La información demográfica básica (edad, sexo y nivel de experiencia clínica) fue recopilada para proporcionar una caracterización descriptiva breve del perfil de los participantes. Dichos datos se presentan en la tabla 1 para contextualizar la muestra. Las variables numéricas se resumieron utilizando media y desviación estándar, mientras que las variables categóricas fueron reportadas como frecuencias y porcentajes.

Tabla 1.

Características sociodemográficas de los participantes

Variable	Sexo	Edad (años)
P1	Mujer	20,4
P2	Mujer	24,9
P3	Mujer	20,8
P4	Varón	20,6
P5	Mujer	20,2
P6	Mujer	20,3
P7	Mujer	19,7
P8	Mujer	24,1
P9	Mujer	23
P10	Varón	22,8
P11	Mujer	20,4
P12	Mujer	22,1
P13	Mujer	25,1
P14	Mujer	19,9
P15	Mujer	22,8
P16	Varón	20,9
P17	Mujer	21,3

Los datos extraídos de los informes de los estudiantes fueron analizados utilizando un análisis temático inductivo, seguido del marco de 6 pasos propuesto por Braun y Clarke²⁷. Se adoptó un enfoque semántico basado en los significados explícitos de los participantes, sin imponer constructos teóricos preexistentes. El análisis fue realizado manualmente por el investigador, quien se familiarizó primeramente con los datos mediante lecturas repetidas de los informes reflexivos. Seguidamente se generaron los códigos iniciales inductivamente a partir de los datos, captando los segmentos significativos relacionados con las experiencias de los estudiantes sobre el uso del manual visual-textual. A continuación, se agruparon dichos códigos en categorías más amplias, sobre la base de las similitudes conceptuales. Mediante un proceso iterativo de comparación y refinamiento, se organizaron las categorías en temas generales que representaron patrones recurrentes en las narrativas de los participantes. Se revisaron y refinaron continuamente los temas, para garantizar la coherencia y la consistencia con el conjunto de los datos.

Rigor y fiabilidad

Para garantizar el rigor metodológico, el estudio se adhirió a los criterios de fiabilidad propuestos por Lincoln y Guba²⁸: credibilidad, confiabilidad, confirmabilidad, y transferibilidad.

La credibilidad se respaldó mediante el compromiso prolongado con los datos, las lecturas repetidas de los informes reflexivos, y el uso de un diario reflexivo por parte del investigador para supervisar los supuestos, la posicionalidad, y el sesgo potencial a lo largo del proceso analítico.

La confiabilidad se abordó manteniendo un registro de auditoría que documentó cada etapa del análisis de los datos, incluyendo decisiones de codificación, desarrollo y revisión de temas realizados durante la interpretación.

La confirmabilidad se garantizó basando todos los hallazgos en las narrativas literales de los participantes, y evitando la sobreinterpretación. Se seleccionaron las citas representativas para ilustrar cada tema y preservar la autenticidad de las voces de los estudiantes.

La transferibilidad se mejoró realizando descripciones densas del ámbito educativo, la actividad de aprendizaje y las características de los participantes, permitiendo que los lectores evaluaran la aplicabilidad de los hallazgos a contextos similares en la educación enfermera.

Consideraciones éticas

La aprobación ética fue otorgada por el Comité de ética en investigación con humanos de la UPV/EHU (Proyecto: IKDi3_2024_017, de 19 de septiembre de 2024).

Resultados

La muestra final incluyó 17 estudiantes universitarios de enfermería, de los cuales 14 (82,4%) eran mujeres. La edad de los participantes fluctuó de 19,7 a 25,1 años (M = 21,72; DE = 1,76). Todos los participantes habían completado la misma práctica clínica de un mes durante el primer curso del Grado en Enfermería, lo cual representó su única experiencia clínica en el momento del estudio. La tabla 1 incluye un resumen de las características de los participantes.

Los informes reflexivos oscilaron de 217 a 389 palabras, generando un corpus total de 4.356 palabras para el análisis cualitativo. Este volumen de datos aportó detalle narrativo suficiente para permitir la identificación de los patrones y temas recurrentes. El análisis de las narrativas reflexivas utilizando un análisis temático inductivo reveló 4 temas principales: mejora de la implicación y la conexión emocional a través de la inmersión visual, refuerzo del juicio diagnóstico, preocupaciones relativas a la interpretación y realismo de las imágenes, y posibilidades pedagógicas e integración futura. La tabla 2 resume los temas y sus categorías analíticas correspondientes. Cada tema se describe abajo con citas ilustrativas (participantes codificados como P1-P17).

Tabla 2.

Resumen de los temas y subtemas identificados en el análisis

Tema	Subtema	Citas ilustrativas
Mejora de la implicación clínica mediante la inmersión visual	Incremento de la atención a los detalles clínicosCompromiso emocional con las situaciones del paciente	«La imagen me aportó de inmediato una visión mental del paciente. Me ayudó a sentirme más conectada con la situación» (P1)«La imagen hizo que fuera más fácil imaginar cómo podría sentirse realmente el paciente en dicha situación» (P3)«Viendo al paciente, incluso si se trataba solo de una imagen, me ayudó a ver a la persona completa, y no sólo los síntomas» (P6)«Con la IA visual, me sentí más conectada a los aspectos emocionales» (P8)«En lugar de leer simplemente y tratar de imaginarlo en mi cabeza, la imagen me ayudó a captar detalles como la postura o la expresión facial» (P12)
Fortalecimiento del juicio diagnóstico	Integración de la información visual y textualIdentificación de las características definitorias mediante pistas visualesDiferenciación entre diagnósticos enfermeros similares	«Tener la imagen me dio más confianza. Fue como una pista visual que me ayudó a confirmar lo que yo pensaba» (P2)«Hizo que fuera más fácil justificar porqué elegí un diagnóstico concreto. Pude vincular lo que veía con lo que sabía por la teoría» (P5)«Me di cuenta de cómo difieren los diferentes diagnósticos una vez que pude interpretar el lenguaje corporal y la expresión facial en la imagen» (P7)«Me ayudó a recordar los puntos clave que diferencian un diagnóstico de otro. Creo que lo comprendí mejor visualmente» (P13)
Preocupaciones relativas a la interpretación y el realismo	Limitaciones percibidas en el realismo clínicoSesgo de representaciónEstereotipos potenciales en las descripciones de los pacientes	«La imagen parecía real, pero tuve que recordarme a mí mismo que debía regresar a los datos y no asumir simplemente cosas de las imágenes» (P4)«Me preocupó un poco que los pacientes con aspecto vulnerable fueran mayoritariamente personas mayores. Parecía un estereotipo» (P11)«La imagen fue de ayuda, pero no estaba segura de si me servía de guía, o me hacía hacer suposiciones basadas solamente en lo que veía» (P14)«Algunas imágenes no se ajustaban realmente a lo que esperaba para ese tipo de caso. Parecían muy genéricas o excesivamente simplificadas» (P17)
Posibilidades pedagógicas e integración futura	Integración en el aprendizaje basado en simulación y casosComplementariedad con los recursos teóricos tradicionalesPotencial de la adaptación contextual y cultural	«En la práctica clínica, podría ayudar a los alumnos como nosotros a tener algún tipo de apoyo visual para los diagnósticos» (P1)«Las imágenes fueron útiles para empezar a pensar, pero sigo necesitando la información teórica de NNN para confirmar mis diagnósticos. Una cosa sin la otra no sería suficiente» (P6)«Pienso que este tipo de imágenes sería realmente útil en los seminarios clínicos o en las actividades basadas en casos, al combinarse con herramientas como NNN Consult, que aportan la teoría subyacente a cada diagnóstico» (P9)«Si las imágenes pudieran ajustarse a los diferentes países o culturas, creo que las haría más reconocibles para los estudiantes de otras procedencias» (P10)«Esto podría ser un gran modo de practicar para situaciones clínicas reales. Entrena tus ojos y tu pensamiento al mismo tiempo» (P15)

Tema 1. Mejora de la implicación clínica mediante la inmersión visual

Los estudiantes describieron un sentido incrementado de atención y conexión emocional al trabajar con tareas diagnósticas ayudadas por imágenes, en comparación con la experiencia más abstracta de los casos basados en textos. Las imágenes ayudaron a los estudiantes a visualizar la condición del paciente, mejorando la comprensión y la implicación emocional.

La imagen me aportó de inmediato una visión mental del paciente. Me ayudó a sentirme más conectada con la situación. (P1)

La imagen hizo que fuera más fácil imaginar cómo podría sentirse realmente el paciente en dicha situación. (P3)

Viendo al paciente, incluso si se trataba solo de una imagen, me ayudó a ver a la persona completa, y no sólo los síntomas. (P6)

Con la IA visual, me sentí más conectada a los aspectos emocionales. (P8)

Algunos estudiantes advirtieron que la IA visual respaldó la identificación de signos y síntomas clínicos sutiles, particularmente cuando se agrupaban.

En lugar de leer simplemente y tratar de imaginarlo en mi cabeza, la imagen me ayudó a captar detalles como la postura o la expresión facial. (P12)

Tema 2. Fortalecimiento del juicio diagnóstico

Los estudiantes percibieron que los elementos visuales respaldaron una mayor claridad en la selección y diferenciación de los diagnósticos enfermeros, especialmente en las categorías complejas o solapadas.

Tener la imagen me dio más confianza. Fue como una pista visual que me ayudó a confirmar lo que yo pensaba. (P2)

Hizo que fuera más fácil justificar por qué elegí un diagnóstico concreto. Pude vincular lo que veía con lo que sabía por la teoría. (P5)

Me di cuenta de cómo difieren los diferentes diagnósticos una vez que pude interpretar el lenguaje corporal y la expresión facial en la imagen. (P7)

Me ayudó a recordar los puntos clave que diferencian un diagnóstico de otro. Creo que lo comprendí mejor visualmente. (P13)

Algunos estudiantes reportaron un incremento de la confianza en su razonamiento, debido al andamiaje visual.

Tema 3. Preocupaciones relativas a la interpretación y el realismo

A pesar de los beneficios, los estudiantes expresaron preocupaciones acerca de la mala interpretación potencial del exceso de confianza en las imágenes. Algunos temían que los elementos visuales pudieran distraerles del enfoque analítico minucioso.

La imagen parecía real, pero tuve que recordarme a mí mismo que debía regresar a los datos y no asumir simplemente cosas de las imágenes. (P4)

Otros comentaron los sesgos culturales y la representación.

Me preocupó un poco que los pacientes con aspecto vulnerable fueran mayoritariamente personas mayores. Parecía un estereotipo. (P11)

La imagen fue de ayuda, pero no estaba segura de si me servía de guía, o me hacía hacer suposiciones basadas solamente en lo que veía. (P14)

Algunas imágenes no se ajustaban realmente a lo que esperaba para ese tipo de caso. Parecían muy genéricas o excesivamente simplificadas. (P17)

Tema 4. Posibilidades pedagógicas e integración futura

En general, los estudiantes agradecieron el uso de elementos visuales generados por IA como complemento educativo valioso. Algunos propusieron integrar dichas herramientas en otros métodos.

En la práctica clínica, podría ayudar a los alumnos como nosotros a tener algún tipo de apoyo visual para los diagnósticos. (P1)

Las imágenes fueron útiles para empezar a pensar, pero sigo necesitando la información teórica de NNN para confirmar mis diagnósticos. Una cosa sin la otra no sería suficiente. (P6)

Pienso que este tipo de imágenes sería realmente útil en los seminarios clínicos o en las actividades basadas en casos, al combinarse con herramientas como NNN Consult, que aportan la teoría subyacente a cada diagnóstico. (P9)

Los estudiantes también sugirieron expandir la herramienta a contextos adicionales, y destacaron el valor de la adaptabilidad cultural.

Si las imágenes pudieran ajustarse a los diferentes países o culturas, creo que las haría más reconocibles para los estudiantes de otras procedencias. (P10)

Esto podría ser un gran modo de practicar para situaciones clínicas reales. Entrena tus ojos y tu pensamiento al mismo tiempo. (P15)

Estos temas no solamente revelan los beneficios y limitaciones percibidos de las imágenes generadas por IA, sino también las opiniones de los estudiantes sobre cómo podrían integrarse dichas herramientas en la educación enfermera futura.

Discusión

Este estudio exploró las experiencias de los estudiantes de enfermería utilizando un manual visual-textual que integró las definiciones de NANDA-I y las imágenes generadas por IA para respaldar el razonamiento diagnóstico. Surgieron 4 temas principales: mejora de la implicación clínica a través de la inmersión visual, refuerzo del juicio diagnóstico, preocupaciones relativas a la interpretación y realismo de las imágenes, y oportunidades para la integración pedagógica. Estos hallazgos son consistentes con la investigación previa sobre estrategias de aprendizaje visual en la educación sanitaria, a la vez que contribuyen con nuevas percepciones sobre el papel de la IA generativa como herramienta pedagógica.

El primer tema, la mejora del compromiso clínico a través de la inmersión visual, coincide con la literatura existente sobre los beneficios cognitivos y emocionales del input visual en el aprendizaje clínico. Los estudios previos que utilizan EPV o educación basada en el arte han reportado que los estímulos visuales mejoran la atención, la empatía y la capacidad de los estudiantes de interpretar las señales no verbales^17,29. Aunque la intervención actual no utilizó arte visual tradicional, las ilustraciones del paciente generadas por IA cumplieron una función similar: activar el foco observacional y ayudar a los estudiantes a internalizar la complejidad clínica. Además, la revisión de los métodos visuales de Edmondson y Pini¹² en la investigación sanitaria respalda el uso de las imágenes como medio de estimular la reflexión más profunda, la resonancia emocional y la construcción de significado localizado en los resultados de los alumnos, que fueron reflejados igualmente por las respuestas de los estudiantes en este estudio.

El segundo tema, el refuerzo del juicio diagnóstico, respalda el cuerpo de la evidencia creciente que sugiere que las herramientas visuales estructuran la capacidad de los estudiantes de unir los conocimientos teórico y práctico. Norris et al. destacan el modo en que las metodologías visuales en la investigación sanitaria pueden facilitar que los alumnos integren el contenido teórico abstracto en la comprensión contextual consagrada, mejorando por tanto el razonamiento diagnóstico¹². Nuestros hallazgos son consistentes con esto, dado que los estudiantes reportaron una mayor confianza al formular los diagnósticos enfermeros y destacaron que los elementos visuales les ayudaron a diferenciar entre categorías taxonómicas similares. Importantemente, la capacidad de NNN Consult aportó un complemento teórico al razonamiento basado en imágenes, reforzando los enfoques combinados que aúnan los estímulos multimodales y los recursos académicos estructurados.

Sin embargo, como se subraya en el tercer tema, los estudiantes expresaron también preocupaciones sobre el realismo y el sesgo potencial. Algunos temieron el exceso de confianza en las imágenes, una dificultad que también se refleja en la literatura más amplia sobre IA en la enfermería. Por ejemplo, la cautela frente a la dependencia acrítica en las herramientas impulsadas por IA para el diagnóstico enfermero, alertando que los resultados algorítmicos pueden comportar sesgos arraigados y estrechar potencialmente el juicio clínico de los estudiantes¹⁸. Igualmente, algunos autores destacan que la IA generativa puede perpetuar la desinformación, reforzar los sesgos sistémicos y oscurecer la distinción entre la verdad aparente y la clínica si no se valora críticamente³⁰. Nuestros hallazgos reafirman la importancia de diseñar herramientas basadas en imágenes prestando atención a la diversidad, plausibilidad clínica y neutralidad cognitiva³¹.

El cuarto tema, las posibilidades pedagógicas y la integración futura, ilustra la disposición de los estudiantes para incorporar las herramientas de IA visuales en contextos curriculares más amplios. Según lo reportado en los estudios sobre EPV y aprendizaje interactivo de casos^16,17, los estudiantes valoraron el potencial de las imágenes para respaldar el aprendizaje colaborativo, la simulación y el compromiso más profundo. Diversos participantes expresaron explícitamente el combinar las herramientas basadas en imágenes y las plataformas basadas en la evidencia como NNN Consult, apoyando la idea de que los elementos visuales en solitario son insuficientes, pero pueden actuar de catalizador valioso para un juicio clínico informado teóricamente. Esto refleja el llamamiento en la literatura a las estrategias híbridas que abordan preferencias de aprendizaje diversas y se adaptan a las oportunidades tecnológicas.

A nuestro saber, este estudio aporta una de las primeras exploraciones cualitativas de las experiencias de los estudiantes de enfermería utilizando imágenes generadas por IA específicamente diseñadas para representar los diagnósticos enfermeros de NANDA-I. A pesar de que los estudios previos han examinado las estrategias de aprendizaje visual, tales como EPV o el uso de fotografías y obras de arte para mejorar las habilidades observacionales, el uso pedagógico de la IA generativa para representar visualmente las taxonomías enfermeras estandarizadas sigue sin ser ampliamente explorado. Integrando las imágenes del paciente generadas por IA en las definiciones diagnósticas formales, este estudio ofrece un enfoque nuevo para unir la terminología enfermera abstracta y los procesos de razonamiento clínico de los estudiantes.

Limitaciones

Este estudio tiene diversas limitaciones que deberán considerarse al interpretar estos hallazgos. En primer lugar, la muestra incluyó estudiantes de una única facultad de enfermería de España, matriculados en el mismo curso académico, lo cual puede limitar la transferibilidad de los resultados a otros ámbitos educativos o contextos culturales. Aunque los datos demográficos de los participantes fueron los típicos de las cohortes de estudiantes de enfermería, el uso de una muestra voluntaria no probabilística puede haber introducido un sesgo de autoselección, favoreciendo a los estudiantes que estuvieron más abiertos a las estrategias tecnológicas o de aprendizaje visual. Además, dado que el investigador estuvo también implicado en la docencia dentro del curso, es posible que los estudiantes con una relación académica más cercana, o mayor afinidad con el instructor, puedan haber estado más inclinados a participar en la actividad.

En segundo lugar, los datos fueron recopilados a través de reflexiones escritas individuales, lo cual, a pesar de ser apropiado para la captación de comentarios personales, puede haber limitado la profundidad de la elaboración, en comparación con las entrevistas o debates grupales. Sin embargo, se eligió este método para preservar la autonomía del estudiante y evitar la presión o los sesgos relacionados con la calificación, habida cuenta especialmente de que el análisis de los datos tuvo lugar tras las evaluaciones finales del curso.

En tercer lugar, las imágenes generadas por IA fueron preseleccionadas y estáticas, y no fueron creadas interactivamente por los estudiantes. Los estudios futuros podrían explorar el modo en que los elementos visuales generados por los estudiantes o adaptativos repercute en el compromiso y el razonamiento.

En cuarto lugar, el manual visual-textual se basó en la edición de NANDA-I de 2021-2023, que fue la versión vigente en el momento de su desarrollo. Durante las etapas finales de nuestro estudio, se publicó la edición de NANDA-I de 2024-2026, introduciendo mejoras sustanciales en cuanto a claridad y estructura axial de la taxonomía. Aunque los diagnósticos esenciales utilizados en nuestra actividad siguen siendo prácticamente invariables, dichas actualizaciones pueden afectar a la transferibilidad de nuestros resultados a los contextos educativos que ya hubieran adoptado la edición más reciente.

Por último, aunque los estudiantes utilizaron conjuntamente tanto el manual generado por IA como NNN Consult, el estudio no evaluó formalmente el modo en que fue utilizado o ponderado cada recurso en la toma de decisiones de los estudiantes. Una evaluación más estructurada de la interacción entre los datos visuales y textuales podría aportar ideas más valiosas para el diseño instruccional.

Conclusiones

Este estudio exploró las experiencias de los estudiantes de enfermería sobre el uso de un manual visual-textual que combinó las definiciones de NANDA-I y las imágenes generadas por IA. Los estudiantes percibieron un apoyo visual como complemento útil a los recursos teóricos, ayudándoles a reconocer las señales clínicas y a formular diagnósticos enfermeros con mayor confianza. Al mismo tiempo, reconocieron la importancia de combinar herramientas visuales con contenido académico estructurado para evitar la mala interpretación. Estos hallazgos sugieren que los elementos visuales generados por IA pueden servir de ayuda pedagógica valiosa en la educación enfermera, cuando se integran cuidadosamente en las estrategias de aprendizaje más amplias.

Financiación

Esta investigación no ha recibido ninguna subvención específica procedente de entidades financieras de los sectores público, comercial, o sin ánimo de lucro.

Autoría

Este artículo tiene un único autor, quien confirma la responsabilidad plena de la concepción, diseño, recopilación, análisis e interpretación de los datos, así como la redacción del artículo.

Consentimiento informado

Todos los participantes recibieron información oral y escrita acerca del estudio, y otorgaron su consentimiento informado voluntario previamente a su participación. No se ofrecieron pagos ni otro tipo de incentivos.

Aprobación ética

El Comité de Ética en la Investigación con Seres Humanos (CEISH) autorizó el estudio (Proyecto: IKDi3_2024_017, 19 de septiembre de 2024). No se ofrecieron pagos ni otros incentivos a los estudiantes por su participación.

Declaración sobre el uso de la IA generativa y de las tecnologías asistidas por la IA en el proceso de redacción

Se utilizaron herramientas de inteligencia artificial exclusivamente para generar las imágenes NANDA ilustrativas utilizadas como recursos educativos durante el estudio. No se utilizaron herramientas de IA para la redacción, análisis de los datos o interpretación del documento.

Conflicto de intereses

Ninguno.

Agradecimientos

El autor agradece a los estudiantes de enfermería participantes en este estudio por su colaboración desinteresada y su contribución al desarrollo de la investigación.