Inteligencia artificial en la formación de estudiantes de medicina y residentes (I): tipos de tecnologías y sus aplicaciones*

Doctutor

Resumen: La llegada de la IA a la educación médica ha supuesto un cambio de paradigma, ofreciendo oportunidades sin precedentes para mejorar la experiencia de aprendizaje de estudiantes de medicina, residentes y médicos. Esta transformación abarca diversas dimensiones de la formación médica, desde la práctica clínica hasta la investigación, redefiniendo los métodos pedagógicos tradicionales y fomentando un entorno de aprendizaje más eficiente, inmersivo e innovador. En este artículo se ofrece una descripción de las tecnologías relacionadas con la IA con aplicaciones e impacto en la educación médica, y se explica como pueden estas tecnologías mejorar la formación de los médicos. En el otro artículo publicado en este número de Doctutor se analizan los obstáculos que deben superarse para ofrecer una educación médica y una formación de los estudiantes de medicina y de los residentes más justa, ética y segura.

Artificial Intelligence in the Training of Medical Students and Residents (I): Types of Technologies and Their Applications*

Abstract: The arrival of AI in medical education has brought about a paradigm shift, offering unprecedented opportunities to improve the learning experience of medical students, residents, and physicians. This transformation encompasses various dimensions of medical training, from clinical practice to research, redefining traditional pedagogical methods and fostering a more efficient, immersive, and innovative learning environment. This article provides an overview of AI-related technologies with applications and impact on medical education, as well as how these technologies can improve physician training. The other article published in this issue of Doctutor analyzes the obstacles that must be overcome to provide fairer, more ethical, and safer medical education and training for medical students and residents

La educación médica tradicional (es decir, la formación de estudiantes de medicina y la formación de los residentes de posgrado) tiene dificultades para satisfacer las demandas y necesidades de la atención sanitaria moderna. La OMS prevé un alarmante déficit de aproximadamente 10 millones de trabajadores sanitarios para 2030 (1). Además, la creciente demanda sobre los sistemas sanitarios ha desplazado las prioridades hacia la eficiencia y la productividad, a menudo a expensas de la atención centrada en el paciente (2). Al mismo tiempo, la infraestructura inadecuada de atención primaria contribuye a la saturación de las instituciones de atención terciaria. Ante esta situación la IA parece representar una oportunidad para satisfacer mejor esas demandas sanitarias de la población que no debería conllevar un menoscabo de la atención centrada en la persona del paciente. A pesar de ello si no se tienen en cuenta algunos de los más importantes desafíos inherentes a la introducción de la IA, esta puede sin embargo menoscabar esa humanidad de la atención y generar desigualdades tanto en la educación médica como en la atención sanitaria. Este artículo ofrece una descripción de las tecnologías relacionadas con la IA y describe cómo estas y sus aplicaciones están impactando ya en la educación médica, o pueden hacerlo en un futuro próximo. En el otro artículo publicado en este número de Doctutor se analizan los obstáculos que deben superarse para ofrecer una educación médica y una formación de los estudiantes de medicina y de los residentes más justa, ética y segura.

Los avances en inteligencia artificial (IA), en particular la IA generativa (GenAI), prometen una mejor preparación de los profesionales médicos (estudiantes de medicina y médicos residentes) para afrontar la escasez de personal sanitario. La GenAI abarca sistemas de IA que generan contenido (incluidos texto, imágenes y otras modalidades) mediante el aprendizaje de patrones a partir de grandes conjuntos de datos, como ChatGPT, LLaMA y DeepSeek, diseñados para tareas de procesamiento del lenguaje natural. La GenAI también se está expandiendo a aplicaciones multimodales, incluidos modelos de generación de vídeo, como Sora, y modelos de lenguaje visual, como GPT-4V, que pueden interpretar entradas de imágenes y generar respuestas basadas en texto. Otros modelos generativos multimodales, como Gemini 1.5, pueden manejar diversas modalidades de entradas y salidas, ampliando así las capacidades de la IA en aplicaciones de la vida real.

Antes de su introducción, la educación médica ya había adoptado innovaciones digitales como la realidad aumentada y la realidad virtual para la formación mediante simulación y las plataformas de aprendizaje virtual (3). El metaverso amplía la realidad aumentada y la realidad virtual al integrar la IA y otras tecnologías para mejorar la colaboración, habilitar entornos virtuales persistentes y crear experiencias de aprendizaje inmersivas y progresivas en la educación médica (4). Estas tecnologías impulsadas por la IA allanan el camino hacia un panorama de aprendizaje digital más interactivo y accesible ( tabla 1).

Tabla 1. Definiciones de tecnologías basadas en inteligencia artificial (IA) que se suelen debatir en la formación médica.

Tecnología basada en IA	Descripción
Inteligencia artificial generativa (GenAI)	Sistemas de inteligencia artificial que crean contenido nuevo, como texto, imágenes y vídeos, aprendiendo patrones a partir de un gran volumen de datos de entrenamiento
Procesamiento del lenguaje natural	Un amplio subcampo de la informática, la lingüística y la inteligencia artificial que se centra en cómo las computadoras comprenden, procesan y manipulan el lenguaje humano
Modelos de lenguaje a gran escala	Los sistemas de IA se entrenan con grandes cantidades de datos de texto para realizar tareas de procesamiento del lenguaje natural, incluyendo la comprensión y la generación de texto similar al humano. Muchos modelos de lenguaje de gran tamaño de uso común, como GPT, LLaMA y DeepSeek, también pertenecen a un subconjunto de modelos GenAI diseñados para procesar entradas basadas en texto y producir salidas basadas en texto.
Modelos de generación de vídeo	Modelos GenAI que generan vídeos a partir de las indicaciones del usuario. Muchos modelos de generación de vídeo, como Sora y Veo 2, crean vídeos principalmente a partir de texto, pero algunos también permiten a los usuarios proporcionar imágenes de referencia o vídeos ya existentes.
modelos de lenguaje visual	Los modelos GenAI analizan imágenes y generan principalmente texto como descripciones, respuestas o explicaciones. Algunos ejemplos de modelos de lenguaje visual son GPT-4V, PaliGemma 2 y LLaVA.
Modelos generativos multimodales	Los modelos GenAI son capaces de procesar entradas y generar salidas en múltiples modalidades. Algunos ejemplos de modelos generativos multimodales son Med-PaLM Multimodal y Gemini 1.5.
inteligencia artificial general	Los sistemas de IA son capaces de realizar una amplia gama de tareas cognitivas en diferentes ámbitos, adaptándose a nuevas situaciones sin intervención humana y generalizando el conocimiento de un contexto a otro. A diferencia de la IA estrecha, diseñada para tareas específicas, la inteligencia artificial general presenta amplias capacidades de resolución de problemas similares a las de la inteligencia humana, lo que permite el aprendizaje autónomo y la toma de decisiones en entornos diversos y complejos. Actualmente, la inteligencia artificial general sigue siendo teórica.
Metaverso	Ecosistemas digitales que integran la realidad extendida (realidad aumentada, realidad virtual y realidad mixta), la IA y otras tecnologías de apoyo para crear entornos virtuales persistentes e inmersivos que faciliten la interacción y el aprendizaje.

 

Evolución del papel de la IA en la educación médica.

El papel de la IA en la educación médica continúa expandiéndose gracias a los avances en las tecnologías de IA y al crecimiento de las aplicaciones llamadas de “modelos de lenguaje a gran escala” (LLMs: Large Language Models, en inglés). El procesamiento del lenguaje natural, una capacidad clave de las LLM, se ha utilizado para analizar el feedback narrativo y respaldar las evaluaciones basadas en competencias en la educación y formación médica. Por ejemplo, las herramientas de IA pueden extraer patrones lingüísticos vinculados a las calificaciones sobre aspectos claves a aprender para facilitar un feedback dirigido, mejorando así la eficiencia en la síntesis de grandes cantidades de evaluaciones. Se han probado LLM como ChatGPT en la generación de contenido educativo, incluyendo materiales de aprendizaje basados ​​en casos alineados con los planes de estudio médicos. Estas herramientas agilizan la creación de contenidos al tiempo que respaldan escenarios más diversos y atractivos que promueven el pensamiento crítico. Las LLM también tienen valor en áreas de desarrollo profesional y mejora del rendimiento en los exámenes entre estudiantes de medicina y médicos más experimentados. Estos ejemplos indican el potencial de la IA para respaldar la formación médica continuada y mejorar la toma de decisiones clínicas.

La IA en la personalización de las experiencias de aprendizaje

Los LLM se utilizan cada vez más para personalizar las experiencias de aprendizaje en la educación médica, por ejemplo, mediante chatbots sensibles al contexto para el aprendizaje de la anatomía y pacientes virtuales interactivos para el razonamiento clínico (5). Los LLM emergentes centrados en el razonamiento son idóneos para estas aplicaciones, ya que ofrecen soluciones progresivas y de bajo coste que amplían el acceso global a la formación médica (6). Además de la creación de contenidos, se están explorando aplicaciones de IA para evaluar y predecir el rendimiento de los estudiantes de medicina en entornos de alto riesgo, como las prácticas y en la residencia así como en los exámenes (7)  demostrando mejoras sustanciales en los resultados cuando se integran herramientas de IA como ChatGPT en el proceso de aprendizaje.

Las percepciones de los estudiantes sobre los modelos de aprendizaje de idiomas (LLM) son diversas. Si bien muchos estudiantes de medicina afirman utilizarlos para obtener ayuda académica inmediata, persisten las preocupaciones sobre la precisión del modelo y la excesiva dependencia de este (8). No obstante, los LLM han demostrado su potencial para apoyar el desarrollo de habilidades académicas, como su uso por parte de estudiantes de medicina no angloparlantes nativos para mejorar la redacción académica y la organización del contenido de la investigación.

Potenciales oportunidades para la formación clínica de residencia de alta fidelidad

La IA mejora la adquisición de conocimientos médicos al proporcionar a los estudiantes de medicina experiencias de aprendizaje intuitivas e interactivas. La naturaleza conversacional de los LLM fomenta un entorno de aprendizaje atractivo y menos intimidante en comparación con los entornos de aprendizaje convencionales, como las clases magistrales o el estudio basado en libros de texto. Los LLM podrían utilizarse para explicar temas complejos en términos más sencillos, haciéndolos accesibles a estudiantes de todos los niveles y sirviendo como un valioso complemento para los docentes humanos en la educación médica.

Los pacientes virtuales generados por IA pueden simular diversos escenarios clínicos con mayor consistencia y versatilidad, sin restricciones logísticas ni financieras. Estos pacientes virtuales también podrían proporcionar feedback inmediato, lo que permitiría a los estudiantes practicar la anamnesis, el diagnóstico y la comunicación en un entorno seguro. Los pacientes virtuales actuales basados ​​en chatbots se ven limitados por la falta de señales visuales, auditivas y físicas.

La combinación de GenAI con la realidad aumentada o la realidad virtual mejora aún más la fidelidad de la simulación y ofrece experiencias de aprendizaje inmersivas y multimodales. Estos avances podrían, a la larga, propiciar el surgimiento de la inteligencia artificial general (véase el recuadro para definiciones) para asumir importantes funciones clínicas. Los entornos del metaverso impulsados ​​por IA innovan aún más la educación médica, facilitando actividades como las aulas invertidas (es decir, dedicar el tiempo de clase a la interacción y trasladar los materiales introductorios al trabajo previo a la clase), el aprendizaje basado en equipos, las sesiones clínicas (es decir, debates basados ​​en casos dirigidos por médicos para la enseñanza y la toma de decisiones clínicas) y la simulación de habilidades clínicas. Estos entornos inmersivos mejoran la participación y la retención del conocimiento, y ofrecen experiencias prácticas que los entornos de aula tradicionales no pueden replicar sin la influencia de factores externos como ocurre en situaciones como las vividas en la pandemia. La flexibilidad del metaverso también permite que el aprendizaje se produzca en cualquier lugar y en cualquier momento, reduciendo las barreras geográficas y físicas y fomentando un entorno educativo colaborativo, interactivo y equitativo.

Inteligencia artificial en la formación en investigación médica

La IA está apoyando cada vez más la investigación médica al optimizar tareas como la revisión de la literatura y la identificación de lagunas de conocimiento, mejorando la eficiencia y la amplitud, y reduciendo el sesgo o la supervisión humana. Por ejemplo, el estudio de Liu et al llamó la atención sobre la importancia de los LLM en la selección de resúmenes para revisiones sistemáticas, lo que sugiere su potencial como alternativas rentables a la selección manual (9). Una plataforma desarrollada desde 2024 también ha explorado la automatización completa de todo el proceso de investigación, desde la exploración de datos hasta la redacción de manuscritos, aunque las aplicaciones actuales siguen restringidas a proyectos estructurados y de baja complejidad (10).  Estas herramientas podrían permitir a los estudiantes de medicina y a los residentes dedicar más tiempo al pensamiento crítico y al aprendizaje clínico.

La IA en la investigación médica también abre un campo de estudio para estudiantes de medicina y residentes; por ejemplo, la exploración de chatbots para la educación del paciente (11) y ayuda para interpretar y aplicar directrices médicas complejas o requisitos legales (12). Esta investigación es fundamental para preparar a estudiantes de medicina y residentes para un futuro con herramientas de IA integradas en la atención médica, ayudándoles a desarrollar habilidades cruciales para evaluar e implementar soluciones tecnológicas. La investigación también amplía el horizonte de los estudiantes de medicina, exponiéndolos a diversas aplicaciones de IA y fomentando una comprensión integral de su impacto en diferentes sectores de la atención médica.

Referencias

1.  WHO. Health workforce. 2025. https://www.who.int/health-topics/ health-workforce#tab=tab_1 (accessed Sept 5, 2025).
2. Peng W, Chen S, Chen X, et al. Trends in major non-communicable diseases and related risk factors in China 2002-2019: an analysis of nationally representative survey data. Lancet Reg Health West Pac 2024; 43: 100809.
3. Logeswaran A, Munsch C, Chong YJ, Ralph N, McCrossnan J. The role of extended reality technology in healthcare education: towards a learner-centred approach. Future Healthc J 2021; 8: e79–84.
4. Li Y, Gunasekeran DV, RaviChandran N, et al. The next generation of healthcare ecosystem in the metaverse. Biomed J 2024; 47: 100679.
5. Arun G, Perumal V, Urias FPJB, et al. ChatGPT versus a customized AI chatbot (Anatbuddy) for anatomy education: a comparative pilot study. Anat Sci Educ 2024; 17: 1396–405.
6. Cook DA. Creating virtual patients using large language models: scalable, global, and low cost. Med Teach 2025; 47: 40–42.
7. Drum B, Shi J, Peterson B, Lamb S, Hurdle JF, Gradick C. Using natural language processing and machine learning to identify internal medicine-pediatrics residency values in applications. Acad Med 2023; 98: 1278–82.
8. Alkhaaldi SM, Kassab CH, Dimassi Z, et al. Medical student experiences and perceptions of ChatGPT and artificial intelligence: cross-sectional study. JMIR Med Educ 2023; 9: e51302.
9. Li M, Sun J, Tan X. Evaluating the effectiveness of large language models in abstract screening: a comparative analysis. Syst Rev 2024; 13: 219.
10. Ifargan T, Hafner L, Kern M, Alcalay O, Kishony R. Autonomous LLM-driven research—from data to human-verifiable research papers. NEJM AI 2025; 2: AIoa2400555.
11. Pushpanathan K, Lim ZW, Er Yew SM, et al. Popular large language model chatbots’ accuracy, comprehensiveness, and self-awareness in answering ocular symptom queries. iScience 2023; 26: 108163.
12. Brin D, Sorin V, Vaid A, et al. Comparing ChatGPT and GPT-4 performance in USMLE soft skill assessments. Sci Rep 2023; 13: 16492

---

(*) Este artículo ofrece información obtenida principalmente del siguiente artículo original al que recomendamos al lector interesado: Yilin Ning*, Jasmine Chiat Ling Ong*, Haoran Cheng, et al. How can artificial intelligence transform the training of medical students and physicians? The Lancet Digital Health 2025, 7. https://www.thelancet.com/journals/landig/article/PIIS2589-7500(25)00082-2/fulltext