En la tercera entrega de este artículo, el Dr. Eduardo Mayorga analiza cómo la integración estructurada de la inteligencia artificial en la educación médica puede potenciar el aprendizaje sin comprometer el desarrollo del razonamiento clínico de los residentes.
Dr. Eduardo Mayorga
La evidencia revisada en este artículo no aboga por prohibir la IA en la formación médica. Ese barco ya zarpó, y los beneficios genuinos de la tecnología son demasiado significativos para descartarlos. En cambio, aboga por algo más difícil: la integración deliberada y estructurada de la IA en la formación de maneras que protejan y desarrollen las habilidades cognitivas que definen la competencia médica. Lo que sigue es una síntesis de las estrategias que la literatura respalda.
Enseñar a los Residentes a Pensar Sobre la IA El hallazgo más consistente en toda la literatura es que la capacitación marca la diferencia. Kücking y Hübner demostraron que la capacitación específica por dominio redujo significativamente la susceptibilidad al sesgo de automatización,14 y el trabajo de Zhou mostró que la instrucción explícita en reconocimiento de errores de IA mejoró la detección de alucinaciones.16 Sin embargo, múltiples revisiones reportan que la mayoría de los estudiantes de medicina no reciben educación formal sobre las capacidades, limitaciones o uso apropiado de la IA.8,23
Kim, Kang y Lee delinearon doce consejos basados en evidencia para desarrollar e implementar currículos de IA en la educación médica de pregrado, enfatizando la integración estructurada de habilidades de evaluación crítica.28 En la Université Paris Cité, Tsopra y colegas adoptaron un enfoque innovador: colocaron a estudiantes de medicina en el rol de diseñadores de sistemas de apoyo a la decisión clínica con IA, pidiéndoles que construyeran las herramientas en lugar de simplemente usarlas. Los estudiantes calificaron la experiencia con 4.4 de 5, con el 74% reportando habilidades que consideraron transferibles a la práctica clínica.20 Shimizu y colegas pro-
pusieron estrategias de reforma curricular específicamente diseñadas para abordar el impacto de la IA generativa en la educación médica. 22
Pensar Primero, IA Después Quizás la intervención más poderosa es también la más simple: requerir que los residentes formulen su propio razonamiento clínico antes de consultar la IA. Este enfoque de “pensar primero, IA después” preserva el esfuerzo cognitivo del análisis independiente mientras permite que los residentes se beneficien de la IA como una segunda opinión.2,15 Transforma la IA de un reemplazo del pensamiento a una verificación del pensamiento.
El cuerpo docente puede reforzar este principio desplegando indicaciones de desafío estructuradas que contrarresten la aceptación pasiva: “Enumere tres razones por las que la IA podría estar equivocada.” “¿Qué datos cambiarían su opinión?” “¿Cuál es el mejor diagnóstico alternativo no favorecido por la IA?”9,22 Cuando los residentes adoptan o rechazan recomendaciones de la IA, requerir que documenten su razonamiento en un marco estructurado — aceptar, revisar o rechazar con evidencia — involucra el razonamiento deliberado del Sistema 2 que la IA tiende a cortocircuitar.
Wang y colegas propusieron una solución más técnica: retener selectivamente las recomendaciones de la IA en casos donde la confianza del modelo cae dentro de una zona asociada con tasas de error más altas, reduciendo así la exposición a resultados potencialmente engañosos.11 Combinado con una preferencia por herramientas de IA que proporcionen transparencia en el razonamiento en lugar de pronunciamientos de caja negra,29,30 estas intervenciones a nivel de flujo de trabajo pueden remodelar la interacción humano-IA de maneras que protejan en lugar de erosionar el razonamiento clínico.
Supervisar al Supervisado El marco de Abdulnour propone lo que denomina el modelo de supervisión DEFT-AI, reconociendo que el uso de la IA en sí mismo necesita ser supervisado, especialmente para residentes junior.15 La pregunta de supervisión cambia de la tradicional “¿Cuál es su diagnóstico?” a “La IA sugirió X — ¿por qué está de acuerdo o en desacuerdo?” Este reencuadre convierte cada encuentro asistido por IA en un momento de enseñanza.
Un modelo de autonomía gradual ofrece un marco práctico: restringir el acceso a la IA durante la adquisición temprana de habilidades, cuando el riesgo de nunca-capacitación es mayor, y luego aumentar progresivamente la disponibilidad a medida que los residentes demuestren capacidad de razonamiento independiente.15 Los programas también deben monitorear patrones de dependencia — residentes que solo pueden generar planes clínicos después de consultar la IA — como señales de alerta temprana que ameritan intervención.17,24 Dado que la adopción de la IA es reciente, el marco reconoce que tanto educadores como residentes están en una curva de aprendizaje, y sugiere que enfoques adaptativos basados en la comunidad donde aprendan juntos pueden ser más efectivos que mandatos de arriba hacia abajo.
Proteger el Terreno de Prueba
Algunos espacios deben permanecer libres de IA. Exámenes orales, encuentros clínicos estructurados observados, exámenes de características clave y portafolios de razonamiento clínico deben preservarse como terrenos de prueba donde las competencias centrales se midan directamente, no se asuman.15,23 Estas evaluaciones deben complementarse con nuevos instrumentos de evaluación que midan la calidad de la interacción del residente con la IA: ¿Fue sólida la evaluación independiente inicial? ¿Se evaluó críticamente el consejo de la IA? ¿Se sintetizó apropiadamente la decisión final?1,29
Los currículos deben incluir exposición deliberada a errores de la IA, para que los residentes construyan el hábito del escepticismo. Los ejercicios de confianza calibrada — casos donde la IA está intencionalmente equivocada — desarrollan el reflejo de verificar en lugar de deferir.2,3,14 Los protocolos de reflexión post-encuentro, en los que los residentes articulan su proceso de razonamiento y evalúan cómo la IA influyó en sus decisiones, refuerzan la conciencia metacognitiva.22,27 Y los ejercicios diagnósticos libres de IA — aprendizaje basado en casos sin ninguna asistencia digital — aseguran que las habilidades fundamentales de generación de hipótesis y razonamiento diagnóstico continúen practicándose.9,32
El monitoreo longitudinal del rendimiento de los residentes en tareas diagnósticas sin asistencia puede ser la salvaguarda más importante de todas. Si un programa de formación no puede demostrar que sus egresados pueden razonar eficazmente sin IA, no ha cumplido su misión educativa. La advertencia temprana de la literatura de endoscopia32 y la agenda
de investigación sobre des-capacitación propuesta por Natali et al7 ambas señalan la necesidad urgente de este tipo de evaluación continua.
Epílogo: La residente revisitada
Volvamos, por un momento, a la residente a las tres de la mañana. Ha escrito la presentación del paciente en el LLM y ha recibido un diagnóstico diferencial seguro. En una versión de esta historia, ordena los estudios sugeridos, el paciente mejora y pasa a la siguiente admisión sin haber desarrollado nunca su propia hipótesis. En otra versión, ella hace una pausa. Ha sido entrenada para pensar primero. Anota su propio diferencial — el moldeado por el hallazgo sutil del examen que notó junto a la cama — antes de mirar la salida de la IA. Nota que el modelo pasó por alto lo que ella detectó. Ordena un estudio que combina su intuición clínica con el análisis sistemático de la IA, y el paciente recibe mejor atención gracias a ello.
La diferencia entre estas dos historias no es la tecnología. Es la formación. La evidencia revisada en este artículo — proveniente de ensayos aleatorizados, revisiones sistemáticas, estudios experimentales y marcos de expertos — converge en una conclusión clara: las herramientas de IA tienen un enorme potencial para mejorar la educación médica, pero solo si su integración es deliberada, estructurada y guiada por una comprensión profunda de cómo funciona la cognición humana. Dejada a desarrollarse orgánicamente, el patrón predeterminado es descarga cognitiva, sesgo de automatización y erosión de habilidades. Diseñada reflexivamente, con las salvaguardas adecuadas, las mismas herramientas pueden convertirse en instrumentos de aprendizaje más profundo. Las decisiones que los educadores médicos tomen en los próximos años determinarán cuál historia se convierte en la norma. La evidencia dice que aún tenemos tiempo para hacerlo bien. Pero no mucho.
Referencias:
1. Goh E, Gallo R, Hom J, et al. Large language model influence on diagnostic reasoning: a randomized clinical trial. JAMA Netw Open. 2024;7(10):e2440969. doi:10.1001/jamanetworkopen.2024.40969 https://doi.org/10.1001/jamanetworkopen.2024.40969
2. Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. J Am Med Inform Assoc. 2012;19(1):121-127. doi:10.1136/amiajnl-2011-000089 https://doi. org/10.1136/amiajnl-2011-000089
3. Gaube S, Suresh H, Raue M, et al. Do as AI say: susceptibility in deployment of clinical decision-aids. NPJ Digit Med. 2021;4(1):31. doi:10.1038/ s41746-021-00385-9 https://doi.org/10.1038/s41746-021-00385-9
4. Gerlich M. AI tools in society: impacts on cognitive offloading and the future of critical thinking. Societies. 2025;15(1):6. doi:10.3390/ soc15010006 https://doi.org/10.3390/soc15010006
5. Risko EF, Gilbert SJ. Cognitive offloading. Trends Cogn Sci. 2016;20(9):676-688. doi:10.1016/j.tics.2016.07.002 https://doi.org/10.1016/j.tics.2016.07.002
6. Sallam M, Barakat M, Sallam M. A student’s viewpoint on ChatGPT use and automation bias in medical education. JMIR Med Educ. 2024;10:e57696. doi:10.2196/57696 https://doi.org/10.2196/57696
7. Natali C, Marconi L, Duran LD, Miglioretti M, Cabitza F. AI-induced deskilling in medicine: a mixed-method review and research agenda for healthcare and beyond. Artif Intell Rev. 2025;58:178. doi:10.1007/ s10462-025-11352-1 https://doi.org/10.1007/s10462-025-11352-1
8. Sallam M. ChatGPT in medical education: a precursor for automation bias? JMIR Med Educ. 2024;10:e50174. doi:10.2196/50174 https://doi. org/10.2196/50174
9. Croskerry P. A universal model of diagnostic reasoning. Acad Med. 2009;84(8):1022-1028. doi:10.1097/ACM.0b013e3181ace703 https://doi. org/10.1097/ACM.0b013e3181ace703
10. Parasuraman R, Manzey DH. Complacency and bias in human use of automation: an attentional integration. Hum Factors. 2010;52(3):381-410. doi:10.1177/0018720810376055 https://doi. org/10.1177/0018720810376055
11. Wang DY, Liu TH, Li JY, et al. Artificial intelligence suppression as a strategy to mitigate artificial intelligence automation bias. J Am Med Inform Assoc. 2023;30(10):1684-1693. doi:10.1093/jamia/ocad118 https:// doi.org/10.1093/jamia/ocad118
12. Wu X, Huang Y. A large language model improves clinicians’ diagnostic performance in complex critical illness cases. Crit Care. 2025;29:230. doi:10.1186/s13054-025-05468-7 https://doi.org/10.1186/s13054025-05468-7
13. McDuff D, Schaekermann M, Tu T, et al. Towards conversational diagnostic artificial intelligence. Nature. 2025. doi:10.1038/s41586-02508866-7 https://doi.org/10.1038/s41586-025-08866-7
14. Kücking F, Hübner U, Przysucha M, et al. Automation bias in AI-decision support: results from an empirical study. Stud Health Technol Inform. 2024;317:298-304. doi:10.3233/SHTI240871 https://doi.org/10.3233/ SHTI240871
15. Abdulnour REE, Gin B, Boscardin CK. Educational strategies for clinical supervision of artificial intelligence use. N Engl J Med. 2025;393(8):786797. doi:10.1056/NEJMra2503232 https://doi.org/10.1056/NEJMra2503232
16. Zhou J, Zhang J, Wan R, et al. Integrating AI into clinical education: evaluating general practice trainees’ proficiency in distinguishing AI-generated hallucinations. BMC Med Educ. 2025;25:304. doi:10.1186/s12909025-06916-2 https://doi.org/10.1186/s12909-025-06916-2
17. Zhai C, Wibowo S, Li L. The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: a systematic review. Smart Learn Environ. 2024;11:26. doi:10.1186/s40561-024-00316-7
18. Li J, Ai F, Wang J, et al. Application of AIGC in medical education: a systematic review of the impact on critical thinking abilities of medical students. JMIR Med Educ. 2025;11:e79939. doi:10.2196/79939 https:// doi.org/10.2196/79939
19. Jussupow E, Spohrer K, Heinzl A, Gawlitza J. Augmenting medical diagnosis decisions? An investigation into physicians’ decision-making process with artificial intelligence. Inf Syst Res. 2021;32(3):713-735. doi:10.1287/isre.2020.0980 https://doi.org/10.1287/isre.2020.0980
20. Tsopra R, Peiffer-Smadja N, Charlier C, et al. Putting undergraduate medical students in AI-CDSS designers’ shoes: an innovative teaching
method to develop digital health critical thinking. Int J Med Inform. 2022;171:104980. doi:10.1016/j.ijmedinf.2022.104980 https://doi.org/10.1016/j.ijmedinf.2022.104980
21. Lyell D, Coiera E. Automation bias and verification complexity: a systematic review. J Am Med Inform Assoc. 2017;24(2):423-431. doi:10.1093/ jamia/ocw105 https://doi.org/10.1093/jamia/ocw105
22. Shimizu I, Kasai H, Shikino K, et al. Developing medical education curriculum reform strategies to address the impact of generative AI: qualitative study. JMIR Med Educ. 2023;9:e53466. doi:10.2196/53466 https://doi.org/10.2196/53466
23. Gordon M, Daniel M, Ajiboye A, et al. A scoping review of artificial intelligence in medical education: BEME Guide No. 84. Med Teach. 2024;46(4):446-470. doi:10.1080/0142159X.2024.2314198 https://doi. org/10.1080/0142159X.2024.2314198
24. Banerjee M, Chiew D, Patel KT, et al. The impact of artificial intelligence on clinical education: perceptions of postgraduate trainee doctors in London (UK) and recommendations for trainers. BMC Med Educ. 2021;21(1):429. doi:10.1186/s12909-021-02870-x https://doi. org/10.1186/s12909-021-02870-x
25. Almazrou R, Alarfaj HF, Alsadhan R, et al. Medical students’ perceptions of ChatGPT and its impact on critical thinking in medical education. Nutr Health. 2025;31(1):89-97. doi:10.1177/02601060241273627 https://doi.org/10.1177/02601060241273627
26. Feigerlova E, Hani H, Hothersall-Davies E. A systematic review of the impact of artificial intelligence on educational outcomes in health professions education. BMC Med Educ. 2025;25:392. doi:10.1186/s12909025-06719-5 https://doi.org/10.1186/s12909-025-06719-5
27. Raitskaya L, Tikhonova E. Enhancing critical thinking skills in ChatGPT-human interaction: a scoping review. J Lang Educ. 2025;11(1):1128. doi:10.17323/jle.2025.27387 https://doi.org/10.17323/jle.2025.27387
28. Kim DH, Kang YJ, Lee YM. Twelve tips for developing and implementing AI curriculum for undergraduate medical education. Med Educ Online. 2025;30(1):2585637. doi:10.1080/10872981.2025.2585637 https://doi.org/10.1080/10872981.2025.2585637
29. . Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nat Med. 2022;28(1):31-38. doi:10.1038/s41591-021-01614-0 https://doi. org/10.1038/s41591-021-01614-0
30. Lee P, Bubeck S, Petro J. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine. N Engl J Med. 2023;388(13):1233-1239. doi:10.1056/NEJMsr2214184 https://doi.org/10.1056/NEJMsr2214184
31. Çiçek F, Ülker M, Özer M, K yak Y. ChatGPT versus expert feedback on clinical reasoning questions and their effect on learning: a randomized controlled trial. Postgrad Med J. 2024;100(1190):1074-1081. doi:10.1093/postmj/qgae170 https://doi.org/10.1093/postmj/qgae170
32. Mazouri-Karker S, Bjelogrlic M, Audétat MC. IA et raisonnement clinique : entre promesses et risques de « deskilling » (partie 1). Rev Med Suisse. 2026;22(950):1-6. https://www.revmed.ch/revue-medicale-suisse/202 6/revue-medicale-suisse-950/ia-et-raisonnement-clinique-entre-promesses-et-risques-de-deskilling-partie-1
33. Mayorga, E. (2026). La mente y la máquina: Cómo la inteligencia artificial está transformando el pensamiento crítico en la formación médica. Una síntesis narrativa de la evidencia actual. La_Mente_y_la_Maquina_IA_ Pensamiento_Critico – Adobe cloud storage