Comentario del trabajo: AI-Enabled Precision-Education Systems — Transforming Lifelong Learning in Medicine. Autores : Sanjay V. Desai , MD , Sal Khan , MBA , y Kimberly Lomis , MD Publicado el 21 de febrero de 2026 N Engl J Med 2026 ; 394 : 838 – 841 VOL. 394 NÚM. 9
Introducción
Los programas de educación médica buscan formar profesionales capaces de ofrecer la mejor atención posible a pacientes, familias y comunidades. Sin embargo, los métodos tradicionales de enseñanza y evaluación a menudo no alcanzan este propósito.
Limitaciones de los enfoques tradicionales
Para ilustrar esta problemática, imaginemos el caso del Dr. T., una residente de pediatría enfrentando una situación clínica desafiante: atender a un bebé con una infección grave por virus respiratorio sincitial (VSR) cuyo estado empeora. A pesar de su destacado desempeño académico, la Dra. T. siente una profunda inseguridad ante la situación y la angustia de la madre, ya que no cuenta con la experiencia necesaria ni en el manejo de estos casos ni en la comunicación de noticias difíciles. Durante su formación, las oportunidades para adquirir estas habilidades han sido limitadas y, en ocasiones, relegadas por la carga laboral o la delegación de tareas a los supervisores.
Este ejemplo evidencia cómo la estructura tradicional, basada en enfoques universales y en el tiempo, puede dejar brechas en el desarrollo de competencias esenciales. La aleatoriedad en la asignación de rotaciones y las patologías atendidas generan trayectorias de aprendizaje desiguales entre los residentes. En respuesta a estas limitaciones, surgió la educación médica basada en competencias (CBME), que busca definir resultados claros y planificar actividades de enseñanza y evaluación en función de los hitos alcanzados por cada alumno.
La educación médica basada en competencias y sus desafíos
El modelo CBME reconoce que el progreso de cada aprendiz hacia la práctica independiente y segura es variable. Requiere una definición continua y colaborativa de objetivos y experiencias entre el alumno y el programa. No obstante, la implementación de la CBME ha sido lenta, pues demanda mayor precisión en la enseñanza y evaluación, algo que los procesos tradicionales no siempre pueden ofrecer.
El potencial de los sistemas de educación de precisión
Los sistemas de educación de precisión pueden acelerar la adopción de la CBME, utilizando datos y tecnología para personalizar, hacer más eficientes y potenciar la autonomía en la formación. Sin embargo, su construcción es compleja y depende de la disponibilidad de datos de evaluación confiables, que a menudo están dispersos en diferentes plataformas. Esto dificulta realizar evaluaciones integrales y ofrecer enseñanza personalizada, tanto para quienes están en formación como para médicos en ejercicio.
La inteligencia artificial como herramienta transformadora
La inteligencia artificial (IA) ofrece soluciones a estos desafíos. Las herramientas de IA pueden identificar patrones en grandes volúmenes de datos fragmentados generados en entornos clínicos, complementando las evaluaciones de los supervisores. Por ejemplo, programas que analizan historias clínicas electrónicas, plataformas que evalúan interacciones entre residentes y pacientes, y tecnologías que monitorizan procedimientos quirúrgicos mediante sensores, permiten identificar brechas de aprendizaje y trazar trayectorias de desarrollo individualizadas.
El valor de recopilar datos reside en su capacidad para generar respuestas educativas que beneficien al estudiante. Las herramientas de IA pueden integrar datos en marcos de competencias, crear visualizaciones personalizadas del desempeño y adaptar materiales de aprendizaje a los estilos preferidos de cada persona. Así, es posible ofrecer coaching individualizado, impulsar intervenciones dirigidas a necesidades específicas, y fomentar la autonomía al proporcionar acceso a datos personales y recursos virtuales de aprendizaje autodirigido.
La inteligencia artificial (IA) tiene el potencial de abordar estos enormes desafíos, transformando la manera en que se gestionan y analizan los datos en el ámbito clínico.
3 Las herramientas de IA pueden identificar señales entre la gran cantidad de datos fragmentados que se generan continuamente en los entornos clínicos, permitiendo una comprensión más profunda y matizada de las condiciones de los pacientes. Utilizando estas señales, pueden generar evaluaciones que complementen las de los supervisores, facilitando decisiones más informadas y rápidas en la atención al paciente. Por ejemplo, algunos programas educativos capturan información de historiales clínicos electrónicos y utilizan IA para analizar elementos rutinarios del trabajo clínico, como notas u órdenes, con el fin de rastrear experiencias e identificar brechas de aprendizaje que anteriormente podrían haber pasado desapercibidas. Otros programas innovadores utilizan plataformas de escucha ambiental para analizar las interacciones entre residentes y pacientes o entre miembros de un equipo clínico, proporcionando retroalimentación rápida y significativa sobre el razonamiento clínico y las habilidades de comunicación, lo cual es crucial para el desarrollo profesional. Durante los procedimientos quirúrgicos, las tecnologías portátiles, la visión artificial y los sensores pueden rastrear los movimientos de las manos y los ojos, la presión y la velocidad de movimiento, recopilando datos que son esenciales para la evaluación del rendimiento. Al agregar los datos de muchos usuarios, estas herramientas pueden generar rangos de rendimiento, revelando curvas de aprendizaje que podrían predecir trayectorias que conduzcan al mejor rendimiento posible para cada residente, optimizando así la formación y el desarrollo de futuros profesionales de la salud. Además, esta implementación de IA no solo promete mejorar la calidad de la atención médica, sino también aumentar la eficiencia operativa, lo que podría llevar a un sistema de salud más efectivo y accesible para todos.
Desafíos y consideraciones éticas
La incorporación de sistemas de educación de precisión requiere una supervisión rigurosa. Es fundamental que la IA complemente, y no reemplace, los elementos humanos de la educación, manteniendo el valor de las relaciones interpersonales. La participación de todas las partes interesadas es clave, así como la vigilancia para evitar sesgos derivados de los datos.
Además, la naturaleza personal de los datos puede generar incomodidad o sensación de vigilancia entre los residentes. Por ello, las instituciones deben fomentar culturas organizacionales orientadas al desarrollo y la confianza, establecer principios de gobernanza de datos, y promover la democratización de estas herramientas, evitando que solo beneficien a instituciones con altos recursos.
Escenarios futuros y beneficios potenciales
Aunque estas herramientas puedan parecer futuristas, ya comienzan a integrarse en sistemas de salud innovadores. En una versión reimaginada del caso de la Dra. T., un asistente educativo basado en IA podría haber detectado tempranamente sus brechas de experiencia, facilitando experiencias clínicas y ejercicios de simulación adecuados. Los datos transferidos entre niveles formativos permitirían una mejor planificación de rotaciones y supervisión, mientras que paneles en tiempo real ayudarían a focalizar los esfuerzos de aprendizaje. Además, los recursos se adaptarían a los formatos preferidos por cada aprendiz.
En este contexto, residentes como el Dr. T. estarían mejor preparados para afrontar situaciones complejas, podrían fortalecer su confianza mediante simulaciones breves y practicar la comunicación con tutores de IA antes de enfrentar a pacientes y familias. Así, los sistemas de educación de precisión basados en IA pueden acelerar el avance hacia una fuerza laboral médica más competente y preparada.
