Mendenhall, que investiga y enseña política de salud global y antropología médica en la Universidad de Georgetown, cree que «una de las cosas más poderosas que se pueden hacer es hacer que la gente piense de manera más amplia. Por ejemplo, enseño en una escuela que forma líderes globales, y si puedo hacer que alguien que va a ser un líder global se preocupe por la historia y la pobreza, y realmente piense en las personas como personas de estas maneras profundas, eso es un éxito».
Su próximo libro de 2026, Invisible Illness: A History, From Hysteria to Long Covid, sostiene que «necesitamos repensar enfermedades crónicas complejas como el COVID prolongado, particularmente cuando no hay un marcador verificable que demuestre por qué alguien está enfermo o un camino claro para la recuperación». Este nuevo trabajo se basa en un corolario central de su investigación: «necesitamos abrazar esta idea de entrelazamiento… Las enfermedades crónicas complejas, como el COVID prolongado, revelan cómo las condiciones sociales y de salud van juntas, y cómo se experimentan de estas formas profundamente integradas que tratamos de separar... Necesitamos entender la experiencia humana y las formas en que los patógenos hacen que nuestras enfermedades sean únicas de una persona a otra».
La antropóloga médica Emily Mendenhall, profesora del Programa de Ciencia, Tecnología y Asuntos Internacionales de la Escuela de Servicio Exterior Edmund A. Walsh de la Universidad de Georgetown en Washington, D.C., EE.UU., creció «en un pequeño pueblo llamado Okoboji, en el noroeste de Iowa». La historia de la reacción de esa ciudad conservadora a las directrices de salud pública se convirtió en el tema de su libro de 2022, Unmasked: COVID, Community, and the Case of Okoboji. «Trabajar a través de las culturas de una manera profundamente colectiva y colaborativa puede ser transformador para los involucrados, así como basarse en la investigación», dice Mendenhall, cuyos estudios abarcan la antropología, la medicina, la salud pública y la psicología. «Como antropóloga, después de trabajar en lugares muy diferentes a mi ciudad natal, cuando regresé a Okoboji, pude pensar en mi comunidad de una manera completamente diferente. Releí y reconsideré lo que sabía sobre la historia local y pude ver las formas en que las personas se cuidaban entre sí en la comunidad, así como las personas fuera de la comunidad, a través de una lente muy diferente».
El trabajo fundacional de Mendenhall sobre la sindemia «aplicó el pensamiento antropológico a la medicina y la salud pública, desafiando así la estrecha lente del cuerpo a través de la cual se construyen las enfermedades y se interpretan las epidemias» y examinó los factores sociales, ambientales o económicos que interactúan con la enfermedad y empeoran las consecuencias para la salud. Su investigación también se ha centrado en «cómo las enfermedades mentales están profundamente conectadas con la historia, la cultura y la política, y cómo el trauma puede incrustarse y borrarse en las enfermedades crónicas». Mendenhall, becario Guggenheim 2023 y editor jefe fundador de Social Science & Medicine-Mental Health hasta principios de 2025, está «particularmente interesado en la interacción entre la depresión y la diabetes».
Nacida en el seno de una familia de científicos (padre urólogo, madre ecologista y una bisabuela que fue una de las primeras médicas de Iowa), Mendenhall pensó inicialmente que se convertiría en médica, pero, en cambio, se sintió atraída por «aprender sobre lo que impulsa la buena salud, y cómo la sociedad y la política pueden servir como una poderosa medicina para los males sociales y las desigualdades en salud que vemos en las sociedades de todo el mundo». Después de obtener una licenciatura en estudios interdisciplinarios de Davidson College y una maestría en salud pública global de la Escuela de Salud Pública Rollins de la Universidad de Emory, aceptó un trabajo en el Hospital del Condado de Cook en Chicago y se «interesó en cómo las personas de bajos ingresos navegan por la diabetes en una sociedad donde es difícil acceder a la atención médica». Cuando más tarde comenzó un doctorado en antropología en la Universidad Northwestern, continuó trabajando en el hospital. Fue a través de este trabajo que comenzó a pensar en la sindemia. «Empecé a entender lo poderoso que podía ser el concepto de sindemia para empujar a la medicina y a la salud pública a pensar más en la integración. Habla de los determinantes sociales de la salud, pero nos lleva un poco más lejos, a pensar en la encarnación de una manera profunda que está enredada con la sociedad, el dinero y la política… La sindemia en sí misma sirve como un gran axioma, una forma de traducir ideas de la antropología médica a la medicina y la salud pública que expanden los silos que impiden nuestra capacidad para mejorar la salud y el bienestar en todo el mundo».
Dejó Chicago para una beca financiada por los NIH en Delhi con la Fundación de Salud Pública de la India para realizar «uno de los primeros estudios etnográficos sobre la diabetes en la India, donde investigamos cómo las diferencias sociales y económicas mediaron las experiencias de las personas que viven con diabetes y buscan atención para ella en todos los grupos de ingresos». A continuación, completó una beca postdoctoral en la Universidad de Witwatersrand en Johannesburgo, Sudáfrica, donde continuó colaborando durante más de una década. Mendenhall también trabajó con colegas en Kenia sobre cómo las personas enfrentan la diabetes y el VIH junto con los desafíos sociales. Se ha centrado principalmente en la vida de las mujeres: «He pasado horas hablando con mujeres sobre las complejidades de vivir con una enfermedad crónica, recurriendo a múltiples métodos, desde narraciones de historias de vida hasta manchas de sangre. Tanto las palabras como los cuerpos cuentan historias importantes, y tomar en serio cómo las personas perciben su propio sufrimiento, así como lo que está grabado en sus células y órganos, puede enseñarnos mucho». Agrega que «el contexto, la cultura y las relaciones sociales juegan un papel profundo en la forma en que las personas piensan y viven bien con las enfermedades crónicas. Es importante entender esto cuando se piensa en cómo ayudar a las personas a navegar por las enfermedades crónicas a través de intervenciones médicas y sociales».
Los cambios demográficos relacionados con el envejecimiento de la sociedad están impulsando una creciente demanda de cuidados dentro del sector sanitario [ 1 , 2 ]. Además, la escasez de personal de enfermería en Polonia ha llevado a la introducción y el apoyo de soluciones sistémicas mediante el establecimiento de una nueva profesión médica: el cuidador médico [ 1 , 2 ]. Las responsabilidades claves del cuidador médico incluyen proporcionar servicios médicos y de enfermería y cuidados a personas enfermas y dependientes [ 3 ]. En la mayoría de los países europeos, a pesar de la falta de directrices estandarizadas, el alcance de los deberes profesionales de los cuidadores médicos es ampliamente similar. Estas responsabilidades abarcan la asistencia en el cuidado del paciente, la nutrición, la higiene, los primeros auxilios, la seguridad del paciente y el mantenimiento de una documentación precisa [ 4 ]. Las tareas rutinarias de los cuidadores médicos incluyen hacer las camas, ayudar a los pacientes a comer y bañarse, registrar parámetros médicos como la temperatura, el pulso, la respiración y el peso corporal, monitorear los niveles de glucosa en sangre, ayudar a los pacientes con otras actividades diarias y apoyar sus necesidades sociales [ 5 ]. A pesar del alcance similar de los deberes y la integración de los cuidadores médicos dentro del sistema sanitario, no existe un marco educativo unificado para esta profesión en toda Europa. Esta variación refleja las diferencias en las estructuras organizativas y los requisitos de cualificación para las funciones sanitarias entre los distintos países europeos.
El rol de cuidador médico es una profesión regulada en Polonia [ 6 ]. Para comenzar la educación en la profesión de cuidador médico, se requiere completar la educación a nivel de escuela secundaria o escuela técnica. Las personas que ingresan al proceso de reclutamiento para la capacitación como cuidador médico deben tener al menos 18 años. El currículo básico para la profesión de cuidador médico está incluido en el marco de la educación postsecundaria [ 7 ]. La profesión de cuidador médico se estableció formalmente en Polonia en 2007, con actualizaciones del currículo en 2016 y 2019 que ampliaron los requisitos educativos [ 8 , 9 , 10 , 11 , 12 , 13 ]. Los cambios introducidos en el currículo dieron como resultado, entre otros, extender el currículo básico de 468 h (incluidas 206 horas prácticas) a 850 h (incluidas 210 horas prácticas) [ 14 ]. El número total de horas de capacitación aumentó aproximadamente un 81,6%, mientras que el número de horas de capacitación práctica aumentó solo un 1,94%. Desde septiembre de 2021, para obtener un certificado profesional como cuidador médico, es necesario completar una formación impartida en centros de educación superior (a tiempo completo o parcial) durante tres semestres y aprobar un examen profesional realizado por las Juntas Examinadoras Regionales. Para ejercer como cuidador médico es necesario inscribirse en el Registro Central de Personas Autorizadas para el Ejercicio de Profesiones Médicas [ 15 ]. El currículo básico para la formación de cuidadores médicos ha evolucionado significativamente entre 2007 y 2021. El currículo básico actual consta de diez módulos temáticos impartidos en un mínimo de 850 horas:
MED. 14.1. Salud y seguridad en el trabajo (30 h).
MED. 14.2. Fundamentos de la atención a la persona enferma y dependiente, incluyendo la atención médica básica (60 h).
MED. 14.3. Identificación de cuidados y cuestiones médicas en la prestación de cuidados a personas enfermas y dependientes (80 h).
MED. 14.4. Planificación de actividades de higiene y cuidados para la persona enferma y dependiente (80 h).
MED. 14.5. Organización y ejecución de actividades de higiene y tareas de cuidados de enfermería seleccionados (80 h).
MED. 14.6. Realización de actividades de atención médica seleccionadas (320 h).
MED. 14.7. Planificación, organización y prestación de cuidados a personas enfermas y dependientes, incluida la atención a personas con demencia (90 h).
MED. 14.8. Realización de estimulación en la cama del paciente utilizando elementos de gimnasia axial-simétrica en tres planos simultáneamente – Método SOS 3D (80 h).
MED. 14.9. Lengua Extranjera Profesional (30 h).
MED. 14.10. Competencias Personales y Sociales.
MED. 14.11. Organización de pequeños equipos de trabajo.
Como parte de su formación, los cuidadores médicos deben realizar una pasantía profesional con una duración de 6 semanas (210 h).
Trabajar como cuidador médico es exigente física, mental y organizativamente. Requiere la capacidad de conectar con diversos pacientes (incluyendo consideraciones sobre problemas de salud y rasgos de personalidad) y sus familias [ 16 ]. Esta profesión se asocia con posibles consecuencias negativas, como el síndrome de burnout, altos niveles de estrés por el cuidado, depresión, ansiedad, agotamiento físico y menor satisfacción vital [ 17 , 18 ]. Para mitigar estos riesgos, es esencial que los cuidadores estén bien preparados, tanto teórica como prácticamente, para su profesión y tengan acceso al apoyo profesional de organizaciones que brindan asistencia [ 19 ].
Hasta la fecha, la investigación que evalúa la formación de los cuidadores médicos sigue siendo limitada. Por lo tanto, el presente estudio se realizó para analizar los resultados educativos e identificar áreas de mejora, tanto en conocimientos teóricos como en habilidades prácticas, dentro del proceso de formación de estos profesionales. Para comprender integralmente la formación de los cuidadores médicos, y dada la complejidad del fenómeno, se empleó un enfoque de métodos mixtos.
Materiales y métodos
Este es un diseño no experimental. Se utilizó una metodología mixta [ 20 , 21 ]. El estudio empleó métodos de investigación cuantitativos y cualitativos [ 22 ]. La recopilación de datos cuantitativos se llevó a cabo mediante un método de encuesta en línea (Entrevista Web Asistida por Computadora, CAWI) junto con un método de encuesta tradicional en papel. Los datos cualitativos se recopilaron a través de una mini Entrevista de Grupo Focal (FGI) en línea utilizando la plataforma MS Teams. El método cuantitativo se utilizó principalmente para recopilar datos del área de conocimiento y habilidades adquiridas durante la educación. A su vez, el estudio cualitativo tuvo como objetivo profundizar el tema en el área de las necesidades de los cuidadores médicos y mejorar la calidad de la educación desde la perspectiva de tres partes interesadas principales en el proceso educativo.
Herramientas de investigación
En el componente cuantitativo, el instrumento principal de investigación fue un cuestionario desarrollado en consonancia con el currículo básico de formación para cuidadores médicos (Suplementario). El cuestionario se organizó en tres secciones. La primera sección se centró en los conocimientos y habilidades adquiridos durante la formación e incluyó ocho preguntas que evaluaban 84 variables. Los encuestados utilizaron una escala de cuatro puntos (totalmente suficiente, moderadamente suficiente, insuficiente y muy insuficiente) o una escala de cinco puntos (muy bien, bien, insuficiente, deficiente, no adquirió), según la naturaleza de la pregunta. Además de las preguntas de opción única, el cuestionario incluyó preguntas de opción múltiple, con un máximo de tres respuestas. Estas preguntas abordaron los componentes prácticos y teóricos del currículo, indicando qué temas deberían incorporarse en mayor o menor medida en el programa educativo.
La segunda parte consistió en preguntas abiertas como: ‘Por favor, indique los factores que dificultan su capacidad para brindar una atención adecuada al paciente’, ‘En su trabajo diario como cuidador médico, ¿se le asignan tareas que exceden sus competencias profesionales?’, ‘¿Qué cambiaría en el sistema de salud para mejorar el prestigio de la profesión de cuidador médico?’ y ‘Si tuviera la oportunidad de decidir nuevamente sobre su elección profesional, ¿elegiría la profesión de cuidador médico?’.
El segundo bloque de preguntas concluyó con una pregunta abierta: «¿Por qué decidió estudiar la profesión de cuidador médico?». La sección final comprendió preguntas sociodemográficas, como edad, género, lugar de trabajo y experiencia laboral. El criterio de inclusión para la encuesta fue que las personas hubieran obtenido el título profesional de cuidador médico. El cuestionario se sometió a un estudio piloto. Con base en la calculadora: https://www.crutzen.net/n.htm , se calculó el tamaño de la muestra para el estudio piloto [ 23 ]. Finalmente, participaron 48 cuidadores médicos en el estudio piloto. El análisis reveló que el alfa de Cronbach de la encuesta se situó entre 0,71 y 0,83, lo que indica una buena consistencia interna.
El instrumento de investigación para la Entrevista de Grupo Focal (FGI) consistió en un escenario desarrollado específicamente para cada grupo. Cada escenario fue evaluado por dos expertos en salud pública. La versión final del escenario se determinó mediante un debate entre expertos. Cada escenario constó de tres partes: una introducción, durante la cual se presentó al moderador, se explicaron las reglas de la entrevista, se especificó el objetivo del estudio y se discutieron las definiciones; la sección principal contenía preguntas sobre la colaboración del cuidador médico con el resto del personal de las unidades de salud, la evaluación de sus conocimientos y habilidades, y la importancia y el prestigio de la profesión. La parte final incluyó un resumen de la entrevista, agradecimientos por la participación y despedidas de los asistentes. El escenario tuvo una duración prevista de dos horas para cada FGI.
Marco de estudio
Reclutamiento de encuestados.
Investigación cuantitativa—CAWI
Los participantes de la encuesta CAWI se reclutaron mediante invitaciones que incluían un enlace a una base de datos de 500 direcciones de internet, obtenidas mediante una revisión de sitios web, foros del sector y salas de chat dedicadas a profesionales sanitarios (Tabla 1 ). Se recibieron 584 cuestionarios completados, de los cuales 24 fueron excluidos por no cumplir los criterios de inclusión. En consecuencia, se incluyeron en el análisis 560 cuestionarios basados en CAWI.
Investigación cuantitativa: encuesta tradicional en papel
Los participantes de la encuesta en papel se reclutaron de 100 entidades seleccionadas aleatoriamente que emplean cuidadores médicos, incluyendo hospitales de pacientes hospitalizados, residencias de ancianos, centros de vida asistida y hospicios. Treinta y ocho sujetos participaron en el estudio. Se devolvieron 340 cuestionarios en papel; sin embargo, 60 fueron excluidos del análisis posterior (7 por participar previamente en la encuesta en línea, 15 por no cumplir los criterios de inclusión y 38 por respuestas incompletas). Finalmente, se incluyeron en el análisis 280 encuestas en papel.
En total, combinando los cuestionarios obtenidos de la encuesta CAWI y la encuesta tradicional en papel, se incluyeron 840 cuestionarios en el análisis final.
Investigación cualitativa – mini FGI
El reclutamiento de participantes se llevó a cabo utilizando un método de muestreo intencional: la estrategia de «caso típico» para ilustrar o enfatizar lo que es típico, normal o promedio y la estrategia de «conveniencia» – fácil acceso a los participantes. Los participantes del grupo focal (proveedores de atención médica, maestros y empleadores) fueron seleccionados en función de su relevancia para la pregunta de investigación, asegurando que los datos recopilados estuvieran en línea con los objetivos de la investigación [ 24 ]. La investigación se llevó a cabo utilizando el método de «Mini Grupo». Debido a las expectativas del investigador y las cuestiones planteadas, fue necesario crear una situación de investigación íntima que facilitara la discusión de cuestiones difíciles. En tales grupos, es posible discutir temas con más detalle, hacer preguntas, explicar o proporcionar ejemplos de la vida. El enfoque elegido significa que, a pesar de mantener la interacción entre los encuestados, el método puede parecerse a las entrevistas individuales [ 25 ]. Los grupos más pequeños permitieron respuestas más extensas y frecuentes de las personas que participaron en el estudio. Durante el estudio cualitativo, el moderador pudo ver nuevas dimensiones del fenómeno en estudio, y un grupo más pequeño en tal caso dio a los participantes la oportunidad de hacer preguntas adicionales, lo que condujo al progreso del estudio y a la exploración más completa del fenómeno en estudio [ 26 , 27 ]. Tanto las entrevistas como la interpretación de los resultados fueron realizadas por investigadores independientes con 7 a 10 años de experiencia en investigación cualitativa y cuantitativa.
Se establecieron tres mini grupos FGI:
1.Personal sanitario que obtuvo un diploma al finalizar su formación profesional (5 personas: hombre, 45 años, trabaja en la ciudad, centro público, sala de hospital, 10 años de experiencia profesional; mujer, 35 años, trabaja en la ciudad, centro público, hospicio, 3 años de experiencia profesional; mujer, 62 años, trabaja en la ciudad, centro público, centro de enfermería y tratamiento, 8 años de experiencia profesional; mujer, 49 años, trabaja en la ciudad, centro público, realiza cuidados a domicilio, 8 años de experiencia profesional; mujer, 30 años, trabaja en la ciudad, centro público, año de experiencia profesional).
2.Educadores que trabajan en escuelas públicas y privadas, enseñando materias del programa de cuidadores médicos (4 personas: mujer, 35 años, escuela privada de la ciudad; mujer, 60 años, escuela pública de la ciudad; hombre, 49 años, escuela privada de la ciudad; mujer, 32 años, escuela pública de la ciudad).
3.Empleadores y supervisores directos de cuidadores médicos asociados con instituciones de atención médica: el director de un hogar privado para personas mayores; la enfermera de sala en el departamento de enfermedades infecciosas de un hospital; el director del departamento médico en un hogar de ancianos; el director de un hogar de ancianos y un centro de atención diurna (4 individuos: mujer, directora de un hogar de retiro privado en una pequeña ciudad, de 55 años; mujer, enfermera de sala en una sala de enfermedades infecciosas en un hospital en la ciudad, de 63 años; mujer, directora del departamento médico en un Hogar de Bienestar Social en la ciudad; de 41 años; hombre, director de un Hogar de Bienestar Social y un Hogar de Atención Diurna en la ciudad, de 59 años). Todas las IGF se realizaron en línea (Tabla 1 ).
Antes de participar en el estudio, se obtuvo el consentimiento informado de los encuestados. Se les informó de su derecho a finalizar o retirarse del estudio en cualquier momento, así como de que los datos recopilados se utilizarían exclusivamente con fines de investigación. La encuesta fue anónima y la participación en el estudio fue voluntaria. Con el consentimiento de los participantes, se realizó una grabación de audio y video de cada reunión para procesar los resultados. Posteriormente, se transcribieron las entrevistas. Los archivos de texto (transcripciones de entrevistas en línea) se almacenan, lo que garantiza el anonimato y no permite la identificación de los participantes del estudio; están protegidos con contraseña y se almacenan de acuerdo con los principios adoptados en NIPH – NIH NRI: Orden n.º 4/2025 de 21 de enero de 2025 sobre la introducción del sistema de gestión de seguridad de la información NIPH – NIH NRI (las últimas normas).
Análisis de datos
Se incluyeron en el análisis un total de 840 encuestas, con una muestra representativa que requirió un mínimo de 381 encuestas completadas. Se excluyeron las encuestas que no se completaron en su totalidad (100%). Las respuestas (según la variante) marcadas como «a veces», «muy rara vez», «casi nunca», «insuficientemente», «insuficientemente» y «no lo suficientemente bien», «insuficientemente» y «no lo adquirí» se agruparon y contabilizaron para identificar áreas de mejora.
Se utilizó un diseño convergente de métodos mixtos paralelos, con componentes cuantitativos y cualitativos ejecutados simultáneamente y resultados integrados. Las discrepancias en la codificación se resolvieron mediante discusión entre los tres investigadores hasta alcanzar un consenso. Los análisis estadísticos se realizaron con el paquete estadístico IBM SPSS Statistics 26.0, STATISTICA versión 12.0 y el programa de hojas de cálculo Excel.
El informe de investigación se basó en el COREQ. El análisis de los datos de la investigación cualitativa se basó en el análisis de las transcripciones de FGI y las notas tomadas durante los estudios. En el análisis de la investigación cualitativa, se utilizó el análisis convencional y la codificación de las declaraciones de los encuestados [ 28 ]. La transcripción fue analizada de forma independiente por tres investigadores, para cada grupo de encuestados por separado (cuidadores médicos, docentes y empleadores).
1. La primera lectura del texto se utilizó para determinar los códigos. Se identificaron los siguientes: conocimiento teórico, conocimiento práctico, necesidades, lagunas, competencias y organización.
2. Análisis del contenido de las entrevistas en función de los códigos adoptados y creación de bloques temáticos:
Características de un cuidador médico,
papel del cuidador médico,
evaluación de conocimientos tras finalizar la formación profesional,
evaluación de las competencias prácticas tras finalizar la formación profesional,
3. Se identificaron similitudes y diferencias en las declaraciones de los tres grupos de encuestados
4. Síntesis de las declaraciones de los grupos de encuestados en cuanto a áreas que requieren mejoras en el contexto de la eficacia y calidad de la educación de los cuidadores médicos y cambios en el currículo básico que podrían afectar positivamente el proceso de educación de los cuidadores médicos.
Finalmente, los resultados se tradujeron al inglés utilizando el método de retrotraducción para garantizar que las transcripciones en inglés reflejaran adecuadamente las respuestas de los participantes.
Criterios de confiabilidad
Para garantizar la credibilidad de los hallazgos, se empleó la triangulación de datos comparando los resultados obtenidos de tres grupos distintos de encuestados: docentes, profesionales sanitarios y empleadores. Además, se tuvo en cuenta la reflexividad del investigador, lo que permitió un análisis crítico de cómo las suposiciones personales y la postura personal pudieron haber influido en el proceso de investigación. El escenario FGI se desarrolló con base en mi experiencia previa en investigación en el campo de la formación profesional, la cual pudo haber influido en la selección de los temas. Como profesional con experiencia en el sistema sanitario, era consciente de que mi presencia podría haber influido en la forma de hablar de los participantes, quienes podrían haberme tratado como un experto. Para minimizar esta asimetría, intenté adoptar una postura neutral y evitar reacciones evaluativas. Durante las entrevistas, intenté que cada participante tuviera la misma participación y la misma duración de discurso. Durante la etapa de análisis de datos, tuve especial cuidado de no sobreinterpretar las declaraciones de forma que confirmaran mis creencias previas sobre la eficacia del sistema educativo actual. Para ello, fragmentos de los datos fueron sometidos a una evaluación independiente por otros dos investigadores. Para mejorar la transferibilidad del estudio, las características de los grupos participantes se describieron de la forma más completa y precisa posible. Para asegurar la fiabilidad, el proceso de análisis se discutió con dos investigadores para verificar la consistencia y transparencia de los hallazgos. Para asegurar la confirmabilidad, se conservaron y presentaron extractos de entrevistas que respaldaban las interpretaciones, junto con la reflexividad del investigador, como se mencionó anteriormente.
En el estudio presentado, se asignó mayor importancia a la investigación cuantitativa, debido a la amplia y representativa muestra de encuestados. La investigación cualitativa se consideró un complemento del método cuantitativo. Este enfoque de investigación mixta se enmarca en el esquema de inmersión paralela [ 29 ].
Resultados
Un total de 840 cuidadores médicos participaron en el estudio cuantitativo. La muestra fue predominantemente femenina (92,1%) (Tabla 2 ). La mayor proporción de encuestados tenía entre 40 y 49 años (40,4%). Los cuidadores médicos que participaron en el estudio residían con mayor frecuencia en ciudades con una población de hasta 50.000 habitantes (23%) y en ciudades con una población de entre 51.000 y 150.000 habitantes (23%). La gran mayoría de los encuestados había completado su formación como cuidadores médicos en escuelas públicas de educación superior (82,8%). En el momento del estudio, más de la mitad de los encuestados trabajaban en hospitales (54,5%) (Tabla 2 ).
Las áreas identificadas de formación que requieren mayor atención incluyen las siguientes: fundamentos de la atención a personas enfermas y dependientes y conceptos básicos de atención médica, como el lenguaje de signos (9 aspectos), competencias personales y sociales, como mantener el conocimiento actualizado y refinar las habilidades profesionales y afrontar el estrés (3 aspectos), y un aspecto de cada una de las siguientes áreas: salud y seguridad en el trabajo (cumplimiento de las normas de seguridad sobre materiales contaminados biológicamente), planificación de actividades de higiene y cuidado de personas enfermas y dependientes (asistencia a personas enfermas y dependientes en el uso de equipos ortopédicos y de rehabilitación), realización de tareas de atención médica seleccionadas (realización de tratamientos antiinflamatorios y baños terapéuticos para personas enfermas y dependientes, según las instrucciones de un médico o enfermero), y planificación, organización y ejecución de actividades de cuidado de personas enfermas y dependientes, con especial consideración a las personas con demencia (asistencia a personas enfermas y dependientes en el uso de equipos ortopédicos y de rehabilitación) (Tabla 3 ).Tabla 3 Áreas de conocimiento y habilidades que requieren mayor efectividad en el proceso de formación del cuidador médico formal
Estudio FGI
Al evaluar los conocimientos y las habilidades prácticas después de completar la formación vocacional desde la perspectiva de los cuidadores médicos, maestros, educadores y empleadores, se hizo hincapié en las áreas identificadas como las que requerían más mejoras.
Los profesionales sanitarios destacaron principalmente dos cuestiones dominantes: el número insuficiente de horas asignadas a ejercicios prácticos y la necesidad de adaptar el plan de estudios para satisfacer las demandas y expectativas del mercado laboral.
“Todo depende del tipo y del enfoque de la escuela, pero hay muy pocas horas dedicadas a la formación práctica”. (Cuidador FGI).
“Todo esto lo tuvimos que aprender en el trabajo porque no nos enseñaron lo suficiente; había muy pocas horas”. (Cuidador FGI).
‘No existe una escuela que te prepare para todo; cuando empiezas a trabajar te enfrentas a la realidad.’
Califico mis conocimientos como promedio, alrededor de un 3. (Cuidador FGI).
“Lo que aprendemos durante las prácticas en la escuela es completamente diferente de lo que encontramos más tarde en el lugar de trabajo”. (Cuidador FGI).
El segundo problema se refiere a los desafíos de comunicación, tanto con los pacientes como entre los equipos médicos. Dada la naturaleza de su trabajo, que implica interactuar con pacientes con diversas discapacidades físicas y psicológicas, así como con personas en fase terminal, los profesionales sanitarios enfatizan la necesidad de una mayor formación en psicología y habilidades interpersonales.
“Tenemos muy poca psicología en el plan de estudios, por eso muchos cuidadores abandonan debido al estrés y a los problemas de trabajo en equipo”. (Cuidador FGI).
“Es necesaria mucha autoeducación para desarrollar habilidades blandas” (Cuidador FGI).
“Hay muy pocas clases prácticas de psicología”. (Cuidador FGI)
Los educadores destacan la necesidad de cambios en el sistema educativo. El currículo básico abarca una amplia gama de conocimientos teóricos, que describen como «excesivamente exhaustivo», sugiriendo que podría sustituirse por temas prácticos:
“Debería haber muchas más horas en la sala, al menos 80 horas adicionales”. (Educador FGI).
“La formación práctica debería tener lugar en hospitales en distintos departamentos, en lugar de en residencias de ancianos”. (Educador FGI).
Se expresa especialmente la necesidad de ampliar los temas relacionados con el cuidado del paciente: “Debería haber más temas sobre cómo manejar heridas o escaras”. (Educador FGI).
También sería beneficioso estandarizar la calidad de la educación y adaptar el currículo a las realidades del trabajo profesional:
“Mucho depende de dónde recibió su formación el cuidador”. (Educador FGI)
“En las aulas enseñamos de manera diferente, pero el ambiente laboral real no nos permite dedicar tanto tiempo”. (Educador FGI).
“Nos damos cuenta de que enseñamos de una manera, pero los cuidadores a menudo realizan tareas diferentes, a menudo debido a la falta de personal suficiente”. (Educador FGI).
El último grupo estudiado estuvo compuesto por empleadores. Se hicieron eco de la preocupación del profesorado respecto a la necesidad de aumentar las horas dedicadas a la formación práctica:
“Exhiben incertidumbre”. (Empleador FGI).
“A veces, la formación práctica es meramente teórica y luego queda claro que esa persona tiene dificultades en su trabajo”. (Empleador FGI)
Sobre todo, destacan la necesidad de mejorar la eficacia de la formación en habilidades blandas, que son esenciales para la interacción directa con el paciente, el trabajo en equipo y pueden ayudar a reducir el riesgo de agotamiento profesional:
“Creo que aumentar las horas de formación práctica podría abordar todas las cuestiones relacionadas con la comunicación y el trabajo en equipo, ya que estas habilidades son las que encuentro más faltantes”. (Empleador FGI).
“Hay problemas con la comunicación con los residentes”. (Empleador FGI)
“Hay falta de habilidades en trabajo en equipo y resolución de problemas”. (Empleador FGI).
“Es necesaria una preparación psicológica para las conversaciones”. (Empleador FGI)
“También es importante enriquecer su experiencia para evitar el desgaste profesional”. (Empleador FGI).
Discusión
Uno de los objetivos del «envejecimiento saludable» es apoyar a las personas mayores para que puedan permanecer en la comunidad por más tiempo, manteniendo su independencia. Para afrontar este reto, además de integrarse en el modelo de atención centrada en el paciente, es necesaria la participación de un cuidador médico [ 30 ]. En la profesión de un cuidador médico, además de los conocimientos y las habilidades para brindar atención de calidad, las habilidades de comunicación, como la amabilidad, la empatía y la confianza, son importantes desde el punto de vista del paciente. Para los pacientes, es importante establecer una relación con el cuidador y un sentido de cercanía y respeto, manteniendo una distancia saludable [ 31 ]. La preparación e implementación de la educación continua para los cuidadores médicos es una función activa de las instituciones educativas para mejorar la calidad de la atención brindada a las personas dependientes [ 32 ]. Actualmente, la atención profesional se centra en los aspectos médicos y físicos de la atención. Sin embargo, muchos cuidadores afirman que se necesita un cambio de paradigma innovador hacia un enfoque holístico, hacia la atención de las necesidades sociales y emocionales. Sin embargo, a menudo carecen de la competencia para hacerlo, ya que no forma parte de su formación profesional [ 33 ]. Las cuestiones del envejecimiento y la salud mental parecen abordarse de forma especialmente superficial durante la formación, también en Polonia. Los resultados obtenidos en el estudio permiten destacar que el programa educativo no tiene en cuenta las situaciones prácticas que enfrentan los cuidadores, por ejemplo, las situaciones difíciles relacionadas con la edad del paciente o los trastornos cognitivos [ 34 ]. La parte posterior del debate incluye un análisis detallado de las áreas que requieren apoyo dentro del currículo básico y el proceso educativo de los cuidadores médicos.
Tanto los encuestados como los participantes en los grupos focales identificaron de forma consistente una formación insuficiente en habilidades prácticas y habilidades blandas, destacando estas como lagunas curriculares significativas. El área que requiere más atención son los fundamentos del cuidado de las personas enfermas y dependientes, así como los fundamentos de la atención médica. Se debe hacer especial hincapié en el uso de la lengua de señas y la adherencia a los protocolos en casos de sospecha de abuso. Nuestro estudio demostró que el 49,8% de los cuidadores encuestados carecía de competencia en la lengua de señas a un nivel bueno o muy bueno. En comparación, un estudio croata encontró que el 67% de las enfermeras encuestadas no poseían habilidades en la lengua de señas [ 35 ]. Se puede concluir que la lengua de señas no se considera una competencia básica necesaria para el desempeño diario de las tareas de cuidado [ 36 ]. Sin embargo, para los pacientes con discapacidad auditiva, se estima que en Polonia hay aproximadamente 50.000 personas con pérdida auditiva significativa a profunda, y alrededor de 800.000 a 900.000 personas con pérdida auditiva moderada [ 37 ]. Por lo tanto, el dominio de la lengua de señas es esencial para establecer una comunicación eficaz. Las investigaciones indican que las personas con discapacidad auditiva enfrentan dificultades para acceder a la atención médica, principalmente debido a las barreras de comunicación, lo que resulta en una menor utilización de los servicios de salud en comparación con las personas sin discapacidad auditiva. El dominio de la lengua de señas puede mejorar la participación del paciente y la calidad de la atención, lo que permite una mejor comprensión de los pacientes (tanto niños como adultos) que requieren asistencia. En consecuencia, la incorporación de la formación en lengua de señas en el currículo es legítima y eficaz para aumentar los niveles educativos y la preparación para la comunicación con personas con discapacidad auditiva [ 35 ].
Otro aspecto identificado como que requiere atención en el proceso educativo es la adherencia a los protocolos en casos de sospecha de violencia. El problema de la violencia afecta a las mujeres con más frecuencia que a los hombres, y la tasa de abuso contra los ancianos está aumentando progresivamente [ 38 ]. La investigación ha demostrado que los trabajadores de la salud a menudo son el primer punto de contacto para las víctimas de violencia. Una de las funciones de la atención médica es prevenir la violencia, y los cuidadores médicos pueden desempeñar un papel crucial en la identificación del abuso durante las actividades de cuidado rutinarias [ 39 ]. Por lo tanto, es esencial que posean conocimientos y competencias integrales con respecto a los protocolos para abordar la sospecha de violencia. La capacitación puede mejorar la conciencia de la violencia, las habilidades, las competencias, la confianza y la preparación de los trabajadores de la salud para responder cuando se encuentran con personas afectadas por la violencia [ 40 , 41 ].
La siguiente área que requiere apoyo son las competencias personales y sociales. Estas se han identificado como muy importantes tanto en el estudio CAWI como en los debates grupales con cuidadores y empleadores. Cabe destacar que el legislador no impone un requisito mínimo de horas para abordar estos temas a los organizadores de la formación. Simplemente indica que «El profesorado de todas las asignaturas obligatorias de la formación profesional debe crear las condiciones para que los estudiantes adquieran competencias personales y sociales, así como habilidades para organizar el trabajo en pequeños equipos»[ 3 ]. Existe un creciente debate sobre la necesidad de implementar cambios en la formación médica, en particular en lo que respecta a las competencias sociales y comunicativas. Estas competencias son fundamentales para casi el 100 % de las personas que cursan estudios de medicina [ 42 ]. Los resultados de nuestra investigación revelaron que, en el ámbito de las competencias personales y sociales, se debe prestar mayor atención a las competencias asociadas con el aprendizaje autodirigido. Las directrices del Espacio Europeo de Educación Superior (EEES) presentan el perfil del estudiante como una persona activa, responsable de su propio desarrollo, adquisición de conocimientos y competencias [ 43 , 44 ]. Un enfoque autodirigido para el aprendizaje es particularmente significativo en el sector de la salud debido a la necesidad de poseer conocimientos actualizados para garantizar una atención segura al paciente [ 45 ]. El desarrollo profesional continuo no solo mejora los estándares de atención mediante la adquisición de nuevas competencias, sino que también aumenta la eficiencia profesional, produciendo resultados positivos principalmente para los pacientes y las organizaciones [ 46 ].
También es esencial mejorar la eficacia para afrontar el estrés. La naturaleza del trabajo de un cuidador, incluida la exposición al estrés crónico derivado de la responsabilidad por la salud y la vida de las personas dependientes, aumenta el riesgo de desarrollar el síndrome de estrés del cuidador, caracterizado por agotamiento físico, emocional y mental [ 47 ]. La Academia Nacional de Medicina ha indicado que incluso antes de la pandemia, el nivel de agotamiento entre los trabajadores de la salud en los EE. UU. había alcanzado un nivel crítico. Los informes mostraron que entre el 35% y el 45% de las enfermeras y los médicos, así como entre el 40% y el 60% de los estudiantes de medicina, experimentaron signos de agotamiento [ 48 ]. Aunque la pandemia de COVID-19 ha terminado desde entonces, el nivel de agotamiento sigue siendo alto. Según un informe de 2023, el 56% de las enfermeras, el 54% del personal clínico, el 47% de los médicos y el 46% del personal no clínico informaron experimentar agotamiento [ 49 ]. Un programa de gestión del estrés bien estructurado puede generar beneficios tangibles, como la reducción del estrés percibido, una mejor salud mental y física, y una mayor satisfacción laboral. Por lo tanto, invertir tiempo en dicha formación merece la pena, sobre todo considerando los costes asociados al síndrome de burnout en el personal sanitario [ 50 ].
Además, el FGI indicó que los cuidadores requieren más capacitación práctica, lo que coincide con otras investigaciones que confirman que «los cuidadores desean instrucción práctica seguida de demostraciones en el campo de la atención»[ 32 ].
Entre las fortalezas de la investigación se encuentra la muestra grande y representativa obtenida a través de la investigación cuantitativa, junto con el uso de un enfoque de método mixto, lo que permite una recopilación de datos multifacéticos y una exploración en profundidad a través de métodos cualitativos. Sin embargo, una de las limitaciones importantes es el sesgo potencial resultante del muestreo de conveniencia, la dependencia de las medidas de autoevaluación (competencias percibidas en lugar de evaluadas objetivamente) y el pequeño tamaño de la muestra en las entrevistas de grupo focal (FGI). Otras limitaciones incluyen el sesgo potencial en la participación voluntaria y la falta de datos longitudinales. El pequeño número de participantes masculinos también puede generar distorsiones en la interpretación de los datos. Sin embargo, también indica las características de la profesión y el predominio numérico de mujeres. Aunque el cuestionario tardó aproximadamente 15 minutos en completarse, debido a la gran cantidad de preguntas, podría producirse fatiga de la encuesta, lo que podría afectar la calidad de los datos recopilados [ 51 ]. Además, la escasez de publicaciones sobre el tema de la educación formal para cuidadores médicos presenta desafíos en la comparación de resultados dentro de este grupo profesional.
Conclusiones
Nuestros resultados identifican explícitamente deficiencias específicas en la formación en lengua de señas, habilidades clínicas prácticas y gestión del estrés, lo que respalda nuestras recomendaciones para mejoras específicas en estas áreas. Se recomienda establecer un mínimo de horas de estudio para temas relacionados con las competencias personales y sociales. Es importante prestar mayor atención a las áreas de formación relacionadas con las habilidades interpersonales y aumentar el número de horas de clases prácticas. El apoyo a estas áreas es vital, ya que impactan significativamente en la práctica profesional de los cuidadores médicos, la calidad de la atención institucional brindada a los pacientes y el bienestar general de los cuidadores. Implementar estas mejoras curriculares requeriría esfuerzos coordinados entre las instituciones educativas y los empleadores del sector salud
Definición de la “corporatización” de la atención sanitaria. N Eng J Med 2025
Resumen del Blog. Carlos Alberto Díaz.
El texto analiza la profunda transformación del sistema de salud en Estados Unidos en las últimas décadas, marcada por la creciente corporatización y consolidación de grandes conglomerados empresariales en todos los niveles de la atención médica. El autor redefine la «corporatización» como la tendencia hacia un control empresarial integrado, enfocado principalmente en la generación de beneficios y la primacía del accionista, relegando el bienestar del paciente y la comunidad a un segundo plano.
Se destacan dos elementos clave: la priorización de las ganancias sobre otros intereses (incluyendo pacientes y personal) y la consolidación horizontal y vertical, que otorga a las empresas un dominio de mercado y las hace prácticamente inmunes a la rendición de cuentas. Incluso las organizaciones sin fines de lucro pueden corporativizarse y perseguir beneficios. Este proceso ha dado lugar a precios elevados, exclusiones de cobertura, acciones de cobro a pacientes y cierre de centros en zonas desfavorecidas.
El texto repasa cómo la comercialización, la financiarización y el dominio de grandes conglomerados han erosionado la autonomía profesional, la confianza y la moral clínica, volviendo el sistema más rentable para inversores pero inaccesible y costoso para la población. Ejemplos recientes, como el colapso de sistemas hospitalarios respaldados por capital privado y la expansión de empresas como UnitedHealth Group, ilustran los riesgos y consecuencias de este modelo.
Las políticas tradicionales no han logrado frenar la corporatización debido a la captura política y la insuficiente aplicación de la ley. Se sugieren reformas estructurales, como la división de conglomerados y nuevas normas de gobernanza, aunque el interés político es escaso y la insatisfacción pública es alta. El autor concluye que la pregunta central es si el sistema de salud debe servir a las corporaciones o a la sociedad.
Erin C. Fuse Brown
¿Qué es la corporatización en la atención médica? La obra fundamental de Paul Starr, The Social Transformation of American Medicine ( 1982) , ofrece una guía conceptual. 1En el Libro Uno, Starr describió cómo una profesión médica soberana adquirió un extraordinario poder social y político para organizar y gobernar el sistema de atención médica durante la primera mitad del siglo XX. En el Libro Dos, observó que la atención médica se encontraba en el umbral de otra gran transformación, encaminándose hacia un futuro en el que las corporaciones consolidarían la propiedad y el control hasta que el sistema se convirtiera en «una industria dominada por enormes conglomerados sanitarios». En resumen, Starr predijo la corporatización de la atención médica.
Starr observó la corporatización de la atención de salud a lo largo de cinco dimensiones: el cambio de organizaciones gubernamentales y sin fines de lucro a empresas con fines de lucro; la consolidación horizontal de entidades controladas localmente a corporaciones controladas a nivel nacional o regional; el cambio de empresas de unidad única y de mercado único a empresas conglomeradas; la consolidación vertical entre los niveles de prestación de atención y los pagadores; y la creciente concentración, tamaño y alcance de las organizaciones.
En las cuatro décadas transcurridas desde la publicación de este trabajo, el sistema de salud estadounidense ha avanzado en cada una de estas dimensiones hacia una mayor corporatización. Según la Asociación Americana de Hospitales, la proporción de hospitales comunitarios con fines de lucro aumentó del 13,1 % en 1983 al 23,7 % en 2023. Mientras tanto, las entidades de atención médica han expandido su tamaño, alcance y concentración de mercado mediante una combinación de consolidación horizontal y vertical. El porcentaje de hospitales propiedad de compañías que controlan tres o más hospitales aumentó del 11,6 % en la década de 1980 al 56,1 % en la actualidad, según el Departamento de Salud y Servicios Humanos, y ahora nueve mega cadenas hospitalarias poseen más de 50 hospitales cada una. A principios de la década de 1980, tres cuartas partes de los médicos estadounidenses eran propietarios de su consultorio, mientras que en 2023 una proporción similar de médicos trabajaba para hospitales o entidades corporativas, incluidos fondos de capital privado.
Los conglomerados aseguradores, como United Healthcare y CVS–Aetna, controlan ahora a médicos, atención domiciliaria, farmacias y gestores de beneficios farmacéuticos (PBM).La consolidación hospitalaria horizontal se ha buscado por la promesa de economías de escala y poder de mercado.Y la consolidación vertical se vio impulsada por el auge de la atención médica administrada y su descendiente, basada en el valor, en particular a medida que las aseguradoras privadas han asumido un papel cada vez mayor en los programas de salud financiados con fondos públicos. A medida que la atención médica administrada trasladó el riesgo financiero a los médicos y otros proveedores de atención, las cargas financieras y tecnológicas los impulsaron a consolidarse en conglomerados más grandes.
Basándome en la concepción icónica de Starr, ofrezco una definición actualizada de corporatización que refleja las tendencias de los últimos 40 años. El término «corporatización» se refiere ahora a la tendencia general en el sector sanitario hacia mayores niveles de control integrado por parte de empresas consolidadas con ánimo de lucro.
Cabe destacar dos elementos clave de esta definición. En primer lugar, la elevación de la generación de beneficios como objetivo principal de la empresa sanitaria. El término «corporatización» incorpora el concepto de primacía del accionista, propuesto por los economistas neoliberales, según el cual el deber principal de la corporación es maximizar las ganancias de los accionistas. Esta primacía subordina los intereses de otras partes interesadas, como los pacientes, el personal sanitario o la comunidad. La conversión de la propiedad sin ánimo de lucro en propiedad con ánimo de lucro en los hospitales proporciona un mecanismo directo para que la primacía del accionista desplace el beneficio comunitario como la principal responsabilidad del hospital. Sin embargo, incluso los hospitales sin ánimo de lucro pueden corporativizarse a medida que crecen en tamaño y escala organizativa. La mayoría de las áreas geográficas están dominadas por grandes sistemas de salud que comprenden múltiples hospitales, médicos y clínicas ambulatorias, divisiones de seguros, filiales centradas en la gestión del ciclo de ingresos (seguimiento y gestión de los ingresos procedentes de la atención al paciente, desde la programación, la codificación y la facturación hasta el cobro de pagos) y fondos de inversión con ánimo de lucro. A pesar de su estatus sin fines de lucro, una vez que poseen poder de mercado, estas entidades pueden obtener ganancias sustanciales, lo que puede convertirse en una recompensa que se perpetúa. Por lo tanto, los poderosos sistemas de salud sin fines de lucro pueden llegar a priorizar los ingresos sobre el bienestar del paciente y la comunidad, como lo demuestran los precios inflados, las exclusiones de la red de seguros, las acciones de cobro de deudas médicas contra los pacientes, el cierre de centros en zonas de bajos ingresos y los recortes de personal y salarios.
El segundo elemento clave de la corporatización es la consolidación. El sistema de salud estadounidense ha experimentado una vasta consolidación horizontal y vertical de la propiedad y el control, desde empresas individuales en mercados únicos hasta conglomerados empresariales que abarcan múltiples mercados. La consolidación aumenta el tamaño de la empresa y reubica el poder de decisión de los productores locales de bienes y servicios a los directivos e inversores de la empresa matriz. El dominio del mercado de los conglomerados, la diversificación entre plataformas y el cambio en el locus de control los aíslan de la disciplina reputacional o de mercado. El gran tamaño de las entidades de salud conglomeradas las convierte en sistémicamente críticas y «demasiado grandes para quebrar», lo que significa que los políticos y los gobiernos intervendrán en lugar de permitir que el sistema se tambalee.
En 1980, Arnold Relman, entonces editor en jefe del Journal , advirtió que el “complejo médico-industrial” —la red de corporaciones en el negocio de proveer servicios de atención médica con fines de lucro— podría influir indebidamente en la política sanitaria y subvertir el interés público. 2Desde entonces, otros comentaristas han denunciado una “comercialización” de la profesión médica en la que los motivos de lucro corporativo han erosionado la relación médico-paciente. 3 Recientemente, el término “financiarización”se ha utilizado para describir la creciente participación de instituciones financieras, como firmas de capital privado, que utilizan tácticas financieras para extraer riqueza de las compañías de atención médica para los inversores. 4 Estos fenómenos se alinean con la concepción de Starr de la corporativización. Enfatizan varios aspectos y consecuencias de la práctica, pero todos presentan preocupaciones de política pública similares.
El sistema de salud actual ha experimentado el cambio trascendental que Starr predijo hace más de cuatro décadas. Si bien el afán de lucro siempre ha existido en la medicina, el control que ejercen los grandes conglomerados con ánimo de lucro sobre las personas y entidades que prestan servicios de salud se ha intensificado y extendido a todos los ámbitos del sistema. La corporativización ha dado lugar a un sistema increíblemente rentable para los inversores, pero cada vez más inasequible, inaccesible e indiferente para el resto; en otras palabras, ha creado una Edad Dorada de la medicina.<sup> 5</sup> Las grandes empresas que priorizan las ganancias sobre los pacientes han llegado a dominar el sistema de salud, a la vez que acumulan poder político y eluden la rendición de cuentas. La centralización de la gobernanza de la atención médica, alejándola de las autoridades locales, reduce el compromiso de los hospitales con sus comunidades, en particular con los pacientes y trabajadores de bajos ingresos, lo que permite el cierre de instalaciones o servicios menos rentables en zonas pobres o rurales. El control corporativo sobre las prácticas médicas y el afán de lucro han socavado el profesionalismo, la autonomía, la confianza y la moral de muchos profesionales clínicos.
La corporatización del sector salud ha alcanzado su punto álgido. El colapso financiero de sistemas hospitalarios respaldados por capital privado, como Steward Health Care, ha provocado perjuicios para los pacientes, cierres de hospitales y duras audiencias e informes en el Congreso. UnitedHealth Group se ha convertido en un conglomerado en expansión y verticalmente consolidado, que domina los mercados de seguros, médicos, atención médica a domicilio, gestión de beneficios farmacéuticos y procesamiento de datos. El ascenso de UnitedHealth ha provocado investigaciones gubernamentales, acciones antimonopolio, ataques de ciberseguridad, protestas públicas y violencia letal contra su director ejecutivo. Estas tensiones son un microcosmos de los efectos de la corporatización en todo el sector salud.
Las intervenciones tradicionales en las políticas sanitarias, como la aplicación de las leyes antimonopolio, los subsidios y exenciones fiscales, la prohibición del ejercicio corporativo de la medicina y las reformas en los sistemas de pago, no han frenado el auge de las corporaciones en la atención médica, debido a la aplicación laxa de las leyes, la captura política y las sofisticadas soluciones regulatorias. Mientras tanto, la adopción de la atención médica administrada por parte de las políticas sanitarias, en particular en los programas financiados con fondos públicos, ha fomentado la consolidación corporativa en nombre de la integración.
Enfrentar la corporatización puede requerir una reorientación fundamental de la organización industrial del sistema de salud. Reformas adicionales podrían implicar la separación estructural («desmembramiento») de los conglomerados que se encuentran a ambos lados de la negociación entre pagador y proveedor, prohibiendo a las aseguradoras poseer consultorios médicos o a los PBM poseer farmacias, estandarizando los precios para limitar el poder monopolístico y la preferencia financiera de las entidades relacionadas con una organización sobre la competencia, ampliando las fuentes alternativas de capital y modernizando las leyes que regulan el ejercicio corporativo de la medicina. Además, las normas de gobernanza y propiedad de las entidades de atención médica podrían revisarse para exigir, por ejemplo, estándares más estrictos para la exención de impuestos de las organizaciones sin fines de lucro, la representación clínica y comunitaria en las juntas directivas, deberes fiduciarios más allá de la primacía del accionista, o una mayor responsabilidad de la empresa matriz o del inversor por decisiones operativas que perjudiquen el acceso de los pacientes o de la comunidad a la atención médica.
El interés político por tales reformas puede estar actualmente en su punto más bajo, pero la satisfacción pública con el sistema de salud es igualmente baja. Las futuras políticas sanitarias deben abordar la cuestión fundamental de a quién debe servir nuestro sistema de salud: a las grandes corporaciones o a la sociedad en su conjunto
Se reclutaron 1532 pacientes hospitalizados, de los cuales 1469 fueron incluidos. Los criterios de inclusión fueron: (1) haber recibido atención hospitalaria durante al menos dos días; (2) comprender las preguntas de los cuestionarios; y (3) ser mayor de 18 años. Se excluyó a los pacientes con deterioro cognitivo que completaron los cuestionarios con información faltante.
Los resultados de la regresión LASSO (operador de selección y contracción mínima absoluta) mostraron que, como el factor de penalización (λ) = 0,0162, la edad, el estado civil, la situación financiera, la duración de la estancia hospitalaria y el número de hospitalizaciones previas, así como seis dimensiones de la atención de enfermería, permanecieron en el modelo. A medida que λ aumenta a 0,1862, solo cuatro variables de experiencia del paciente, potencialmente las más influyentes en la satisfacción del paciente, permanecieron en el modelo.
La experiencia del paciente con el apoyo emocional fue la dimensión más significativa para explicar la satisfacción del paciente (β = 0,1564), la segunda dimensión más significativa fue la gestión de la admisión y el alta (β = 0,1562) y la tercera fue el seguimiento y el afrontamiento del progreso de las enfermedades (β = 0,0613).
Conclusión
La experiencia del paciente con el apoyo emocional, la gestión del ingreso y del alta, el seguimiento y afrontamiento de la evolución de las enfermedades y la información y educación son las dimensiones más significativas que explican la satisfacción del paciente.
Fortalezas y limitaciones de este estudio.
Este estudio utilizó una escala de experiencia del paciente válida y específica, desarrollada específicamente para evaluar la atención de enfermería y ampliamente reconocida en el sistema de salud chino.
La literatura tiende a considerar la experiencia del paciente en su conjunto y a examinar su impacto global en la satisfacción. Este estudio intentó responder a la pregunta de qué aspectos de la experiencia del paciente impactan más significativamente en su satisfacción; este hallazgo contribuiría a una mejor comprensión de la prioridad que los pacientes dan a la atención de enfermería.
Este fue el primer estudio en aplicar técnicas de regresión LASSO para analizar la satisfacción y la experiencia del paciente.
Este estudio fue transversal. Dado que la experiencia del paciente con diferentes aspectos de la atención de enfermería ocurre en distintos momentos de su estancia hospitalaria, la recopilación de todos los datos informados por el paciente después del alta podría generar un sesgo de recuerdo.
Introducción
En la era de la atención basada en el valor, la satisfacción del paciente se utiliza habitualmente para medir la calidad de la atención y se utiliza cada vez más en la evaluación del desempeño de los centros de salud. 1 2 Los programas nacionales de mejora de la calidad de la atención médica, cuyo objetivo es mejorar la satisfacción del paciente, han proliferado en muchos países, como el Reino Unido, Australia, Francia, Alemania y China. 3 Como la profesión sanitaria más importante, 4 las enfermeras son componentes esenciales del sistema de salud; las enfermeras y la atención de enfermería tuvieron el mayor impacto en la satisfacción general del paciente. 5 6 Hoy en día, la atención médica presta gran atención a la satisfacción del paciente con la atención de enfermería, 7 particularmente en los servicios de salud públicos en China. 8
Reconocer los factores que influyen en la satisfacción del paciente es fundamental para mejorar la calidad de la atención. La creciente importancia de la experiencia del paciente sugiere la necesidad de caracterizar la relación entre ambos. 9 Aunque la experiencia del paciente y la satisfacción del paciente suelen usarse indistintamente, los conceptos son distintos. La experiencia del paciente es un indicador de proceso y refleja lo que realmente sucede durante el proceso de recibir tratamiento, mientras que la satisfacción del paciente es una medida de resultado de la atención médica y refleja principalmente las expectativas subjetivas de los pacientes. 10 Dada la relación causal entre proceso y resultado, el impacto de la experiencia del paciente en su satisfacción se ha examinado cuidadosamente en una amplia gama de estudios. 11 12
Además, se ha propuesto que la satisfacción general se vio más afectada por la experiencia del paciente con sus aspectos prioritarios; la experiencia del paciente con respecto a los elementos de alta prioridad tendría un mayor impacto en su calificación de satisfacción global en comparación con la experiencia del paciente con elementos de menor prioridad. 13 14 Sin embargo, con respecto a la atención de enfermería, existe una falta de investigación empírica que informe sobre este tema, la forma en que la experiencia del paciente impacta su satisfacción sigue siendo poco clara. La literatura tiende a ver la experiencia del paciente como un todo y examina su impacto general en la satisfacción. 5 12 Considerando la complejidad y la naturaleza multifacética de la atención de enfermería, pasar por alto qué aspectos de la experiencia del paciente impactan más significativamente su satisfacción podría oscurecer el panorama general. Además, dado que los proveedores y los receptores de atención médica a menudo tienen opiniones incongruentes sobre las prioridades en la atención, 15 16 comprender las prioridades de los pacientes para la atención de enfermería permitirá a las enfermeras utilizar las preferencias de los pacientes para diseñar y brindar atención de enfermería de manera efectiva. 17
En este estudio, planteamos la hipótesis de que hay algunos componentes de los servicios de enfermería que afectan la satisfacción del paciente de manera más significativa que otros componentes; descubrir cómo se comporta un atributo determinado en términos de satisfacción del paciente contribuirá a un conocimiento más profundo de las expectativas del paciente y puede conducir a ampliar aquellas características asociadas con una mayor satisfacción, proporcionando una atención verdaderamente centrada en el paciente.
Características del paciente
Se evaluaron varias características de los pacientes, entre ellas la edad, el sexo, la raza, la religión, el nivel de alfabetización, el ingreso mensual, el seguro de salud y varias características relacionadas con la enfermedad, como el diagnóstico de la enfermedad, el número de hospitalizaciones y la duración de la estadía en el hospital.
Experiencia del paciente con la atención de enfermería
La experiencia del paciente con la atención de enfermería se midió mediante la Escala de Experiencia en Hospitalización con Atención de Enfermería, 19 que se desarrolló específicamente para evaluar la atención de enfermería y se utiliza ampliamente en el sistema de salud chino. La escala validada de 30 ítems evaluó 7 dimensiones de la atención de enfermería desde la perspectiva de los pacientes: proceso de admisión y alta, información y educación, apoyo emocional, comunicación y coordinación, monitoreo y afrontamiento del progreso de las enfermedades, respuesta a solicitudes, seguridad del paciente y protección de la privacidad. La mayoría de los ítems se informaron mediante opciones de Likert de 5 puntos (nunca/ocasionalmente/a veces/usualmente/siempre), y las opciones de respuesta para el proceso de admisión y alta variaron de totalmente en desacuerdo a totalmente de acuerdo. La validez de contenido media de la escala fue de 0,96 y la confiabilidad de consistencia interna fue aceptable con un alfa de Cronbach de 0,95 y una confiabilidad de mitad dividida de 0,88. La puntuación general de la experiencia del paciente fue la puntuación promedio de 30 ítems.
Satisfacción del paciente
Se solicitó a los encuestados que proporcionaran una calificación global de la atención de enfermería recibida mediante una pregunta con una opción de respuesta de 10 puntos, donde 1 representa «nada satisfecho» y 10 representa «muy satisfecho».
Recopilación de datos
Se invitó a los pacientes hospitalizados a participar voluntariamente en esta investigación el día del alta. Existen dos razones principales para realizar la encuesta el mismo día. En primer lugar, los participantes experimentarían todo el proceso de atención de enfermería, de modo que pudieran responder a cada pregunta de los cuestionarios. En segundo lugar, el momento de la recopilación de la opinión de los pacientes podría afectar su respuesta a los cuestionarios, ya que algunos podrían preocuparse de que las evaluaciones negativas afecten su tratamiento y atención durante la hospitalización. Además, el personal de enfermería no participó en la encuesta para que los pacientes pudieran proporcionar su opinión libremente. Todos los datos se recopilaron mediante entrevistas presenciales realizadas por investigadores capacitados.
Análisis de datos
Se utilizó el software IBM-SPSS V.25 (IBM Corp) para realizar la descripción estadística y el análisis de correlación. Todas las pruebas estadísticas fueron bilaterales con niveles de significancia de 0,05. Luego, se utilizó el paquete glmnet en R para realizar la regresión LASSO (menor contracción absoluta y operador de selección). En este estudio, muchos factores tenían niveles múltiples y se expresaron utilizando variables ficticias. Por lo tanto, utilizamos LASSO de grupo para seleccionar variables agrupadas para una predicción precisa. Para la regresión LASSO de grupo, la satisfacción del paciente fue la variable dependiente y todas las variables de experiencia del paciente se incluyeron como variables continuas en el modelo. 20 El parámetro λ controla la cantidad de regularización, donde valores mayores implican más regularización y menos variables. Por lo tanto, determinar el parámetro λ es un tema importante. La validación cruzada es una estrategia práctica y útil para manejar este tema; su concepto básico es evaluar el error de predicción examinando los datos bajo control. 21 Se utilizó la validación cruzada quíntuple para seleccionar el término de penalización, λ. La desviación binomial se calculó para los datos de prueba como medida del rendimiento predictivo de los modelos ajustados. La función integrada en R produce dos λ automáticos: uno que minimiza la desviación binomial y otro que representa el λ más grande que aún está dentro de 1 EE de la desviación binomial mínima. Se eligió este último λ porque resultó en una penalización más estricta que nos permitió disminuir el número de covariables. 22 Las variables se estandarizaron para que pudiéramos comparar la magnitud diferencial de las asociaciones entre la experiencia específica del paciente y la satisfacción del paciente, y posteriormente identificar las variables más relevantes asociadas con la satisfacción del paciente. Previo al análisis de regresión, probamos la normalidad de los residuos utilizando histogramas, gráficos de probabilidad normal y gráficos de dispersión, y los resultados mostraron que los residuos se distribuyeron normalmente y cumplieron con el supuesto del análisis.
Resultados
Características de la población de estudio
Durante el período de investigación, reclutamos a 1532 pacientes, de los cuales 63 no respondieron, y los 1469 restantes sí fueron incluidos. La edad media fue de 56,1 años y 833 (56,7%) eran hombres. Casi la mitad de los participantes (715 pacientes, 48,7%) tenían diagnóstico de cáncer. Las características detalladas de los pacientes se presentan en la tabla 1 .
Tabla 1.
Características sociodemográficas y clínicas de los participantes del estudio
Características
Valor
Sexo, n (%)
Masculino
833, 56,7%
Femenino
636, 43,3%
Edad, media ± DE
56,1 ± 13,2
Estado civil, n(%)
Soltero
62, 4,2%
Alguna vez casado
1407, 95,8%
Nivel de alfabetización, n(%)
Educación primaria o inferior
297, 20,2%
Educación secundaria
810, 55,1%
Educación universitaria o superior
362, 24,7%
Ingresos mensuales per cápita del hogar, n(%)
<5000 yuanes
581, 39,6%
5000–9999 yuanes
474, 32,3%
>10 000 yuanes
414, 28,1%
Principal fuente de gastos médicos, n (%)
Seguro médico urbano
899, 61,2%
Seguro médico rural
376, 25,6%
Seguro médico comercial
22, 1,5%
Fondos personales
172, 11,7%
Residencia, n (%)
Zonas rurales
474, 32,3%
Áreas urbanas
778, 52,9%
Zonas periféricas rurales-urbanas
217, 14,8%
Diagnosticados con cáncer, n(%)
Sí
715, 48,7%
No
754, 51,3%
La duración de la estancia hospitalaria
7,1 ± 4,9
Número de ingresos hospitalarios en el plazo de 1 año, n(%)
Las características de la experiencia y satisfacción del paciente
La puntuación general de la experiencia del paciente fue de 4,61 (0,38). Como se muestra en la tabla 2 , en las dimensiones de «seguridad del paciente y protección de la privacidad», «seguimiento y afrontamiento de la evolución de las enfermedades» y «comunicación y coordinación», los pacientes hospitalizados tuvieron mejores experiencias, mientras que en las dimensiones de «información y educación», «proceso de ingreso y alta» y «apoyo emocional», las experiencias fueron peores.
Tabla 2.
Descripciones de la experiencia del paciente con las variables de atención de enfermería
Variables de la experiencia del paciente con la atención de enfermería
Media ± DE
Rango
Rango
Seguridad del paciente y protección de la privacidad
4,89 ± 0,29
1–5
1
Seguimiento del progreso de las enfermedades
4,69 ± 0,42
1–5
2
Comunicación y coordinación
4,67 ± 0,48
1–5
3
Respondiendo solicitudes
4,62 ± 0,44
1–5
4
Apoyo emocional
4,53 ± 0,52
1–5
5
Gestión de admisiones y egresos
4,51 ± 0,56
1–5
6
Información y educación
4,38 ± 0,68
1–5
7
La puntuación de satisfacción de los pacientes fue de 9,37 (1,12), y más de la mitad de los participantes (940, 63,99%) estaban muy satisfechos con el servicio de enfermería.
Factores que influyen en la satisfacción del paciente según la regresión LASSO
Para los análisis actuales, los valores λ variaron de 0,0012 a 0,5562 con una desviación mínima alcanzada en 0,0162 y la λ más grande que todavía está dentro de 1 SE de la desviación binomial mínima alcanzada en 0,1862 ( figura 1 ). Los resultados de la regresión LASSO mostraron que en λ = 0,0162, seis dimensiones de la atención de enfermería, incluyendo la gestión de admisión y alta (β = 0,2342), información y educación (β = 0,0957), apoyo emocional (β = 2285), monitoreo del progreso de enfermedades (β = 0,1253), responder solicitudes (β = 0,0408) y seguridad del paciente y protección de la privacidad (β = −0,0552), permanecen en el modelo. Con respecto a las variables de control, la edad, el estado civil, la situación financiera, la duración de la estancia hospitalaria y el número de hospitalizaciones previas se mantuvieron en el modelo.
Gráfico de validación cruzada para el término de penalización.
Como se observa en la figura 2 , cuando λ aumentó a 0,1862, solo cuatro variables de experiencia del paciente se mantuvieron en el modelo durante más tiempo a medida que aumentaba el período de penalización, mientras que las demás variables se acercaron gradualmente a cero. Como se muestra en la tabla 3 , la experiencia del paciente con el apoyo emocional es la dimensión más significativa para explicar la satisfacción del paciente (β = 0,1564), la segunda dimensión significativa es la gestión del ingreso y el alta (β = 0,1562) y la tercera es el seguimiento y afrontamiento de la evolución de las enfermedades (β = 0,0613).
Gráficos de coeficientes de regresión LASSO sobre diferentes valores del parámetro de penalización.
Tabla 3.
Los coeficientes estimados para la regresión LASSO entre los datos de la experiencia del paciente y la satisfacción autoinformada del paciente
Variables
Coeficientes
Lambda (log)=Lambda.min: 0.0162
Lambda (logaritmo) = Lambda 0,1 s: 0,1862
Sexo
Masculino
0
0
Femenino
0
0
Edad
0.0083
0
Nivel de alfabetización
Educación primaria o inferior
0
0
Educación secundaria
0
0
Educación universitaria o superior
0
0
Ingresos mensuales per cápita del hogar
<5000 yuanes
0.1331
0
5000–9999 yuanes
0.0080
0
>10 000 yuanes
0.0062
0
Residencia
Zonas rurales
0
0
Zonas periféricas rurales-urbanas
0
0
Áreas urbanas
0
0
Seguro
Seguro médico urbano
0.0037
0
Seguro médico rural
0.0048
0
Seguro médico comercial
0.0015
0
Fondos personales
0.0015
0
Diagnosticado con cáncer
0
0
Número de ingresos hospitalarios en un año
0.0171
0
Duración de la estancia hospitalaria
0.0220
0
Experiencia del paciente con la atención de enfermería
Gestión de admisiones y egresos
0.2342
0.1562
Información y educación
0.0957
0.0613
Apoyo emocional
0,2285
0.1564
Comunicación y coordinación
0
0
Seguimiento del progreso de las enfermedades
0.1253
0.0613
Respondiendo solicitudes
0.0408
0
Seguridad del paciente y protección de la privacidad
–0.0552
0
Lambda.min: valor de lambda que proporciona el error medio mínimo validado de forma cruzada.
Lambda.1 s: valor más grande de lambda tal que el error está dentro de 1 SE del mínimo.
Discusión
Hasta donde sabemos, este es el primer estudio que aplica la regresión LASSO (operador de selección y contracción absoluta de grupo) para explorar la interrelación entre la experiencia y la satisfacción del paciente, y para comparar la importancia de los diferentes componentes de la experiencia del paciente en su satisfacción. Diferentes dimensiones de los servicios de enfermería presentan multicolinealidad,<sup> 23</sup> y las técnicas de regresión tradicionales no son adecuadas para determinar las dimensiones clave asociadas con una mayor satisfacción debido a sus limitaciones para analizar grandes cantidades de variables multicolineales, mientras que el método de regresión LASSO es adecuado para variables con alta multicolinealidad. <sup>20 </sup> La regresión LASSO aplica una penalización a las variables, seleccionando finalmente solo aquellas que contribuyen al resultado mediante validación cruzada. Por lo tanto, otra propiedad interesante de LASSO es que puede ayudar a los investigadores interesados en predecir un resultado al minimizar el error de predicción y determinar las variables más predictivas. <sup>21</sup>
Nuestros análisis de regresión LASSO mostraron que la experiencia del paciente con el apoyo emocional, la gestión del ingreso y el alta, el monitoreo y afrontamiento del progreso de las enfermedades, y la información y educación son las dimensiones más significativas que explican la satisfacción del paciente con la atención de enfermería. Mientras que Zeh et al 24 encontraron que la «seguridad del paciente», el «acceso a la atención» y la «información del paciente» eran las más importantes para los pacientes en Alemania, y en el estudio de Zill et al , 25 las cinco dimensiones del servicio médico calificadas como las más importantes fueron «paciente como persona única», «participación del paciente», «información», «comunicación» y «empoderamiento del paciente». Estas diferencias podrían explicarse en parte por el hecho de que nuestro estudio se centró en la atención de enfermería, y Zeh et al 24 y Zill et al 25 se centraron en los servicios de salud en su totalidad. La enfermería y la atención médica tienen una relación compleja; aunque el servicio de enfermería se considera inseparable del servicio médico, tiene sus propias características particulares, que impactan las percepciones de los pacientes. Además, la diferencia puede estar relacionada con los métodos de análisis utilizados en estos estudios. Este estudio utilizó la regresión LASSO para evaluar la relación interna entre la experiencia del paciente y la satisfacción, mientras que Orindi et al 14 utilizaron el modelo de probabilidades proporcionales de efectos aleatorios y Zeh et al 24 utilizaron un estudio Delphi.
Este estudio demostró que la percepción del apoyo emocional por parte de los pacientes es la dimensión más significativa que explica su satisfacción. Las primeras enfermeras han evolucionado a partir de la figura materna tradicional, y es quizás este origen el que explica que el apoyo emocional sea la dimensión más significativa que contribuye a la satisfacción del paciente con la atención de enfermería. Los profesionales sanitarios empáticos logran una comunicación eficaz con los pacientes y desarrollan mejores relaciones interpersonales en las que los pacientes se sienten valorados. Además, se ha demostrado sistemáticamente que el apoyo emocional proporcionado por el personal hospitalario aumenta la satisfacción del paciente y se considera un requisito esencial para la atención integral. 26 27 Un estudio cualitativo concluyó que la humanidad de la atención no solo afecta directamente la satisfacción del paciente, sino también indirectamente al influir en el efecto que otros aspectos de la experiencia del paciente. 28 Viotti et al. 29 también descubrieron que la humanidad de la atención moderaba la relación entre el tiempo de espera y la satisfacción del paciente. Por lo tanto, brindar suficiente apoyo emocional es fundamental para mejorar la satisfacción del paciente. 30
La experiencia del paciente con los procedimientos relacionados con el ingreso y el alta de la unidad de cuidados también se asocia con su satisfacción. Está bien establecido que los tiempos de espera más largos se asocian negativamente con las puntuaciones de satisfacción del paciente.<sup> 31 </sup> Además, existe evidencia de que la planificación del alta aumenta la satisfacción del paciente y reduce los costos del servicio de salud. <sup>32 </sup> Por lo tanto, además de coordinar activamente el proceso de alta y ayudar a los pacientes a que lo hagan de forma cómoda, se espera que el personal de enfermería proporcione a los pacientes información sistemática sobre autocuidado y planes de seguimiento, garantizando que puedan cuidar de sí mismos en casa. <sup>33</sup>
La dimensión de monitorear y afrontar el progreso de las enfermedades demuestra el grado en que las enfermeras brindan cuidados de enfermería bien informados y hábiles, y es ampliamente reconocida como uno de los atributos importantes de la atención de enfermería de alta calidad. 34 Los pacientes esperan que las enfermeras utilicen el conocimiento adquirido de pacientes similares y que sean técnicamente competentes. Estudios previos demostraron que los pacientes reportaron sentirse seguros cuando las enfermeras monitoreaban de cerca y cuidadosamente su estado de salud para asegurarse de que no hubiera ningún problema. 6 35 Por lo tanto, la percepción de los pacientes sobre el rol de las enfermeras en el monitoreo y el afrontamiento del progreso de las enfermedades influye significativamente en su satisfacción.
Además, aunque se ha demostrado que la satisfacción del paciente afecta la retención de pacientes y las relaciones médico-paciente, algunos estudios han demostrado que una alta satisfacción del paciente puede estar asociada con mayores costos y mayor morbilidad, y un énfasis excesivo en la satisfacción del paciente podría tener efectos adversos no deseados en el resultado del paciente. 36 37 Esto puede deberse al hecho de que la satisfacción del paciente es más subjetiva y refleja la expectativa del paciente en lugar de la calidad de la atención. En cambio, la experiencia del paciente se centra en «lo que realmente les sucede a los pacientes», y este hecho objetivo la hace más confiable y apropiada como indicador de la calidad de la atención médica. Dado que la experiencia del paciente con el apoyo emocional, la gestión del ingreso y el alta, el monitoreo y el afrontamiento del progreso de las enfermedades, y la información y la educación son las dimensiones más significativas que explican la satisfacción del paciente, cuando los gerentes y proveedores de atención médica intentan equilibrar la expectativa del paciente y la calidad, estos cuatro aspectos de la atención médica deben recibir más atención.
Conclusión
La experiencia del paciente con respecto a elementos de alta prioridad tendría un mayor impacto en su satisfacción que con elementos de menor prioridad. Este estudio demostró que la experiencia del paciente con el apoyo emocional, la gestión del ingreso y el alta, el seguimiento y la adaptación a la evolución de las enfermedades, y la información y la educación son las dimensiones más significativas que explican la satisfacción del paciente. Los gerentes y profesionales de enfermería deberían ampliar estas características en la prestación de servicios de salud y brindar una atención verdaderamente centrada en el paciente.
Dr. Carlos Alberto Díaz. Profesor titular Universidad ISALUD.
Visión integral, componentes clave y proyección a futuro de los viajes del paciente.
El trabajo expone la relevancia de mapear el trayecto que las personas transitan a lo largo del sistema de salud, subrayando que esta acción es esencial para analizar, comprender y transformar la experiencia de atención. Se reconoce que el paso por el sistema sanitario está marcado por una complejidad considerable—producto de factores organizacionales, humanos, económicos y estructurales—que afectan directamente la calidad de vida y los resultados de las personas que requieren atención médica.
Comprensión profunda del recorrido
El análisis comienza recalcando la necesidad de obtener una visión detallada de cada etapa del recorrido. No se trata solo de identificar los flujos administrativos o médicos, sino de interiorizar los desafíos, sacrificios personales, tiempos de espera, barreras económicas y dificultades en el acceso que enfrentan las personas. Este enfoque permite detectar retrasos en los diagnósticos y tratamientos, así como posibles fracturas en la continuidad y la integralidad de la atención brindada.
Experiencia y percepciones: bases teóricas
El trabajo se apoya en definiciones claves, como la del Instituto Beryl, que concibe la experiencia del paciente como la suma de todas las interacciones entre personas y el sistema, modeladas por la cultura organizacional y que inciden en las percepciones a lo largo de la atención. A esto se suma el aporte de Wolf et al., quienes puntualizan que las interacciones se construyen en los distintos puntos de contacto y están determinadas por personas, procesos, políticas, comunicación, acciones y ambiente. Las percepciones, en este sentido, son el conjunto de lo que las personas y el personal reconocen, entienden y recuerdan.
Barreras, facilitadores y metodología de análisis
El propósito de este mapeo es identificar obstáculos que dificultan el acceso y la continuidad de la atención, así como reconocer los factores que facilitan el tránsito de las personas por el sistema, incluyendo la composición de la oferta de servicios, las interacciones con otras áreas y la atención sociosanitaria. Se abordan cuestiones como el acceso, los resultados médicos y las experiencias acumuladas en cada punto de contacto, desde la programación de turnos y la espera en emergencias, hasta la comprensión de indicaciones y el seguimiento posterior.
La metodología propuesta es reflexiva y sistemática. Incluye la aplicación de entrevistas en profundidad, dinámicas de grupos focales y análisis cualitativo de testimonios, junto con la elaboración de informes para fundamentar acciones concretas de mejora. Se destaca la importancia de informar los hallazgos y, sobre todo, de traducirlos en medidas prácticas orientadas a perfeccionar la experiencia de atención.
Mejora continua: el concepto Kaizen
El trabajo resalta que todo proceso de mejora debe ser continuo, apoyándose en el principio de Kaizen, palabra japonesa que significa “cambio para bien” o “mejora constante”. Kaizen implica la idea de perfeccionar día a día, involucrando a todas las personas y en cada nivel de la organización sanitaria. Adoptar esta filosofía permite responder de manera dinámica a las necesidades cambiantes y a los desafíos emergentes en la atención.
Aportes y potencial transformador del mapeo
Se concluye que la utilización del mapeo del recorrido del paciente constituye una herramienta poderosa para reconfigurar la atención en salud. Su enfoque integral y centrado en las personas posibilita la identificación de oportunidades de innovación y rediseño de procesos, impactando positivamente en la calidad y la seguridad de la atención. El análisis sugiere que el impacto de esta metodología será especialmente profundo en:
Atención personalizada y centrada en la persona: Permite adaptar los servicios a las particularidades y necesidades de cada paciente.
Mejora de la comunicación y el codiseño de sistemas: Facilita la colaboración entre profesionales y usuarios, promoviendo un diálogo abierto y constructivo.
Participación activa y empoderamiento: Incentiva el involucramiento de quienes utilizan los servicios y de los propios equipos de salud en el diseño y mejora de la atención.
Empoderamiento de profesionales: Fomenta la capacitación continua y el sentido de pertenencia de quienes trabajan en el sistema sanitario.
En síntesis, el documento argumenta que mapear el viaje de quienes atraviesan el sistema de salud no solo contribuye a mejorar resultados clínicos, sino también a generar sistemas más humanos, participativos y adaptados a las necesidades reales de la población.
Conclusiones:
En cada etapa, el camino de quienes atraviesan el sistema de salud debe estar guiado por información clara y acompañamiento, tanto humano como tecnológico. La participación, el acceso a recursos confiables y la educación permiten a cada persona tomar el control de su salud.
Sin importar la condición o el contexto social, el desafío está en ofrecer un acceso equitativo y seguro, donde la empatía y la eficacia sean tan importantes como la medicina. La experiencia no termina en el hospital: la transición al hogar y la continuidad del cuidado son tan críticas como el primer ingreso.
Por eso, fortalecer los equipos de salud, fomentar el trabajo conjunto y evitar que los intereses individuales afecten el bienestar común, son pasos esenciales para que toda persona recorra este viaje con confianza y dignidad.
Análisis de los aspectos más interesantes de la integración metodológica para la mejora operativa y la reducción de costos
Introducción
La crisis de costos crecientes en el sector de la salud en Estados Unidos se ha vuelto un tema de preocupación tanto para los hospitales como para pacientes y proveedores. La presión financiera sobre las instituciones hospitalarias ha incentivado la búsqueda de metodologías innovadoras que permitan optimizar las operaciones sin sacrificar la calidad del cuidado al paciente. En este contexto, el enfoque Lean Healthcare, derivado del ámbito manufacturero, y la optimización basada en simulaciones han emergido como herramientas clave para transformar la gestión hospitalaria en el siglo XXI.
Lean Healthcare: Fundamentos y Aplicaciones
La metodología Lean, originada en el Sistema de Producción Toyota durante mediados del siglo XX, se centra en maximizar la eficiencia a través de la eliminación de desperdicios y la creación de valor para el cliente—en este caso, el paciente. La adaptación de estos principios al sector salud ha permitido enfrentar los desafíos asociados a los flujos de trabajo redundantes, la mala asignación de recursos y los tiempos de espera excesivos, factores todos que contribuyen al aumento de los costos operativos.
Lean Healthcare persigue eliminar actividades que no agregan valor, racionalizando procesos y promoviendo una cultura de mejora continua dentro de las organizaciones sanitarias. Este enfoque ha demostrado resultados sobresalientes en la reducción de los costos hospitalarios mediante la optimización de flujos de trabajo, reducción de tiempos de procesamiento y minimización de inventarios. Un ejemplo notable citado en la literatura es la reducción del 30% en los costos operativos lograda por un hospital de tamaño medio tras implementar prácticas Lean en su departamento de emergencias.
Además del impacto a nivel de procesos, Lean Healthcare fomenta la participación activa del personal en la identificación y resolución de ineficiencias en tiempo real, instaurando así una cultura organizacional orientada hacia la excelencia y la adaptación constante.
Creación de Valor y Cultura Organizacional
Uno de los aportes más interesantes de Lean Healthcare reside en su énfasis en la creación de valor desde la perspectiva del paciente. Esto implica que todas las actividades y procesos deben evaluarse en función de cuánto contribuyen a mejorar los resultados de salud, lo cual redefine los objetivos operativos tradicionales y coloca a la persona en el centro de la gestión hospitalaria. La instauración de una cultura de mejora continua se percibe no solo como un medio para lograr eficiencia, sino como un fin estratégico para la supervivencia y la competitividad del hospital.
Optimización Basada en Simulación: Complemento Estratégico
A pesar de los logros alcanzados por Lean Healthcare, la complejidad inherente a los sistemas hospitalarios exige herramientas adicionales para modelar y explorar alternativas operativas antes de su implementación real. Aquí es donde la optimización basada en simulación adquiere protagonismo. Esta técnica permite a los administradores modelar virtualmente los procesos hospitalarios y experimentar con distintas estrategias sin interrumpir el funcionamiento cotidiano, mitigando así los riesgos asociados a cambios drásticos o no probados.
La integración de la simulación con los principios Lean ha resultado en una mejora sustancial de la toma de decisiones en áreas como la asignación de recursos, la gestión de flujos de pacientes y la programación de cirugías. Por ejemplo, la aplicación de simulaciones permitió rediseñar el sistema de programación quirúrgica de un hospital, logrando un aumento del 25% en la eficiencia de utilización de recursos.
Ventajas Operativas y Flexibilidad
La capacidad de evaluar múltiples escenarios a través de simulaciones brinda a los hospitales una flexibilidad invaluable, especialmente en entornos dinámicos o en situaciones de crisis, como pandemias o desastres naturales. Estudios de caso han demostrado que la aplicación conjunta de Lean y simulación puede reducir los tiempos de espera para pacientes en un 20% y lograr ahorros del 15% en procesos críticos como la administración de medicamentos.
La simulación también permite analizar las complejas interacciones entre diferentes departamentos y flujos de trabajo, proporcionando información detallada para la toma de decisiones estratégicas y la identificación de cuellos de botella operativos.
Desafíos y Barreras en la Implementación
Si bien los beneficios de Lean Healthcare y la simulación son evidentes, su adopción no está exenta de dificultades.
La principal barrera identificada es la necesidad de una colaboración interdisciplinaria efectiva entre equipos clínicos, administrativos y técnicos.Adicionalmente, la implementación no requiere inversiones iniciales considerables, tanto en tecnología como en capacitación del personal.
El éxito de estas metodologías depende en gran medida de la comunicación y el compromiso de todos los actores involucrados. Hospitales que han logrado superarlas muestran reducciones sustanciales en costos y mejoras en la satisfacción del paciente, consolidando la viabilidad de este enfoque combinado.
Impacto Documentado y Resultados Empíricos
Las evidencias recogidas en estudios y revisiones sistemáticas destacan consistentemente la efectividad de la integración Lean-Simulación. Los resultados reportados incluyen:
Reducción de costos operativos del 30% en servicios de emergencia tras la integración Lean-simulación.
Mejora de la eficiencia en la utilización de recursos en departamentos quirúrgicos.
Reducción significativa en tiempos de espera y cuellos de botella en farmacia y atención ambulatoria.
Alta adaptabilidad a situaciones de crisis mediante simulaciones predictivas.
Estos hallazgos refuerzan la premisa de que la combinación metodológica constituye una herramienta transformadora para la mejora operativa hospitalaria.
Síntesis de la Revisión de la Literatura
El desarrollo de Lean en la atención médica comenzó en la década de 1990, inspirado por el éxito obtenido en la industria manufacturera. Las primeras aplicaciones se centraron en el mapeo de flujo de valor y eventos Kaizen para identificar y eliminar ineficiencias. El enfoque inicial abordó principalmente problemas comunes como los tiempos de espera y los procesos redundantes, logrando resultados positivos en la racionalización de servicios críticos como urgencias.
Con el tiempo, la literatura ha documentado una evolución hacia la integración de herramientas más sofisticadas como la simulación computacional. Esta sinergia permite a los hospitales no solo identificar problemas, sino también predecir los resultados de posibles intervenciones antes de implementarlas, aumentando la probabilidad de éxito en la mejora de procesos.
Retos Actuales y Futuro de la Integración Lean-Simulación
Aunque la evidencia respalda fuertemente la utilidad de Lean y la simulación, persisten desafíos, especialmente en lo relativo al cambio cultural, la resistencia al cambio y la necesidad de inversión constante en capacitación y tecnología. Sin embargo, la tendencia global en la gestión hospitalaria apunta a una adopción creciente de estos enfoques, motivada por la presión implacable de los costos y la exigencia de calidad por parte de la sociedad.
Conclusiones
La integración de Lean Healthcare y la optimización basada en simulación se consolida como una estrategia esencial para enfrentar los desafíos operativos de los hospitales en EE. UU. La evidencia demuestra que estos enfoques permiten lograr una atención de calidad, reducir costos y aumentar la satisfacción del paciente, todo ello en un entorno de mejora continua y adaptación a las demandas cambiantes del sistema de salud.
Entre los aspectos más relevantes destacan la creación de valor centrada en la persona, la capacidad de adaptación ante crisis, la potenciación de la colaboración interdisciplinaria y la reducción documentada de ineficiencias y costos. Si bien la implementación puede enfrentar obstáculos, el potencial transformador de estas metodologías es innegable y su aplicación se proyecta como una práctica estándar en la gestión hospitalaria del futuro.
Referencias Citadas en el Texto
Improta et al. (2019); Stewart et al. (2018); Kuhl et al. (2006); Austin et al. (2020); Abdallah (2020); Daultani et al. (2015); Burgess y Radnor (2013); Parkh (2019); Souza et al. (2020); Narayanamurthy y Gurumurthy (2018); Hussain y Malik (2016); Castka et al. (2004); Aisheh et al. (2021); Radnor et al. (2011); Jaušovec & Gabrovec (2023); Heaton y Parlikad (2020); Pan y Zhang (2021); Spagnol et al. (2013); Sai et al. (2020); Thapa et al. (2018); Parkhi (2019).
Nota del blog: El faro de la trasplantología es el modelo Español y en menor medida el de EE.UU. , por la procuración, la ablación, la preservación, la implantación y el seguimiento de los pacientes, También para nuestro INCUCAI, (que es ejemplo de política de estado) Tratando de aumentar los mismos y el sustento esta en un respaldo legislativo, que lo tenemos, con un sistema de donación presunta por ley, un liderazgo clínico fuerte, que lamentablemente salvo el Hospital del CRUCE, EL GARRAHAN en pediatría, EL Hospital ARGERICH, CRAI norte y sur, hospitales públicos ellos, es fundamentalmente privado, (lo cual no es bueno) y un sistema logístico, que funciona en Argentina a «pulmón», con «tracción a sangre» y a un costo de riesgo transferido a quienes entendemos la importancia de realizar trasplantes. Estos dos de los tres aspectos deben ser mejorados para disminuir los problemas de accesibilidad y sostenimiento estratégico de los equipos humanos de trasplantes.
El trasplante a menudo representa el único tratamiento disponible para salvar vidas para la insuficiencia orgánica en etapa terminal y puede transformar profundamente las vidas de quienes dependen de tecnologías onerosas como la diálisis. Sin embargo, hay una escasez mundial de órganos. Según el Observatorio Mundial de Donación y Trasplante, solo se está satisfaciendo el 10% de la demanda mundial de trasplantes, con disparidades sustanciales: las tasas de trasplante superan los 130 por millón de habitantes (pmp) en Estados Unidos y España, en comparación con 12 pmp en la India. En muchos países (incluida la mayoría de África) no se dispone de datos y muchos países carecen de programas de trasplante establecidos. Esta escasez ha llevado a un mercado ilegal de tráfico de órganos, con redes criminales que explotan a personas vulnerables.
Para hacer frente a este problema, en mayo de 2024 se aprobó en la Asamblea Mundial de la Salud, iniciada por España, una nueva resolución sobre el aumento de la disponibilidad, el acceso ético y la supervisión de los trasplantes. La implicación de España en esta resolución no es casual, dado el liderazgo internacional del país en trasplante de órganos, con la tasa de donantes fallecidos más alta del mundo en 2023 (49,4 pmp).
El éxito del sistema español de trasplantes se basa en tres componentes: un marco legislativo sólido, un fuerte liderazgo clínico y una red logística altamente organizada y supervisada por la Organización Nacional de Trasplantes (ONT), cuya creación llevó a duplicar la actividad de donación de fallecidos en menos de una década. Fundamentalmente, este éxito no sería posible sin un fuerte apoyo sociopolítico. Este modelo puede ofrecer lecciones valiosas para otras naciones.
España opera con un sistema de exclusión voluntaria suave: todo el mundo es donante de órganos por defecto, pero las familias de los fallecidos tienen la última palabra. Otros países han introducido sistemas de exclusión voluntaria, pero esto no se ha traducido necesariamente en una actitud de donación más positiva (por ejemplo, mientras que ocho de cada diez familias en España consienten en donar, la tasa en el Reino Unido es de seis de cada diez). Un cambio simplista al modelo de «exclusión voluntaria» por sí solo no es suficiente para impulsar la donación. La ley española de trasplante de órganos de 1979 garantiza la transparencia y la asignación equitativa de órganos en todas las regiones. Esta ley se actualiza periódicamente bajo el asesoramiento de los Comités Clínicos y la ONT, ampliando los criterios de donación para permitir el uso de órganos de personas mayores de 80 años y donantes de riesgo atípico. La donación tras la muerte circulatoria, no disponible en muchos países, es una de las principales vías de expansión de la donación de órganos en España, representando el 45% de todas las actividades de donación en el país.
El liderazgo clínico es vital para el buen funcionamiento de lo que puede ser un sistema logísticamente tenso. En España, esto se ejemplifica con el coordinador de trasplantes del hospital, normalmente un médico del departamento de cuidados intensivos. Conocen a los pacientes, a los profesionales de la salud y a las familias, identificando a los posibles donantes, facilitando las donaciones y reduciendo los tiempos de espera para los trasplantes, con el apoyo de un coordinador regional y con la ONT supervisando los trasplantes a nivel nacional. Los coordinadores de trasplantes de los hospitales también están bien capacitados para apoyar psicológicamente a las familias y brindar capacitación continua al personal involucrado en el trasplante. La donación de órganos es un tema delicado para muchos y, a menudo, se discute en un momento difícil para las familias, con muchos miedos y conceptos erróneos.
La ONT también es responsable de la comunicación transparente y la educación pública, creando conciencia sobre la donación de órganos y ayudando a moldear las actitudes culturales y sociales. Conceptos como donación de órganos o muerte cerebral y circulatoria necesitan una explicación cuidadosa. Las personas que han hablado sobre la donación de órganos con sus familiares y amigos son más propensas a dar su consentimiento a la donación. La ONT trabaja con los medios de comunicación para crear conciencia sobre la donación a través de historias personales positivas o informes sobre avances científicos. Las asociaciones de pacientes actúan como defensores vitales, ayudando a generar confianza y amplificar el mensaje de la ONT. El hecho de no mantener un sistema ético para la asignación y el trasplante de órganos puede tener consecuencias catastróficas para la fe en el sistema, como han demostrado los escándalos en torno a la falsificación de datos de trasplantes en Alemania.
La OMS se encarga ahora de elaborar una estrategia mundial sobre donación y trasplante. Puede parecer difícil impulsar la donación en un campo como el trasplante de órganos, que en última instancia depende del altruismo de los demás, especialmente porque la decisión de donar órganos plantea profundas preguntas culturales, éticas, religiosas y personales para muchos. El modelo español demuestra la importancia central de la confianza. Cuando se cuenta con un sistema bien diseñado y dotado de recursos, las personas responden con solidaridad y contribuyen al desarrollo de una atmósfera cultural en la que la donación es la norma y la salud de los demás se beneficia.
Pranav Rajpurkar, Emma Chen Oishi Banerjee y Eric J. Topol
La inteligencia artificial (IA) está a punto de remodelar ampliamente la medicina, lo que podría mejorar las experiencias tanto de los médicos como de los pacientes.Analizamos los hallazgos clave de un esfuerzo semanal de 2 años para rastrear y compartir desarrollos clave en IA médica.Cubrimos estudios prospectivos y avances en el análisis de imágenes médicas, que han reducido la brecha entre la investigación y la implementación. También abordamos varias vías prometedoras para la investigación médica novedosa de la IA, incluidas las fuentes de datos no relacionadas con la imagen, las formulaciones de problemas no convencionales y la colaboración entre humanos e IA. Por último, consideramos los serios desafíos técnicos y éticos en cuestiones que van desde la escasez de datos hasta los prejuicios raciales. A medida que se abordan estos desafíos, se puede aprovechar el potencial de la IA, haciendo que la atención médica sea más precisa, eficiente y accesible para los pacientes de todo el mundo.
En los próximos años, la IA está preparada para remodelar ampliamente la medicina. Tan solo unos años después de las primeras demostraciones históricas de algoritmos de IA médica que son capaces de detectar enfermedades a partir de imágenes médicas a nivel de expertos1–4 , el panorama de la IA médica ha madurado considerablemente. Hoy en día, el despliegue de sistemas de IA médica en la atención clínica rutinaria presenta una oportunidad importante, pero en gran medida no aprovechada, ya que la comunidad de IA médica navega por los complejos desafíos éticos, técnicos y centrados en el ser humano necesarios para una traducción segura y eficaz. En esta revisión, resumimos los principales avances y destacamos las tendencias generales, proporcionando una visión general concisa del estado de la IA médica. Nuestra revisión se basa en nuestros esfuerzos durante los últimos 2 años, durante los cuales rastreamos y compartimos semanalmente los desarrollos recientes en IA médica (https://doctorpenguin.com). En primer lugar, resumimos los avances recientes, destacando los estudios que han demostrado rigurosamente la utilidad de los sistemas médicos de IA. En segundo lugar, examinamos vías prometedoras para la investigación médica de la IA en forma de nuevas fuentes de datos y analizamos las configuraciones de colaboración entre la IA y los humanos, que tienen más probabilidades de reflejar la práctica médica real que los diseños de estudio típicos que enfrentan a la IA con los humanos. Por último, analizamos los principales retos a los que se enfrenta este campo, como las limitaciones tecnológicas de la IA en su versión actual y las preocupaciones éticas sobre la regulación de los sistemas de IA, la responsabilización de las personas cuando se producen errores de IA, el respeto de la privacidad y el consentimiento del paciente en la recopilación de datos y la protección contra el refuerzo de las inequidades (Fig. 1).
Avances recientes en el despliegue de algoritmos de IA en medicina
Aunque se ha demostrado repetidamente que los sistemas de IA tienen éxito en una amplia variedad de estudios médicos retrospectivos, son relativamente pocas las herramientas de IA que se han trasladado a la práctica médica5 . Los críticos señalan que, en la práctica, los sistemas de IA pueden ser menos útiles de lo que sugieren los datos retrospectivos6 ; los sistemas pueden ser demasiado lentos o complicados para ser útiles en entornos médicos reales7 , o pueden surgir complicaciones imprevistas por la forma en que interactúan los seres humanos y las IA8 . Además, los conjuntos de datos retrospectivos in silico se someten a un extenso filtrado y limpieza, lo que puede hacerlos menos representativos de la práctica médica del mundo real. Los ensayos controlados aleatorios (ECA) y los estudios prospectivos pueden cerrar esta brecha entre la teoría y la práctica, demostrando de manera más rigurosa que los modelos de IA pueden tener un impacto positivo y cuantificable cuando se implementan en entornos de atención médica reales. Recientemente, los ECA han probado la utilidad de los sistemas de IA en la atención sanitaria. Además de la precisión, se han utilizado otras métricas para evaluar la utilidad de la IA, proporcionando una visión holística de su impacto en los sistemas médicos9–13. Por ejemplo, un ECA que evaluó un sistema de IA para administrar dosis de insulina midió la cantidad de tiempo que los pacientes pasaban dentro del rango objetivo de glucosa14; Un estudio que evaluó un sistema de monitoreo de la hipotensión intraoperatoria rastreó la duración promedio de los episodios de hipotensión15, mientras que un sistema que señaló los casos de hemorragia intracraneal para revisión en humanos fue juzgado por su reducción del tiempo de respuesta16. Las directrices recientes, como las extensiones específicas de la IA a las directrices SPIRIT y CONSORT y las próximas directrices, como STARD-AI, pueden ayudar a estandarizar los informes de IA médica, incluidos los protocolos y los resultados de los ensayos clínicos, lo que facilita que la comunidad comparta los hallazgos e investigue rigurosamente la utilidad de la IA médica17,18. En los últimos años, algunas herramientas de IA han pasado de las pruebas a la implementación, ganando apoyo administrativo y eliminando obstáculos regulatorios. El Centro de Servicios de Medicare y Medicaid, que aprueba los costos de reembolso de los seguros públicos, ha facilitado la adopción de la IA en entornos clínicos al permitir el reembolso por el uso de dos sistemas de IA específicos para el diagnóstico de imágenes médicas19. Además, un estudio de 2020 descubrió que la Administración de Alimentos y Medicamentos de EE. UU. (FDA, por sus siglas en inglés) está aprobando productos de IA, en particular de aprendizaje automático (ML; un tipo de IA), a un ritmo acelerado20. Estos avances se traducen en gran medida en autorizaciones de la FDA, que exigen que los productos cumplan con un estándar regulatorio más bajo que las aprobaciones completas, pero no obstante están despejando el camino para que los sistemas de IA/ML se utilicen en entornos clínicos reales. Es importante señalar que los conjuntos de datos utilizados para estas autorizaciones regulatorias a menudo se componen de datos retrospectivos de una sola institución que en su mayoría no se publican y se consideran propietarios. Para generar confianza en los sistemas de IA médica, se requerirán estándares más estrictos para la transparencia y la validación de los informes, incluidas las demostraciones del impacto en los resultados clínicos.
Deep learning para la interpretación de imágenes médicas.
En los últimos años, el aprendizaje profundo, en el que las redes neuronales aprenden patrones directamente de los datos sin procesar, ha logrado un éxito notable en la clasificación de imágenes. En consecuencia, la investigación médica con IA ha florecido en especialidades que dependen en gran medida de la interpretación de imágenes, como la radiología, la patología, la gastroenterología y la oftalmología
Los sistemas de IA han logrado mejoras considerables en la precisión de las tareas de radiología, incluida la interpretación de mamografías21,22, la evaluación de la función cardíaca23,24 y el cribado del cáncer de pulmón25, abordando no solo el diagnóstico, sino también la predicción del riesgo y el tratamiento26. Por ejemplo, se entrenó un sistema de IA para estimar el riesgo de cáncer de pulmón a 3 años a partir de las lecturas de tomografía computarizada (TC) de los radiólogos y otra información clínica27. Estas predicciones podrían usarse para programar tomografías computarizadas de seguimiento para pacientes con cáncer, lo que aumentaría las pautas actuales de detección. La validación de estos sistemas en múltiples centros clínicos y un número cada vez mayor de evaluaciones prospectivas han acercado la IA a su despliegue y a su impacto práctico en el campo de la radiología. En el campo de la patología, la IA ha hecho grandes avances en el diagnóstico de cánceres y ha proporcionado nuevos conocimientos sobre la enfermedad28-33, en gran parte mediante el uso de imágenes de portaobjetos completos. Los modelos han sido capaces de identificar de manera eficiente las áreas de interés dentro de las diapositivas, lo que podría acelerar los flujos de trabajo para el diagnóstico. Más allá de este impacto práctico, las redes neuronales profundas se han entrenado para discernir el origen del tumor primario y detectar variantes estructurales o mutaciones conductoras, lo que proporciona beneficios más allá incluso de las revisiones de patólogos expertos. Además, se ha demostrado que la IA realiza predicciones de supervivencia más precisas para una amplia gama de tipos de cáncer en comparación con la clasificación convencional y la subtipificación histopatológica31. Estos estudios han demostrado cómo la IA puede hacer que las interpretaciones de patologías sean más eficientes, precisas y útiles. El aprendizaje profundo también ha avanzado en gastroenterología, especialmente en términos de mejorar la colonoscopia, un procedimiento clave utilizado para detectar el cáncer colorrectal. El aprendizaje profundo se ha utilizado para predecir automáticamente si las lesiones colónicas son malignas, con un rendimiento comparable al de los endoscopistas expertos34. Además, debido a que los pólipos y otros posibles signos de enfermedad con frecuencia se pasan por alto durante el examen35, se han desarrollado sistemas de IA para ayudar a los endoscopistas. Se ha demostrado que estos sistemas mejoran la capacidad de los endoscopistas para detectar irregularidades, lo que podría mejorar la sensibilidad y hacer de la colonoscopia una herramienta más fiable para el diagnóstico10,11,36. Los modelos de aprendizaje profundo se han aplicado ampliamente en el área de la oftalmología, logrando importantes avances hacia su implementación7,37-41. Además de cuantificar el rendimiento de los modelos, los estudios han investigado el impacto humano de dichos modelos en los sistemas de salud. Por ejemplo, un estudio examinó cómo un sistema de IA para el cribado de enfermedades oculares afectaba a la experiencia del paciente y a los flujos de trabajo médicos, utilizando la observación humana y las entrevistas7 . Otros estudios han analizado el impacto financiero de la IA en el ámbito de la oftalmología, encontrando que el cribado semiautomatizado40 o totalmente automatizado con IA39 podría proporcionar ahorros de costes en contextos específicos, como la detección de la retinopatía diabética.
Oportunidades para el desarrollo de algoritmos de IA
Los estudios médicos de IA a menudo siguen un patrón familiar, abordando un problema de clasificación de imágenes, utilizando el aprendizaje supervisado en datos etiquetados para entrenar un sistema de IA y luego evaluando el sistema comparándolo con expertos humanos. A pesar de que estos estudios han logrado avances notables, presentamos otras tres prometedoras vías de investigación que rompen con este molde (Fig. 2). En primer lugar, abordamos las fuentes de datos que no son imágenes, como las secuencias de texto, químicas y genómicas, que pueden proporcionar información médica valiosa. En segundo lugar, discutimos las formulaciones de problemas que van más allá del aprendizaje supervisado, obteniendo información a partir de datos no etiquetados o imperfectos a través de paradigmas como el aprendizaje no supervisado o semisupervisado. Por último, nos fijamos en los sistemas de IA que colaboran con los humanos en lugar de competir contra ellos, lo que supone un camino para lograr un mejor rendimiento que la IA o los humanos solos.
Datos médicos más allá de las imágenes.
Más allá de la clasificación de imágenes, los modelos de aprendizaje profundo pueden aprender de muchos tipos de datos de entrada, incluidos números, texto o incluso combinaciones de tipos de entrada. El trabajo reciente se ha basado en una variedad de fuentes de datos ricas que involucran información molecular, lenguaje natural, señales médicas como datos de electroencefalograma (EEG) y datos multimodales. A continuación se muestra un resumen de las aplicaciones que utilizan estas fuentes de datos. La IA ha permitido avances recientes en el área de la bioquímica, mejorando la comprensión de la estructura y el comportamiento de las biomoléculas42-45. El trabajo de Senior et al. sobre AlphaFold representó un gran avance en la tarea clave del plegamiento de proteínas, que consiste en predecir la estructura 3D de una proteína a partir de su secuencia química42. Las mejoras en la predicción de la estructura de las proteínas pueden proporcionar información mecanicista sobre una serie de fenómenos, como las interacciones entre fármacos y proteínas o los efectos de las mutaciones. Alley et al. también avanzaron en el área del análisis de proteínas, creando resúmenes estadísticos que capturan las propiedades clave de las proteínas y ayudan a las redes neuronales a aprender con menos datos43. Al utilizar estos resúmenes en lugar de secuencias químicas en bruto, los modelos para tareas posteriores, como la predicción de la función molecular, pueden obtener un alto rendimiento con muchos menos datos etiquetados. La IA también ha hecho avances en el campo de la genómica, a pesar de la complejidad del modelado de las interacciones genómicas en 3D. Cuando se aplica a los datos sobre el ADN libre de células circulantes, la IA ha permitido la detección no invasiva del cáncer, el pronóstico y la identificación del origen del tumor46-48. El aprendizaje profundo ha mejorado los esfuerzos de edición de genes basados en CRISPR, ayudando a predecir la actividad del ARN guía e identificar familias de proteínas anti-CRISPR49,50. Además, se ha utilizado el análisis basado en IA de datos transcriptómicos y genómicos microbianos para detectar rápidamente la resistencia a los antibióticos en los patógenos. Este avance permite a los médicos seleccionar rápidamente los tratamientos más efectivos, lo que podría reducir la mortalidad y evitar el uso innecesario de antibióticos de amplio espectro51. Además, la IA está empezando a acelerar el proceso de descubrimiento de fármacos. Se ha demostrado que los modelos de aprendizaje profundo para el análisis molecular aceleran el descubrimiento de nuevos fármacos al reducir la necesidad de experimentos físicos más lentos y costosos. Estos modelos han demostrado ser útiles para predecir propiedades físicas relevantes, como la bioactividad o la toxicidad de posibles fármacos. Un estudio utilizó la IA para:
identificar un fármaco que posteriormente demostró ser eficaz para combatir las bacterias resistentes a los antibióticos en modelos experimentales52. Otro fármaco diseñado por IA demostró inhibir DDR1 (un receptor implicado en varias enfermedades, incluida la fibrosis) en modelos experimentales; Sorprendentemente, se descubrió en solo 21 días y se probó experimentalmente en 46 días, acelerando drásticamente un proceso que generalmente lleva varios años53. Es importante destacar que los modelos de aprendizaje profundo pueden seleccionar moléculas efectivas que difieren de los medicamentos existentes de manera clínicamente significativa, abriendo así nuevas vías para el tratamiento y proporcionando nuevas herramientas en la lucha contra los patógenos resistentes a los medicamentos. Investigaciones recientes han explotado la disponibilidad de grandes conjuntos de datos de textos médicos para tareas de procesamiento del lenguaje natural relacionadas con la atención médica, aprovechando avances técnicos como transformadores e incrustaciones de palabras contextuales (dos tecnologías que ayudan a los modelos a considerar el contexto circundante al interpretar cada parte de un texto). Un estudio presentó BioBERT, un modelo entrenado en un gran corpus de textos médicos que superaba el rendimiento previo del estado del arte en tareas de lenguaje natural, como responder a preguntas biomédicas54. Estos modelos se han utilizado para mejorar el rendimiento en tareas como aprender de la literatura biomédica qué fármacos se sabe que interactúan entre sí55 o etiquetar automáticamente los informes radiológicos56. También se han extraído grandes conjuntos de datos de texto de las redes sociales y se han utilizado para rastrear las tendencias de salud mental a gran escala57. Por lo tanto, los avances en el procesamiento del lenguaje natural han abierto una gran cantidad de nuevos conjuntos de datos y oportunidades de IA, aunque todavía existen limitaciones importantes debido a la dificultad de extraer información de secuencias de texto largas. Además, se han utilizado métodos de ML para predecir resultados a partir de datos de señales médicas, como EEG58, electrocardiograma59,60 y datos de audio61. Por ejemplo, el ML aplicado a las señales de EEG de pacientes clínicamente no respondientes con lesiones cerebrales permitió la detección de la actividad cerebral, un predictor de una eventual recuperación58. Además, la capacidad de la IA para transformar directamente las ondas cerebrales en habla o texto tiene un notable valor potencial para los pacientes con afasia o síndrome de enclaustramiento que han sufrido accidentes cerebrovasculares62. Los datos de señales médicas también se pueden recopilar de forma pasiva fuera de un entorno clínico en el mundo real mediante el uso de sensores portátiles, como los relojes inteligentes, que permiten la monitorización remota de la salud59,63. Algunos modelos de aprendizaje profundo integran múltiples fuentes de datos médicos para un enfoque multimodal64-68. Por ejemplo, un modelo para el diagnóstico de trastornos respiratorios tomó como entrada grabaciones de audio de la tos de los pacientes, así como informes de sus síntomas65. Los modelos multimodales también han aprovechado insumos mucho más complejos, como las historias clínicas electrónicas, que abarcan una amplia variedad de datos como diagnósticos médicos, signos vitales, recetas y resultados de laboratorio66,67. Dichos modelos pueden hacer predicciones basadas en diversos tipos de datos, al igual que los médicos humanos se basan en múltiples tipos de información al tomar decisiones en la práctica. A pesar de su potencial, esta área de investigación parece relativamente poco desarrollada, en parte debido a los desafíos de recopilar múltiples tipos de datos de manera consistente en todos los departamentos o instituciones. No obstante, esperamos que el uso de modelos multimodales aumente con el tiempo.
Configuraciones de IA más allá del aprendizaje supervisado.
Además de utilizar nuevas fuentes de datos, estudios recientes han probado formulaciones de problemas no convencionales. Convencionalmente, los conjuntos de datos derivan entradas y etiquetas de datos reales, y modelos como las redes neuronales se utilizan para aprender el mapeo de funciones de las entradas a las etiquetas. Sin embargo, debido a que el etiquetado puede ser costoso y llevar mucho tiempo, los conjuntos de datos que contienen entradas y etiquetas precisas suelen ser difíciles de obtener y se reutilizan con frecuencia en muchos estudios. Otros paradigmas, como el aprendizaje no supervisado (específicamente el aprendizaje autosupervisado), el aprendizaje semisupervisado, la inferencia causal y el aprendizaje por refuerzo (Recuadro 1), se han utilizado para abordar problemas en los que los datos no están etiquetados o son ruidosos. Estos avances han ampliado los límites de la IA médica, mejorando las tecnologías existentes y profundizando la comprensión de las enfermedades. El aprendizaje no supervisado, que implica aprender de datos sin etiquetas, ha proporcionado información procesable, lo que permite a los modelos encontrar patrones y categorías novedosas en lugar de limitarse a las etiquetas existentes, como en el paradigma supervisado69-73,74. Por ejemplo, los algoritmos de agrupamiento, que organizan puntos de datos no etiquetados agrupando puntos de datos similares, se han aplicado a afecciones como la sepsis, el cáncer de mama y la endometriosis, identificando subgrupos de pacientes clínicamente significativos29,74,75,76. Estas categorías pueden revelar nuevos patrones en la manifestación de la enfermedad que, con el tiempo, pueden ayudar a determinar el diagnóstico, el pronóstico y el tratamiento. Otras formulaciones se basan en la extracción de información a partir de datos ruidosos o imperfectos, lo que reduce drásticamente el costo de la recopilación de datos30,77. A modo de ejemplo, Campanella et al. entrenaron un modelo débilmente supervisado para diagnosticar varios tipos de cáncer a partir de imágenes de portaobjetos completos, utilizando solo los diagnósticos finales como etiquetas y omitiendo la anotación de píxeles que se espera en una configuración de aprendizaje supervisado. Con este enfoque, lograron excelentes resultados de clasificación, incluso con costos de anotación reducidos30. También se han utilizado formulaciones de problemas no convencionales para mejorar y reconstruir imágenes78-81. Por ejemplo, al crear un modelo para mejorar el detalle espacial en imágenes de resonancia magnética (IRM) de baja calidad, Masutani et al. generaron sintéticamente datos de entrada; tomaron imágenes de resonancia magnética de alta calidad, agregaron ruido al azar y luego entrenaron una red neuronal convolucional (un tipo de red neuronal comúnmente utilizada para datos de imágenes) para recuperar las imágenes de resonancia magnética originales de alta calidad de sus entradas simuladas de «baja calidad»80. Estas formulaciones permiten a los investigadores aprovechar grandes conjuntos de datos, a pesar de sus imperfecciones, para entrenar modelos de alto rendimiento.
Configuraciones más allá de lo humano frente a la IA.
Aunque la mayoría de los estudios se han centrado en una comparación directa de la IA con los humanos82, es más probable que la práctica médica de la vida real implique configuraciones humanas en el circuito, donde los humanos colaboran activamente con los sistemas de IA y Proporcionar supervisión83,84.
Por lo tanto, estudios recientes han comenzado a explorar tales configuraciones colaborativas entre la IA y los humanos. Estas configuraciones suelen contar con humanos que reciben asistencia de la IA, aunque ocasionalmente la IA y los humanos trabajan por separado y sus predicciones se promedian o combinan posteriormente. Múltiples estudios sobre una variedad de tareas han demostrado que los expertos clínicos y la IA en combinación logran un mejor rendimiento que los expertos solos21,85-89. Por ejemplo, Sim et al. descubrieron que los expertos clínicos asistidos por IA superaron tanto a los humanos como a la IA sola al detectar nódulos malignos en las radiografías de tórax85. Es probable que la utilidad de la colaboración entre humanos e IA dependa de las características específicas de la tarea y del contexto clínico. Todavía hay preguntas abiertas sobre cómo exactamente la asistencia de la IA afecta el rendimiento humano. Por ejemplo, a veces se ha demostrado que la asistencia de la IA mejora la sensibilidad de los expertos clínicos al tiempo que reduce su especificidad8,86, y algunos estudios, tanto prospectivos como retrospectivos, han encontrado que el rendimiento combinado de la IA y el ser humano no podría superar el rendimiento de la IA por sí sola90,91. Además, algunos médicos pueden beneficiarse más de la asistencia de la IA que otros; los estudios sugieren que los médicos menos experimentados, como los aprendices, se benefician más de los aportes de la IA que sus pares más experimentados8,92. Las consideraciones técnicas también desempeñan un papel importante a la hora de determinar la eficacia de la asistencia de la IA. Como era de esperar, la precisión de los consejos de la IA puede afectar a su utilidad, por lo que se ha descubierto que las predicciones incorrectas dificultan el rendimiento de los clínicos, incluso si las predicciones correctas resultan útiles8 . Además, las predicciones de IA se pueden comunicar de múltiples maneras, apareciendo, por ejemplo, como probabilidades, recomendaciones de texto o imágenes editadas para resaltar áreas de interés. Se ha demostrado que el formato de presentación de la asistencia de IA afecta a su utilidad para los usuarios humanos90,91, por lo que el trabajo futuro en la optimización de la asistencia médica de IA puede basarse en las investigaciones existentes sobre las interacciones humano-ordenador.
Desafíos para el futuro del campo
A pesar de los sorprendentes avances, el campo de la IA médica se enfrenta a importantes desafíos técnicos, especialmente en términos de generar confianza en los usuarios en los sistemas de IA y componer conjuntos de datos de entrenamiento. También quedan preguntas sobre la regulación de la IA en la medicina y las formas en que la IA puede cambiar y crear responsabilidades en todo el sistema sanitario, afectando tanto a los investigadores como a los médicos y a los pacientes. Por último, existen importantes preocupaciones éticas sobre el uso de los datos y la equidad en la IA médica (Fig. 3).
Desafíos de implementación.
Limitaciones del conjunto de datos. Los datos de IA médica a menudo plantean desafíos específicos y prácticos. Aunque se espera que la IA reduzca los costos médicos, los dispositivos necesarios para obtener los insumos para los sistemas de IA pueden ser prohibitivos. En concreto, el equipo necesario para capturar imágenes de portaobjetos completos es costoso y, por lo tanto, no está disponible en muchos sistemas de salud, lo que impide tanto la recopilación de datos como el despliegue de sistemas de IA para patología. Los tamaños de imagen grandes plantean preocupaciones adicionales, ya que la cantidad de memoria requerida por una red neuronal puede aumentar tanto con la complejidad del modelo como con el número de píxeles en la entrada. Como resultado, muchas imágenes médicas, especialmente las imágenes de diapositivas completas, que pueden contener fácilmente miles de millones de píxeles cada una, son demasiado grandes para caber en la red neuronal promedio. Existen muchas maneras de abordar este problema. Las imágenes pueden cambiar de tamaño a expensas de los detalles finos, o pueden dividirse en varios parches pequeños, aunque esto dificultará la capacidad del sistema para establecer conexiones entre diferentes áreas de la imagen. En otros casos, los humanos pueden identificar una región de interés más pequeña, como parte de una imagen de portaobjetos que contiene un tumor, y recortar la imagen antes de introducirla en un sistema de IA, aunque esta intervención añade un paso manual a lo que de otro modo podría ser un flujo de trabajo totalmente automatizado32,93. Algunos estudios utilizan modelos personalizados de gran tamaño que pueden aceptar imágenes médicas completas, pero la ejecución de estos modelos puede requerir hardware costoso con más memoria. Por lo tanto, los sistemas para la clasificación de imágenes médicas a menudo implican compensaciones para hacer que las entradas sean compatibles con las redes neuronales. Otro problema que afecta a las imágenes, así como a muchos otros tipos de datos médicos, es la escasez de las etiquetas necesarias para el aprendizaje supervisado94. Las etiquetas suelen ser asignadas a mano por expertos médicos, pero este enfoque puede resultar difícil debido al tamaño del conjunto de datos, las limitaciones de tiempo o la escasez de experiencia. En otros casos, las etiquetas pueden ser proporcionadas por humanos no expertos, por ejemplo, a través de crowdsourcing. Sin embargo, estas etiquetas pueden ser menos precisas, y los proyectos de etiquetado colaborativo se enfrentan a complicaciones asociadas con la privacidad, ya que los datos deben compartirse con muchos etiquetadores. Las etiquetas también pueden ser aplicadas por otros modelos de IA, como en algunas configuraciones de supervisión débil95, pero estas etiquetas también conllevan el riesgo de ruido. En la actualidad, la dificultad de obtener etiquetas de calidad es un obstáculo importante para los proyectos de aprendizaje supervisado, lo que genera interés en plataformas que hacen más eficiente el etiquetado y en configuraciones débilmente supervisadas y no supervisadas que requieren menos esfuerzo de etiquetado. Los problemas también surgen cuando los factores tecnológicos conducen a sesgos en los conjuntos de datos. Por ejemplo, el sesgo de una sola fuente se produce cuando un único sistema genera un conjunto de datos completo, como cuando todas las imágenes de una colección proceden de una sola cámara con ajustes fijos. Los modelos que muestran un sesgo de una sola fuente pueden tener un rendimiento inferior en las entradas recopiladas de otras fuentes. Para mejorar la generalización, los modelos pueden someterse a un entrenamiento específico del sitio para adaptarse a las peculiaridades específicas de cada lugar donde se despliegan, y también pueden ser entrenados y validados en conjuntos de datos recopilados de diferentes fuentes94,96. Sin embargo, este último enfoque debe llevarse a cabo con cuidado, especialmente cuando la distribución de las etiquetas difiere drásticamente entre los conjuntos de datos. Por ejemplo, si un modelo se entrena con conjuntos de datos de dos instituciones, una que contiene solo casos positivos y otra que contiene solo casos negativos, entonces puede lograr un alto rendimiento a través de «atajos» espurios sin aprender sobre la patología relevante. Por lo tanto, un modelo de clasificación de imágenes podría basar sus predicciones completamente en las diferencias entre las cámaras de las dos instituciones; Es probable que un modelo de este tipo no aprenda nada sobre la enfermedad subyacente y no logre generalizar
en otra parte. Por lo tanto, alentamos a los investigadores a desconfiar de los sesgos tecnológicos, incluso cuando utilicen datos de diversas fuentes97.
Construyendo modelo de confianza.
Se desea una variedad de cualidades para que un sistema de IA se gane la confianza del usuario. Por ejemplo, es útil que los sistemas de IA sean fiables, cómodos de usar y fáciles de integrar en los flujos de trabajo clínicos98. Los sistemas de IA pueden empaquetarse con instrucciones fáciles de leer, que explican cómo y cuándo deben utilizarse; Puede ser útil que estos manuales de usuario se estandaricen en todos los sistemas99. La explicabilidad es otro aspecto clave para ganarse la confianza, ya que es más fácil creer en las predicciones de un sistema de IA cuando el sistema puede explicar cómo llegó a sus conclusiones. Debido a que muchos sistemas de IA funcionan actualmente como «cajas negras» ininterpretables, explicar sus predicciones plantea un serio desafío técnico. Existen algunos métodos para explicar las predicciones de la IA, como los métodos de prominencia que resaltan las regiones de una imagen que más contribuyen a la predicción de una enfermedad por parte de un modelo. Sin embargo, es posible que estos métodos no sean fiables100, y se necesita más investigación para interpretar los procesos de toma de decisiones de la IA, cuantificar su fiabilidad y transmitir esas interpretaciones con claridad al público humano101. Además de generar confianza entre los usuarios, la mejora de la explicabilidad permitirá a los desarrolladores comprobar los modelos más a fondo en busca de errores y verificar hasta qué punto la toma de decisiones de la IA refleja los enfoques humanos expertos102. Además, cuando los modelos médicos de IA logran nuevos conocimientos que van más allá del conocimiento humano actual, una mejor explicabilidad puede ayudar a los investigadores a comprender esos nuevos conocimientos y, por lo tanto, a comprender mejor los mecanismos biológicos detrás de la enfermedad. Quizás el componente más obvio de la confiabilidad es la precisión, porque es poco probable que los usuarios confíen en un modelo que no se ha demostrado rigurosamente que da predicciones correctas. Además, los estudios de IA fiables deben ser reproducibles, de modo que el entrenamiento repetido de un modelo con un conjunto de datos y un protocolo determinados produzca resultados coherentes. Los estudios también deben ser replicables, de modo que los modelos funcionen de manera consistente incluso cuando se entrenan con diferentes muestras de datos. Desafortunadamente, demostrar la reproducibilidad y replicabilidad de los estudios de IA plantea desafíos únicos. Los conjuntos de datos, el código y los modelos entrenados a menudo no se publican, lo que dificulta que la comunidad de IA en general verifique y se base en los resultados anteriores de forma independiente103,104.
Responsabilidad.
Desafíos regulatorios. Trabajos recientes ponen de relieve los problemas regulatorios relacionados con el despliegue de modelos de IA para la atención sanitaria. Más allá de la precisión, los reguladores pueden analizar una variedad de criterios para evaluar los modelos. Por ejemplo, pueden requerir estudios de validación que demuestren que los sistemas de IA son robustos y generalizables en entornos clínicos y poblaciones de pacientes y garantizan que los sistemas protejan la privacidad del paciente. Además, dado que la utilidad de los sistemas de IA puede depender en gran medida de la forma en que los humanos proporcionan información e interpretan la salida, los reguladores pueden requerir pruebas de factores humanos y una capacitación adecuada para los usuarios humanos de los sistemas médicos de IA105. Los desafíos regulatorios específicos surgen del aprendizaje continuo, donde los modelos aprenden de nuevos datos a lo largo del tiempo y se ajustan a los cambios en las poblaciones de pacientes, ya que esto puede conllevar el riesgo de sobrescribir patrones previamente aprendidos o causar nuevos errores106. Tradicionalmente, los reguladores de los sistemas de IA aprueban solo un conjunto bloqueado de parámetros, pero este enfoque no tiene en cuenta la necesidad de actualizar los modelos, a medida que los datos evolucionan debido a los cambios en las poblaciones de pacientes, las herramientas de recopilación de datos y la gestión de la atención. Por lo tanto, los reguladores deben desarrollar nuevos procesos de certificación para manejar dichos sistemas. Es importante destacar que la FDA ha propuesto recientemente un marco para los sistemas de IA adaptativa en el que aprobarían no solo un modelo inicial, sino también un proceso para actualizarlo con el tiempo107.
Cambios en la responsabilidad.
Aunque los sistemas de IA tienen el potencial de empoderar a los humanos en la toma de decisiones médicas, también corren el riesgo de limitar la autonomía personal y crear nuevas obligaciones. A medida que los sistemas de IA asumen más responsabilidades en el entorno sanitario, una preocupación a la que se enfrenta el sistema es que los médicos puedan volverse demasiado dependientes de la IA, tal vez viendo una disminución gradual de sus propias habilidades o conexiones personales con los pacientes. A su vez, los desarrolladores de IA médica pueden tener una gran influencia en la atención sanitaria y, por lo tanto, deben estar obligados a crear sistemas de IA seguros y útiles e influir de manera responsable en las opiniones públicas sobre la salud. A medida que la toma de decisiones médicas se vuelve más dependiente de juicios de IA potencialmente inexplicados, los pacientes individuales pueden perder cierta comprensión o control sobre su propia atención. Al mismo tiempo, los pacientes podrían adquirir nuevas responsabilidades a medida que la IA hace que la atención médica sea más omnipresente en la vida diaria. Por ejemplo, si los dispositivos inteligentes proporcionan a los pacientes consejos constantes, se puede esperar que esos pacientes sigan esas recomendaciones o, de lo contrario, sean responsables de resultados negativos para la salud108. La proliferación de la IA también plantea preocupaciones en torno a la rendición de cuentas, ya que actualmente no está claro si los desarrolladores, reguladores, vendedores o proveedores de atención médica deben rendir cuentas si un modelo comete errores incluso después de haber sido validado clínicamente a fondo. Actualmente, los médicos son responsables cuando se desvían del estándar de atención y ocurren lesiones en el paciente. Si los médicos son generalmente escépticos con respecto a la IA médica, entonces los médicos individuales pueden verse influenciados negativamente para ignorar las recomendaciones de la IA que entran en conflicto con la práctica estándar, incluso si esas recomendaciones pueden ser personalizadas y beneficiosas para un paciente específico. Sin embargo, si el estándar de atención cambia para que los médicos utilicen de forma rutinaria las herramientas de IA, entonces habrá un fuerte incentivo médico-legal para que los médicos sigan las recomendaciones de IA109.
Equidad. Uso ético de los datos. Existe la preocupación de que los malos actores interesados en el robo de identidad y otras conductas indebidas puedan aprovecharse de los conjuntos de datos médicos, que a menudo contienen grandes cantidades de información confidencial sobre pacientes reales. La descentralización del almacenamiento de datos es una forma de reducir el daño potencial de cualquier hackeo o fuga de datos individual. El proceso de aprendizaje federado facilita dicha descentralización al tiempo que facilita la colaboración entre instituciones sin complicados acuerdos de intercambio de datos (Fig. 4). Cuando se utiliza el aprendizaje federado, los desarrolladores envían modelos de IA a diferentes instituciones que tienen conjuntos de datos privados; Las instituciones entrenan los modelos con sus datos y envían actualizaciones de los modelos sin compartir nunca los datos110. Sin embargo, incluso después de entrenar los modelos, sigue existiendo el riesgo de que los sistemas de IA se enfrenten a ataques a la privacidad, que a veces pueden reconstruir los puntos de datos originales utilizados en el entrenamiento con solo examinar el modelo resultante. Los datos de los pacientes pueden protegerse mejor de este tipo de ataques si las entradas se cifran antes del entrenamiento, pero este enfoque se produce a costa de la interpretabilidad del modelo111. Más allá de estos ataques de mala fe, hay otras preguntas sobre cómo respetar la privacidad de los pacientes. Por lo general, los datos confidenciales deben recopilarse y utilizarse en la investigación con el consentimiento del paciente y, cuando sea práctico, se deben utilizar estrategias de anonimización y agregación para ocultar los datos personales. Es necesario garantizar que todas las instituciones que trabajen con datos de pacientes los manejen de manera responsable, ya que
por ejemplo, mediante el uso de protocolos de seguridad adecuados. Al mismo tiempo, también es importante que los datos de los pacientes se utilicen por su bien. Por respeto a los pacientes que han accedido a compartir su información personal, lo ideal sería que los datos de los pacientes se utilizaran para investigaciones que promuevan el bienestar futuro de los pacientes. Desafortunadamente, estos objetivos a veces pueden entrar en conflicto entre sí; La implementación de medidas de seguridad como el aprendizaje federado puede requerir recursos y esfuerzos considerables, y las instituciones que no pueden realizar esas inversiones pueden no poder acceder a ciertos conjuntos de datos, incluso cuando su investigación beneficiaría a los pacientes en cuestión. Además, la reutilización de datos en varios proyectos puede dificultar la obtención del consentimiento informado, ya que los pacientes atraídos por un estudio pueden dudar en unirse a otros. Esperamos y esperamos que la comunidad de IA continúe explorando estas compensaciones y encuentre nuevas formas de equilibrar una variedad de intereses de los pacientes110. Equidad y sesgo. La IA puede hacer que la atención sanitaria sea más accesible para los grupos desatendidos, pero también corre el riesgo de reforzar las desigualdades existentes, ya que los modelos de IA pueden perpetuar los sesgos que acechan en los datos112. Los sistemas de IA médica pueden fallar a la hora de generalizar a nuevos tipos de datos con los que no fueron entrenados; Por lo tanto, es bien sabido que el entrenamiento con conjuntos de datos que subrepresentan a los grupos marginados da lugar a sistemas sesgados que tienen un rendimiento inferior en esos grupos. Los sistemas que tienen en cuenta explícitamente la raza en sus predicciones también corren el riesgo de perpetuar los prejuicios, porque las categorías raciales son difíciles de definir y oscurecen la diversidad dentro de los grupos raciales113. El sesgo puede aparecer debido a otras opciones de diseño, como la elección de la etiqueta de destino. Por ejemplo, se descubrió que un algoritmo de evaluación de riesgos utilizado para guiar la toma de decisiones clínicas de 200 millones de pacientes ofrecía predicciones con sesgos raciales, de modo que los pacientes blancos a los que se les asignaba una determinada puntuación de riesgo predicho tendían a ser más saludables que los pacientes negros con la misma puntuación. Este sesgo se debió en gran parte a las etiquetas originales utilizadas en la capacitación. El sistema fue entrenado para predecir los costos futuros de la atención médica, pero debido a que los pacientes negros habían recibido históricamente una atención menos costosa que los pacientes blancos debido a los sesgos sistemáticos existentes, el sistema reprodujo esos sesgos raciales en sus predicciones114. Se necesita una investigación exhaustiva para detectar y corregir el sesgo en los modelos médicos de IA, ya que el sesgo puede causar un daño generalizado a los grupos marginados si no se controla. En el futuro, las herramientas de IA pueden someterse sistemáticamente a pruebas especiales antes de su implementación para verificar que las redes neuronales sirven al bienestar de las poblaciones marginadas de manera equitativa. Además, puede ser más fácil identificar sesgos peligrosos si mejora la explicabilidad del modelo, porque los monitores humanos podrán verificar el razonamiento de los sistemas de IA e identificar elementos problemáticos115.
Conclusión
El campo de la IA médica ha avanzado considerablemente hacia su implementación a gran escala, especialmente a través de estudios prospectivos como los ECA y mediante el análisis de imágenes médicas, sin embargo, la IA médica aún se encuentra en una fase temprana de validación e implementación. Hasta la fecha, un número limitado de estudios han utilizado la validación externa, la evaluación prospectiva y diversas métricas para explorar el impacto total de la IA en entornos clínicos reales, y la gama de casos de uso evaluados ha sido relativamente limitada. Aunque el campo requiere más pruebas y soluciones prácticas, también se necesita una imaginación audaz. La IA ha demostrado ser capaz de extraer información de fuentes inesperadas y establecer conexiones que los humanos normalmente no anticiparían, por lo que esperamos ver enfoques aún más creativos y fuera de lo común para la IA médica. Existen grandes oportunidades para la investigación novedosa de la IA que involucra tipos de datos que no son imágenes y formulaciones de problemas no convencionales, que abren una gama más amplia de posibles conjuntos de datos. También existen oportunidades en la colaboración entre IA y humanos, una alternativa a las competiciones entre IA y humanos comunes en la investigación; nos gustaría que se estudiaran más las configuraciones colaborativas, ya que pueden proporcionar mejores resultados que la IA o los humanos solos y es más probable que reflejen la práctica médica real. A pesar del potencial de este campo, aún quedan importantes cuestiones técnicas y éticas para la IA médica. A medida que se aborden sistemáticamente estas cuestiones fundamentales, es posible que se materialice el potencial de la IA para mejorar notablemente el futuro de la medicina.
Carlos Alberto Díaz. Profesor titular universidad ISALUD.
Las habilidades blandas son la ventaja competitiva más importante de las empresas de salud, de los hospitales y las clínicas privadas, se deben trabajar, con asesoramiento, pero también desde los servicios, interna y permanentemente, especialmente los colectivos que están en contacto con el paciente, requiere esfuerzo, predisposición, e inversión, que tendrá un retorno espectacular, no es un modelo único, ni siquiera hacia el interior de una misma organización. Los profesionales del cuidado, las enfermeras, las jefas de enfermería, los que están para diagnosticar y curar, los médicos, y los jefes de servicio, los administrativos, que atienden al público, sus jefes, y los gerentes. Son abordajes distintos. Los enfermeros requieren de trabajar en equipo, empatía, comunicación y liderazgo. Los médicos liderazgo, trabajo en equipo, conciencia de situación y negociación. Todos requieren una formación en estas habilidades indispensables.
Desde la Universidad ISALUD, se ha detectado como un aspecto estratégico y hemos dedicado todo el año 2024 y este para explorar, experimentar experiencias de aplicación para transmitirla a quienes las necesiten. Es un sendero largo, como interminable, que al ser un camino tan extenso hay que proponerse a transitar. Explorando diferentes formas de capacitación, como dentro de las empresas y en forma de realidad virtual. Dentro de diferentes nodos, como la calidad asistencial, la gestión Lean, las habilidades blandas y la seguridad 2 de los pacientes. Estos formatos, de diez a doce encuentros cada uno permiten un desarrollo a medida para la formación interna de las organizaciones.
En este blog encontrarán diferentes artículos seleccionados como elementos teóricos para el debate como marco de este tipo de capacitación. La extensión universitaria tiene esta obligación. Las habilidades digitales son duras y que deben acompañar en esta formación mirando el presente.
Introducción
El uso de la realidad virtual (RV) en la educación y la formación ha sido investigado desde hace mucho tiempo (véase Conrad et al.Citación2024 ) y Kamińska et al. (Citación2023 ) para dos revisiones recientes). Los beneficios del uso de la realidad virtual incluyen una mayor participación con respecto a los métodos tradicionales (Concannon et al.,Citación2019 ; Conrad y otros,Citación2024 ) sino también la posibilidad de aplicar mejor el aprendizaje experiencial y los enfoques constructivistas sociales (Concannon et al.,Citación2019 ).
En este sentido, existe un gran potencial en el uso de la RV, en particular para el entrenamiento de conocimientos procedimentales o técnicos (Hamilton et al.,Citación2021 ). Sin embargo, la literatura existente también reconoce beneficios para las habilidades cognitivas y de observación relacionadas con la información espacial y visual, las habilidades psicomotoras, específicamente el escaneo visual, y las habilidades afectivas relacionadas con el control de las respuestas emocionales en situaciones estresantes (Jensen y Konradsen,Citación2018 ).
En este trabajo, nos propusimos investigar la literatura relacionada específicamente con el desarrollo de habilidades blandas, en particular aquellas habilidades no técnicas útiles en entornos profesionales.
La Asociación Nacional Estadounidense de Habilidades Blandas las define como un conjunto complejo de cualidades para interactuar eficazmente con otras personas, como la actitud positiva, la comunicación, la planificación y la organización, el pensamiento crítico y el trabajo en equipo, entre otras.
Los términos “habilidades transversales” (Hart et al.,Citación2021 ; Larraz y otros,Citación2017 ), “habilidades socioemocionales” (Danner et al.,Citación2021 ), “habilidades no cognitivas” (Brunello & Schlotter,Citación2011 ) se utilizan a menudo como alternativas.
Todos estos tipos de habilidades se solapan con la definición de habilidades blandas mencionada anteriormente, aunque ninguna abarca exactamente el mismo campo semántico, por lo que este estudio utilizará únicamente el término «habilidad blanda». Este término no funciona como una definición sumativa/descriptiva, sino como una definición negativa. Por lo tanto, para comprender qué es una habilidad blanda, se debe trabajar por contraste o por sustracción: una habilidad blanda es lo que no es una habilidad técnica ni específica de un dominio (denominada, por contraste, habilidad dura). Para identificar algunas de ellas, se pueden utilizar categorías generales derivadas de la literatura (Touloumakos,Citación2020 ): cualidades de la persona (adaptabilidad, flexibilidad, etc.), actitudes y predisposiciones de la persona (voluntad de aprender, aprender a aprender, etc.), habilidades de pensamiento de orden superior (resolución de problemas, toma de decisiones, pensamiento crítico, etc.), habilidades de liderazgo y gestión (incluida la autogestión), habilidades interpersonales (trabajo en equipo, interacción personal, etc.), habilidades de comunicación (incluida la negociación y la resolución de conflictos), habilidades emocionales (por ejemplo, empatía), habilidades de apariencia (habilidades para poder aparecer de determinada manera).
La realidad virtual (RV) se ha convertido en una herramienta prometedora para el desarrollo de habilidades blandas gracias a su capacidad para crear entornos inmersivos y controlados difíciles de replicar con métodos tradicionales.
Un estudio de PwC demostró que la formación basada en RV es cuatro veces más rápida que la formación presencial y aumenta la confianza de los participantes en la aplicación de las habilidades adquiridas en un 275 % (Eckert & Mower,Citación2020 ).
Además, la realidad virtual permite simular conversaciones gerenciales complejas, como la retroalimentación o la resolución de conflictos de equipo. Estos escenarios inmersivos permiten a los participantes practicar habilidades de comunicación y regulación emocional en un entorno seguro (Christofi et al.,Citación2022 ; Kamińska y otros,Citación2019 ).
Además, la RV facilita la simulación de interacciones interculturales, algo cada vez más vital en la fuerza laboral globalizada actual. Al interactuar con personajes virtuales que representan diferentes orígenes culturales, los usuarios pueden mejorar su competencia intercultural y profundizar su comprensión de la diversidad (Brydon et al.,Citación2021 ). Estos ejemplos resaltan que la realidad virtual no solo involucra a los usuarios, sino que también brinda oportunidades prácticas para desarrollar habilidades blandas a través de escenarios realistas, aunque virtuales, lo que mejora significativamente los resultados de la capacitación.
En la literatura sobre RV, se pueden encontrar diversas definiciones de este concepto, que reflejan el desarrollo dinámico de la tecnología y sus diversas aplicaciones. La RV se describe a menudo como un entorno simulado por computadora, con énfasis en la creación de espacios digitales que los usuarios pueden explorar e interactuar con ellos (Sherman y Craig,Citación2003 ). También se define con frecuencia como una experiencia multisensorial, destacando su capacidad de involucrar múltiples sentidos, como la vista, el oído o el tacto, para mejorar el realismo de la experiencia (Burdea,Citación2003 ). En algunos casos, la realidad virtual se considera una herramienta de inmersión cognitiva, que permite la «inmersión de la mente» en un entorno distinto de la realidad física (Slater y Wilbur,Citación1997 ), o como tecnología inmersiva que cautiva a los usuarios al reducir su percepción del mundo físico. Para esta revisión, nuestra definición de RV se centra en la inmersión visual total y la interacción física del usuario mediante un visor montado en la cabeza (HMD). Definimos la RV como una tecnología en la que el usuario utiliza un visor para sumergirse completamente en un entorno simulado, minimizando la percepción del mundo físico y permitiendo una experiencia integral de realidad virtual.
En este trabajo, EL objetivo es mapear la investigación existente sobre el uso de tecnologías de realidad virtual específicamente para la capacitación en habilidades blandas, con un enfoque específico en entornos profesionales, e identificar brechas y líneas de investigación prometedoras. Para lograrlo, adoptamos una variante del método de la Teoría Fundamentada para la Revisión de la Literatura (GTLR) (Wolfswinkel et al.,Citación2013 ), lo que implica analizar estudios inspirados en la Teoría Fundamentada (Glaser & Strauss,Citación2017 ), un enfoque para un análisis cualitativo riguroso. Este enfoque se ha utilizado en otros proyectos similares destinados a mapear el estado de la investigación en campos tecnológicos, por ejemplo, la adopción de tecnologías de autocuidado (Nunes et al.,Citación2015 ) y las tendencias en sistemas wearables para el deporte (Mencarini et al.,Citación2019 ).
Tema 1: Habilidades blandas enfocadas
Aunque inicialmente definimos un conjunto de habilidades blandas consideradas relevantes para nuestro enfoque específico, al analizar los artículos seleccionados, fue evidente que la realidad virtual se está utilizando para entrenar varias habilidades blandas (11) (verTabla 2) y una amplia gama de habilidades técnicas y específicas del dominio (9). Las habilidades interpersonales mencionadas con más frecuencia son las habilidades de comunicación (11) y el trabajo en equipo/colaboración (9), que parecen ser especialmente adecuadas para escenarios de formación en RV.
Habilidades específicas del dominio y su combinación con habilidades blandas
De los artículos seleccionados presentan habilidades técnicas y específicas de un dominio como objeto de estudio para su desarrollo con RV. Cada uno desarrolló una diferente: pensamiento computacional, tecnología quirúrgica, desempeño clínico, razonamiento geométrico, evaluación, investigación forense, habilidades químicas, oratoria, habilidades de seguridad clínica y asesoramiento bancario. El sector de competencias más representado en este caso es el médico, seguido del educativo, con habilidades de evaluación y aprendizaje. La idea de una forma específica de razonar también está presente en el razonamiento computacional y geométrico (aunque no están estrechamente relacionados).
Existe evidencia de que las habilidades interpersonales suelen desarrollarse junto con las habilidades técnicas relevantes para profesiones o campos de estudio específicos. Por ejemplo, en la educación médica, las habilidades de comunicación y la empatía suelen combinarse con la capacitación en habilidades clínicas. En educación, las habilidades docentes se combinan con la gestión del aula y las habilidades de comunicación. Esto se puede inferir del título, el resumen, el campo de estudio y los participantes de varios artículos. Sin embargo, con la excepción de estos nueve artículos, los estudios se centran únicamente en las habilidades interpersonales.
Observaciones para llevar
Las habilidades de comunicación y el trabajo en equipo/colaboración son las habilidades blandas que se estudian con más frecuencia con la realidad virtual, a menudo en contextos médicos o educativos.
Algunos estudios utilizan la realidad virtual para crear escenarios realistas para practicar habilidades interpersonales, como hablar en público, entrevistas de trabajo o gestión de crisis en bibliotecas.
Algunos estudios investigan la eficacia de la realidad virtual para mejorar la autoeficacia y la confianza en diversos contextos.
El pensamiento crítico y la resolución de problemas a veces se combinan con habilidades técnicas específicas del campo, como en escenarios médicos o educación química.
La creatividad a veces se estudia en el contexto de la propia realidad virtual, explorando cómo la tecnología puede mejorar los procesos creativos.
Algunas aplicaciones únicas incluyen el uso de realidad virtual para el entrenamiento de la empatía en entornos médicos y el desarrollo de habilidades de liderazgo a través de interacciones humanas virtuales.
Tema 2: tipos y usos de la RV
En esta selección de artículos se emplearon dos técnicas de RV predominantes: gráficos espaciales 3D y vídeo de 360 grados. Cada una de ellas presenta características y aplicaciones únicas que pueden influir significativamente en la eficacia del entrenamiento.
Gráficos espaciales 3D
Los gráficos espaciales 3D permiten la creación de entornos tridimensionales interactivos donde los participantes pueden moverse libremente e interactuar con personajes y objetos virtuales. Esta tecnología facilita la reproducción de escenarios realistas y reales (por ejemplo, negociaciones y gestión de conflictos [Chiang et al.],Citación2021 ), entrevista (Seinfeld et al.,Citación2024 )) y tareas de capacitación de nuevo diseño. Una ventaja clave de los gráficos 3D es su interactividad y la capacidad de cambiar dinámicamente el entorno en respuesta a las acciones del usuario. En un espacio 3D, los participantes tienen total libertad para moverse en cualquier dirección, lo que permite una inmersión más profunda en el mundo virtual y experiencias más atractivas que pueden influir significativamente en el desarrollo de habilidades interpersonales (Remacle et al.,Citación2023 ) (Figura 2).
Vídeo de 360 grados
Por el contrario, el vídeo de 360 grados ofrece grabaciones panorámicas que permiten visualizar escenas desde cualquier perspectiva, dando la sensación de estar en un lugar real. Esta tecnología es especialmente útil para la formación basada en la observación y el análisis de situaciones reales, como la realización de entrevistas de trabajo, la evaluación del comportamiento de los empleados o la realización de presentaciones públicas. El vídeo de 360 grados recrea escenas reales con alta fidelidad, lo que permite a los alumnos sumergirse por completo en visualizaciones realistas. Un ejemplo del uso del vídeo de 360 grados en la educación es un estudio descrito por Khoshnoodifar et al.Citación2024 ), donde se utilizó video de 360 grados para capacitar a equipos médicos en las estrategias y herramientas de TeamSTEPPS, lo que permitió a los participantes observar y analizar interacciones dinámicas de equipo en un contexto realista. Otro ejemplo es un estudio realizado por Wardian et al.Citación2023 ), en el que se utilizó un video de 360 grados para crear una experiencia virtual destinada a aumentar la empatía y la comprensión de los pacientes con diabetes al sumergir a los usuarios en su vida diaria.
Las diferencias entre estas tecnologías también son evidentes en sus costos de producción. La creación de gráficos 3D espaciales suele implicar costos más altos debido a la necesidad de software avanzado, un equipo de especialistas de diversos campos (programadores, artistas 3D, animadores) y una inversión considerable de tiempo para diseñar y probar elementos interactivos. El proceso de creación de entornos 3D realistas e interactivos requiere mucho tiempo y es costoso, lo que lo hace más adecuado para proyectos grandes con presupuestos adecuados. Por el contrario, la producción de video de 360 grados suele ser menos costosa y más accesible para equipos más pequeños. Requiere cámaras de 360 grados especializadas y software adecuado para la edición y el montaje de grabaciones (Chiang et al.,Citación2021 ). Aunque los costos de equipo pueden ser elevados, el proceso de producción suele ser más corto y menos complejo que el de los gráficos 3D. Dado que el video de 360 grados no requiere la creación de elementos interactivos, los costos de producción se reducen aún más. En consecuencia, muchas experiencias de RV diseñadas por capacitadores de habilidades blandas con recursos informáticos limitados prefieren soluciones de video de 360 grados, lo que permite crear experiencias inmersivas sin una inversión técnica y financiera significativa.
Los tipos de aplicaciones creadas con estas tecnologías también difieren significativamente. Los gráficos espaciales 3D se utilizan a menudo para crear aplicaciones de simulación que replican tanto escenarios realistas de la vida profesional diaria como tareas completamente nuevas y predefinidas, diseñadas para objetivos educativos específicos. La mayoría de las experiencias de RV destinadas a la formación en habilidades interpersonales utilizan escenarios reales transferidos a la RV. Por ejemplo, las simulaciones de negociación permiten a los participantes practicar la asunción de diferentes roles, la toma de decisiones en condiciones dinámicamente cambiantes y la gestión de reacciones inesperadas de personajes virtuales.
En el caso del vídeo de 360 grados, las aplicaciones suelen centrarse en presentar situaciones reales que los usuarios pueden observar y analizar. Estas aplicaciones son ideales para la formación en observación del comportamiento, análisis de situaciones sociales o desarrollo de la empatía. Los participantes pueden sumergirse en escenas auténticas, lo que les permite comprender mejor el contexto y las emociones asociadas a diversas situaciones. Ejemplos como la formación de equipos médicos o las experiencias virtuales destinadas a desarrollar la empatía con los pacientes demuestran la eficacia del vídeo de 360 grados para crear visualizaciones educativas realistas (Wardian et al.,Citación2023 ).
VR en equipo vs. VR individual
Las experiencias de realidad virtual basadas en equipos también merecen atención en el contexto de la capacitación en habilidades blandas (Elford et al.,Citación2021 ; Lee y Hwang,Citación2022 ), donde varios usuarios colaboran en un mismo escenario. Estas soluciones tienen un enorme potencial de formación, ya que permiten a los participantes interactuar en un entorno virtual que imita las experiencias reales de un equipo. Sin embargo, la implementación de estas aplicaciones requiere la introducción de avatares, que pueden personalizarse para representar a los usuarios, transmitiendo gestos, expresiones faciales y otras formas de comunicación no verbal. Si bien el desarrollo de avatares que replican con precisión estas características es prometedor, no se encontraron estudios específicos sobre este tema en la literatura revisada. Además, para garantizar la correcta sincronización de comportamientos entre todos los participantes en la experiencia de RV, se requieren tecnologías de TI muy avanzadas, que a menudo requieren infraestructura computacional externa adicional, lo que encarece y dificulta la logística de su implementación.
Solo el 16% de los artículos seleccionados ofrecían estudios y análisis de las posibilidades, características y funcionalidades únicas que ofrece la tecnología de RV. En cambio, los investigadores que utilizan la RV para mejorar las habilidades interpersonales suelen basarse en soluciones probadas. Entre las pocas excepciones se encuentra el estudio de Huang et al.Citación2023 ), que exploró cómo la RV puede apoyar la colaboración matemática mediante la coordinación de diversas modalidades de comunicación en entornos de RV. Otra excepción es el trabajo de Wagener et al.Citación2023 ), donde se utilizó la RV para guiar a los usuarios en reflexiones sobre desafíos personales. El estudio de Real et al. (Citación2022 ) analizó el uso de la RV en la capacitación de profesionales clínicos sobre la toma de decisiones en el tratamiento de la anemia de células falciformes. El artículo de Kleinlogel et al. (Citación2021 ) examinó cómo imitar el avatar en realidad virtual puede acelerar el aprendizaje de habilidades interpersonales. Por último, el estudio de Suárez et al. (Citación2021 ) evaluaron el uso de personajes virtuales para practicar y desarrollar habilidades de liderazgo.
Tema 3: Usuarios destinatarios y enfoques educativos
La adopción de la Realidad Virtual (RV) para la capacitación en habilidades interpersonales ha experimentado un crecimiento sustancial, impulsado por sus capacidades inmersivas e interactivas. Identificar a los usuarios objetivo es un paso crucial para desarrollar programas de capacitación en RV eficaces. La RV para la capacitación en habilidades interpersonales se dirige a una amplia gama de usuarios de diversos ámbitos. Por ejemplo, las simulaciones de RV permiten a los profesionales sanitarios, como médicos, enfermeros y otros profesionales de la salud, practicar habilidades técnicas, pensamiento crítico, resolución de problemas, empatía y comunicación con el paciente (Edwards et al.,Citación2023 ; Real y otros,Citación2022 ; Sapkaroski y otros,Citación2022 ; Seok-Young,Citación2023 ; Wardian y otros,Citación2023 ).
Las instituciones educativas pueden incorporar la realidad virtual para enseñar la colaboración y el trabajo en equipo (Elford et al.,Citación2021 ; Khalilia y otros,Citación2022 ; Lee y Hwang,Citación2022 ), resolución de problemas (Agbo et al.,Citación2023 ), comunicación (Ciupe et al.,Citación2023 ; Dumas y otros,Citación2022 ; Kaplan-Rakowski y Gruber,Citación2023 ; Lee y Hwang,Citación2022 ; Liaw y otros,Citación2023 ), autorreflexión (Wagener et al.,Citación2023 ), autoeficacia (Kleinlogel et al.,Citación2021 ) y el pensamiento crítico (Elford et al.,Citación2021 ; Lee y Hwang,Citación2022 ). Además, se puede capacitar a los docentes en la construcción colaborativa de conocimiento (Huang et al.,Citación2023 ), comunicación y autoeficacia (Remacle et al.,Citación2023 ).
Si bien la capacitación en RV para empleados corporativos puede acelerar la incorporación al integrar a los nuevos empleados en la cultura y los flujos de trabajo de la empresa, además de mejorar sus habilidades de liderazgo y toma de decisiones, no se encontraron artículos de investigación relevantes dentro del plazo y las palabras clave especificados. Lo mismo ocurre con el personal de seguridad pública y militar, donde la RV podría mejorar el trabajo en equipo y la comunicación en situaciones de estrés mediante escenarios realistas y brindar capacitación en un entorno seguro.
Los enfoques para el entrenamiento en RV para habilidades blandas en la presente selección de artículos involucraron principalmente simulaciones inmersivas individuales o en equipo (Agbo et al.,Citación2023 ; Ciupe y otros,Citación2023 ; Dumas y otros,Citación2022 ; Edwards y otros,Citación2023 ; Huang y otros,Citación2023 ; Kaplan-Rakowski y Gruber,Citación2023 ; Khalilia y otros,Citación2022 ; Kleinlogel y otros,Citación2021 ; Lee y Hwang,Citación2022 ; Liaw y otros,Citación2023 ; Real y otros,Citación2022 ; Sapkaroski y otros,Citación2022 ). Además, se han utilizado vídeos de 360 grados para estudiar la conciencia situacional (Collins et al.,Citación2021 ), examinan la eficacia del entrenamiento en realidad virtual 3D en la resolución de problemas, la autoeficacia y el trabajo en equipo entre voluntarios sin experiencia que ayudan con la prevención del consumo de drogas (Chiang et al.,Citación2021 ) y evaluar la empatía y las actitudes hacia la diabetes después de la inmersión virtual entre estudiantes de medicina (Wardian et al.,Citación2023 ).
Tema 4: tipos de evaluaciones y valoraciones
La evaluación es parte integral del ciclo de vida del desarrollo de software y se incorpora en diversas metodologías y procesos. Esta fase permite determinar el valor, la eficacia, la calidad y la usabilidad del software (Domingueti et al.,Citación2021 ).
Desde el punto de vista de la investigación, los instrumentos de evaluación de esta selección de artículos se clasificaron en dos grupos distintos. El primer grupo se centró en la evaluación de la experiencia y el diseño del usuario, lo que abarca el análisis de la estética de la interfaz, la interacción del usuario y la satisfacción general. Esta forma de evaluación suele basarse en la recopilación sistemática de datos mediante cuestionarios de satisfacción del usuario o usabilidad (Agbo et al.,Citación2023 ; Ciupe y otros,Citación2023 ; Dumas y otros,Citación2022 ; Lee y Hwang,Citación2022 ; Seinfeld y otros,Citación2024 ). Sin embargo, también puede incluir métodos de observación (Dumas et al.,Citación2022 ; Kleinlogel y otros,Citación2021 ) o culminar en una entrevista concisa en la que el usuario articula su experiencia (Collins et al.,Citación2021 ; Elford y otros,Citación2021 ; Wagener y otros,Citación2023 ) delineando las ventajas y limitaciones de la aplicación.
Un aspecto importante de la evaluación de la experiencia del usuario implica analizar sus respuestas emocionales. Esto puede lograrse evaluando introspectivamente los estados emocionales que genera la aplicación mediante cuestionarios de autoinforme (Girondini et al.,Citación2023 ; Kaplan-Rakowski y Gruber,Citación2023 ; Seinfeld y otros,Citación2024 ; Wagener y otros,Citación2023 ). También se puede lograr mediante el uso de aparatos externos como monitores de frecuencia cardíaca (Suárez et al.,Citación2021 ), mediciones de conductancia de la piel (Girondini et al.,Citación2023 ), gestos y seguimiento de movimiento (Huang et al.,Citación2023 ), o incluso reflexiones escritas analizadas a través de software de minería de texto (Lee y Hwang,Citación2022 ). A pesar del papel fundamental que desempeñan estas metodologías para comprender la influencia emocional de la aplicación en los usuarios, su aplicación sigue siendo poco frecuente, como lo demuestra su presencia en tan solo el 16 % de la literatura consultada. En el ámbito de la realidad virtual y su usabilidad, es crucial evaluar el impacto de la aplicación en los usuarios, especialmente en el contexto de la presencia (Suárez et al.,Citación2021 ), inmersión y aparición de cibermareos (Real et al.,Citación2022 ).
El segundo grupo se refería a la evaluación de la utilidad y la eficacia, en particular en cuanto a su influencia en el desarrollo de habilidades interpersonales como la comunicación, el trabajo en equipo y la resolución de problemas. En este contexto, se empleaban comúnmente pruebas de evaluación previa y posterior para medir el conocimiento adquirido sobre temas específicos. Sin embargo, estandarizar estas pruebas resulta complicado debido a su conexión intrínseca con el tema. Por ejemplo, si bien ambas pueden abordar habilidades interpersonales, la evaluación de una aplicación diseñada para la comunicación empática entre médicos y pacientes (Wardian et al.,Citación2023 ) diferiría significativamente de uno destinado a mejorar la autoconciencia y las habilidades para hablar en público (Agbo et al.,Citación2023 ; Kaplan-Rakowski y Gruber,Citación2023 ). La mejora de las habilidades se puede evaluar mediante diversos métodos, incluida la observación de expertos durante la ejecución de tareas (Sapkaroski et al.,Citación2022 ) o análisis de vídeo (Edwards et al.,Citación2023 ), pruebas personalizadas para competencias específicas (Khalilia et al.,Citación2022 ; Liaw y otros,Citación2023 ), métricas de rendimiento de tareas automatizadas, como el tiempo de finalización de la tarea (Agbo et al.,Citación2023 ) o frecuencia de error (Le Duff et al.,Citación2023 ), o incluso el análisis de señales biométricas, como la evaluación de la fluidez del habla (Remacle et al.,Citación2023 ) o el lenguaje corporal y el contacto visual (Palmas et al.,Citación2019 ).
Sorprendentemente, solo 11 artículos de la selección abordaron las directrices para el reclutamiento de participantes en el estudio. De los que lo hicieron, la mayoría reclutaron participantes entre estudiantes o profesores de una escuela o universidad en particular (Dumas et al.,Citación2022 ; Girondini y otros,Citación2023 ; Huang y otros,Citación2023 ; Kickmeier-Rust y otros,Citación2020 ; Kleinlogel y otros,Citación2021 ; Liaw y otros,Citación2023 ; Remacle y otros,Citación2023 ; Wardian y otros,Citación2023 ). Cabe destacar que tres reclutamientos se realizaron en línea (Agbo et al.,Citación2023 ), con dos redes sociales de apalancamiento (Suárez et al.,Citación2021 ; Wagener y otros,Citación2023 ).
Las aplicaciones se evaluaron principalmente mediante pruebas con usuarios finales, lo que indica que el 63 % de estas evaluaciones se realizaron en estudiantes, mientras que el 43,3 % contó con la participación de profesionales. Sin embargo, la selección de los grupos de usuarios para las pruebas depende de la aplicación específica y su función prevista. Cabe destacar que un solo estudio de la literatura revisada no definió su perfil demográfico de usuarios, optando en su lugar por abarcar un amplio rango de edad de participantes, de 22 a 70 años (Suárez et al.,Citación2021 ).
El estudio no encontró una correlación perceptible entre la edad y el género de los participantes y las solicitudes evaluadas. Si bien los investigadores generalmente coinciden en que es esencial una representación equitativa por edad y género entre los sujetos de prueba (Ciupe et al.,Citación2023 ), pueden surgir variaciones específicas debido a las condiciones únicas asociadas con el campo profesional que se examina o el contexto temático especializado de la aplicación (Edwards et al.,Citación2023 ; Seok-Young,Citación2023 ). La variabilidad en el número de validadores es considerable y se ve influenciada por el tema, así como por la accesibilidad de la población objetivo. Por ejemplo, en el estudio (Collins et al.,CitaciónEn 2021 , solo se reclutaron cuatro guías de kayak, lo que representa la cohorte mínima. Por el contrario, el grupo más grande estuvo compuesto por 216 estudiantes que evaluaron la solicitud y sus implicaciones únicamente mediante un cuestionario de autoinforme en línea (Hsiao,Citación2021 ). Solo el 36% de las investigaciones establecieron criterios de exclusión explícitos. Estos iban desde la falta de cooperación de los participantes, como se señala en (Khoshnoodifar et al.,Citación2024 ) y (Real et al.,Citación2022 ), a través de prerrequisitos relativos a la competencia tecnológica (Ciupe et al.,Citación2023 ), capacidades lingüísticas, habilidades o experiencia particulares (Chiang et al.,Citación2021 ) a la salud general (Remacle et al.,Citación2023 ) y el bienestar psicológico (Wagener et al.,Citación2023 ).
Discusión
El análisis anterior describe un área que aún se encuentra en sus etapas iniciales, impulsada por los avances tecnológicos y los objetivos y necesidades humanas que tradicionalmente han guiado la investigación posterior. A continuación, analizamos cinco cuestiones que surgen del análisis anterior y que merecen mayor atención y que podrían influir en la creación de una hoja de ruta de investigación en esta área.
Selección correcta del grupo objetivo e identificación de necesidades
Aunque en algunos casos se abordan conocimientos técnicos o procedimentales junto con habilidades interpersonales relevantes, la mayoría de las soluciones que analizamos están diseñadas para un público amplio, como todos los estudiantes, sin diferenciarlos según su campo de estudio o la etapa educativa específica y los desafíos que puedan enfrentar (de los Temas 1 y 2 anteriores). De hecho, las soluciones «universales» ofrecen la posibilidad de que una amplia gama de usuarios se beneficie de ellas. Como resultado, durante la fase de diseño, los creadores pueden estar impulsados por la idea de ayudar a una porción más amplia de la sociedad. Como tal, pueden ver la solución propuesta como más necesaria, más efectiva y con una respuesta más amplia a las necesidades de las personas actuales. Sin embargo, la investigación futura también debería explorar caminos menos transitados hacia soluciones más inclusivas adaptadas a las necesidades específicas de un grupo objetivo en particular. Este enfoque permitiría el desarrollo de propuestas más integrales que se centren en aspectos identificados por representantes de los grupos objetivo. Un análisis detallado de las necesidades de los usuarios finales, como el tipo de profesión, la identificación de las habilidades interpersonales más deseadas, o la edad y el nivel tecnológico de los usuarios, permitiría imaginar nuevos escenarios, funcionalidades y adaptaciones de interacción. En general, la investigación debería tener como objetivo identificar las necesidades específicas de los usuarios finales y adaptar las soluciones para satisfacerlas de la forma más completa posible.
El análisis también destaca un aspecto importante: la diferenciación en la selección de habilidades interpersonales para representantes de sectores empresariales específicos (del Tema 1). Por ejemplo, las soluciones creadas para el sector sanitario, que incluye, entre otros, a médicos y enfermeras, ofrecen grandes oportunidades para desarrollar habilidades técnicas, pensamiento crítico, resolución eficaz de problemas, empatía y una comunicación adecuada con los pacientes. Un área de preocupación en este contexto es la integración de enfermeras y médicos en el mismo grupo objetivo. Considerando el alcance de sus tareas diarias, su nivel de responsabilidad y las dificultades que enfrentan, así como las habilidades interpersonales más cruciales para sus diferentes roles, se deben considerar numerosas diferencias al crear soluciones que faciliten sus tareas diarias. Otro grupo al que se dirigen con frecuencia las soluciones son los representantes de instituciones educativas. En este caso, las aplicaciones se centran en el aprendizaje de la colaboración, el trabajo en equipo, la autorreflexión y el pensamiento crítico. Sin embargo, el alcance de esta formación debe ampliarse de acuerdo con los cambios que se están produciendo en el mundo contemporáneo y en el sistema educativo. El profesorado puede formarse en la construcción colectiva de conocimiento, la autoeficacia y la comunicación. En este caso, las soluciones atractivas desarrolladas en formato de equipo funcionarían bien.
En resumen, si bien muchas soluciones actualmente se dirigen a un público amplio, existe una creciente necesidad de enfoques más personalizados que aborden las necesidades específicas de grupos de usuarios específicos. Al centrarse en los desafíos únicos que enfrentan las diferentes profesiones, niveles educativos y niveles tecnológicos, los desarrolladores pueden crear herramientas más efectivas y relevantes. Por ejemplo, adaptar soluciones para médicos en lugar de enfermeras, o adaptar los programas de capacitación para educadores para incluir nuevas habilidades y métodos colaborativos, puede aumentar considerablemente su impacto. Las investigaciones futuras deberían abordar estas necesidades específicas e integrarlas en el diseño de soluciones para garantizar que las herramientas no solo sean universalmente accesibles, sino que también se ajusten plenamente a las necesidades particulares de sus usuarios.
Entornos exigentes con alto potencial
La realidad virtual (RV) ofrece capacidades excepcionales para acelerar los procesos de incorporación de nuevos empleados, mejorar las competencias de liderazgo y facilitar la toma de decisiones. Mediante entornos inmersivos que simulan condiciones laborales realistas, las empresas pueden minimizar el riesgo de errores costosos, a la vez que permiten a los empleados adquirir experiencia práctica en entornos controlados. La RV también puede acelerar significativamente el proceso de adaptación de los nuevos miembros del equipo al sumergirlos en situaciones empresariales reales, lo que les permite comprender y adoptar con mayor rapidez procedimientos y estrategias cruciales dentro de la empresa.
Un aspecto importante es fortalecer el liderazgo mediante la realidad virtual, lo que abre nuevos horizontes para el desarrollo de habilidades interpersonales como la comunicación, la gestión de equipos y la resolución de conflictos. Las simulaciones de realidad virtual pueden recrear situaciones complejas y estresantes donde los líderes deben tomar decisiones rápidas bajo presión y limitaciones del entorno. Aunque virtuales, estas experiencias son valiosas, ya que permiten a los gerentes desarrollar sus competencias en un entorno seguro donde pueden aprender de sus errores sin consecuencias reales para la empresa.
Sin embargo, a pesar de estos aparentes beneficios, aún es necesario mejorar la investigación y el análisis científicos adecuados sobre el impacto de la RV en la aceleración de la incorporación, el desarrollo del liderazgo y la toma de decisiones. La mayoría de los estudios disponibles se centran en los aspectos técnicos de la RV, como la interacción del usuario con el sistema o los efectos visuales (Tema 2), en lugar de en una investigación exhaustiva sobre su impacto en el desarrollo organizacional y el capital humano en entornos corporativos (Tema 4). Como resultado, existe una importante brecha de conocimiento que podría proporcionar a las empresas evidencia concreta de la efectividad de invertir en tecnologías de RV: se dedica poca atención a investigar cómo las posibilidades impactan en el aprendizaje y al desarrollo de mejores prácticas y directrices generales.
Existen desafíos similares en el uso de la RV en la seguridad pública y el ámbito militar. Si bien se reconoce el potencial de la RV para mejorar el trabajo en equipo y la comunicación en situaciones de estrés mediante la creación de escenarios de simulación realistas, las soluciones innovadoras en este ámbito también son limitadas. La realidad virtual puede simular situaciones difíciles de replicar en ejercicios reales, como condiciones de combate, crisis o misiones de rescate. Los participantes pueden adquirir una valiosa experiencia en un entorno controlado, aprendiendo a cooperar, comunicarse y tomar decisiones bajo presión y en situaciones de alto riesgo.
A pesar de estas posibilidades, la investigación sobre la eficacia de la RV para mejorar el trabajo en equipo y la comunicación en condiciones extremas aún se encuentra en sus primeras etapas (Temas 2 y 4). La mayoría de los datos disponibles se basan en estudios de caso o muestras pequeñas, lo que limita la capacidad de extraer conclusiones generales y aplicarlas en un contexto operativo más amplio. Se requiere una investigación más compleja que considere los efectos a largo plazo del entrenamiento en RV y su impacto en las acciones y decisiones reales que se toman en situaciones de crisis.
Por lo tanto, vemos una necesidad urgente de una investigación más exhaustiva que no solo confirme la eficacia de la RV en estas áreas, sino que también permita el desarrollo de mejores prácticas y estándares para la implementación de estas tecnologías en diferentes sectores. Solo así la RV podrá alcanzar su máximo potencial como herramienta para la formación y el fortalecimiento de las habilidades de liderazgo y trabajo en equipo en los entornos más desafiantes.
Soluciones individuales y grupales
Las futuras investigaciones sobre el uso de la RV para el aprendizaje de habilidades interpersonales deberían considerar el desarrollo de aplicaciones tanto para individuos como para equipos, con el objetivo de analizar y comparar su eficacia en diferentes contextos (Temas 2 y 4). Habilidades interpersonales como la comunicación, la empatía, la gestión del tiempo, la resolución de conflictos y el trabajo en equipo desempeñan un papel fundamental en el funcionamiento eficaz de los empleados y de las organizaciones. Gracias a sus propiedades inmersivas, la realidad virtual ofrece una oportunidad única para simular situaciones en las que estas habilidades pueden desarrollarse de forma dinámica y realista.
Para las aplicaciones de RV dirigidas a personas, la investigación debería centrarse en evaluar hasta qué punto esta tecnología favorece el desarrollo de habilidades interpersonales en comparación con los métodos de formación tradicionales. Es fundamental comprender cómo el entorno inmersivo de RV afecta la participación, la memoria y la eficacia del aprendizaje. También será crucial explorar cómo se pueden adaptar diferentes escenarios de RV a las necesidades individuales del usuario, permitiendo así la personalización del proceso de formación. Por ejemplo, el entrenamiento en comunicación podría implicar la simulación de conversaciones con diferentes tipos de personalidad, lo que permitiría a los usuarios practicar estrategias adecuadas según el contexto.
Por otro lado, las aplicaciones de RV diseñadas para equipos deben evaluarse por su eficacia para fomentar la colaboración, generar confianza y resolver problemas dentro del grupo. La realidad virtual ofrece una oportunidad única para crear simulaciones que requieren que el equipo trabaje en equipo bajo presión o ante desafíos complejos. La investigación debe examinar cómo estas experiencias de RV afectan la dinámica, la comunicación y la eficacia general del equipo. También es importante comprender cómo los diferentes modelos de colaboración e interacción en RV se traducen en comportamientos y relaciones fundamentales en el entorno laboral.
Un aspecto clave de la investigación futura debería ser comparar la eficacia de las aplicaciones de RV diseñadas para individuos y aquellas diseñadas para equipos. Es importante investigar en qué situaciones la RV, como herramienta para el aprendizaje de habilidades blandas, ofrece los mejores resultados: si se logran mejores resultados mediante el desarrollo de habilidades individuales o mediante experiencias compartidas en equipo. Las respuestas a estas preguntas podrían proporcionar información valiosa para el diseño de programas de formación que integren eficazmente el desarrollo individual y de equipo.
La investigación también debería centrarse en los efectos a largo plazo del uso de la RV para enseñar habilidades interpersonales. Es crucial comprender la perdurabilidad de las habilidades adquiridas y cómo los usuarios las transfieren a su práctica profesional diaria. Los estudios también podrían explorar hasta qué punto las sesiones regulares de RV pueden generar cambios más profundos en el comportamiento y la actitud de los usuarios, en comparación con sesiones de capacitación puntuales.
En conclusión, las futuras investigaciones sobre el uso de la RV para la capacitación en habilidades interpersonales deben adoptar un enfoque holístico que considere las diferentes necesidades de cada usuario y equipo. Solo mediante un análisis exhaustivo, la comparación y la evaluación de la eficacia de diferentes modelos de capacitación se podrá comprender plenamente el potencial de la RV como herramienta para el desarrollo integral de habilidades interpersonales en un entorno laboral en constante cambio.
Vídeos de 360 grados frente a experiencias de realidad virtual 3D
Las futuras investigaciones sobre el uso de la realidad virtual para la formación en habilidades blandas deberían centrarse en determinar qué soluciones tecnológicas generan resultados educativos mejores y más satisfactorios. En este contexto, conviene comparar dos enfoques populares: vídeos de 360 grados y experiencias de RV 3D totalmente interactivas, para evaluar su eficacia y adaptar las estrategias de formación a las necesidades de los usuarios (Tema 2).
Los videos de 360 grados, aunque son más fáciles de producir, permiten a los usuarios sumergirse en escenas del mundo real capturadas con cámaras de 360 grados. Con un visor de RV, los usuarios pueden «entrar» en el mundo de la película, mirar a su alrededor en cualquier dirección y experimentar los eventos para crear una sensación de presencia y participación en la situación que se muestra. Sin embargo, estos videos tienen ciertas limitaciones. La falta de interacción con el entorno y la capacidad limitada para influir en el curso de los eventos pueden hacer que el usuario se convierta en un observador pasivo, lo que puede involucrarlo solo parcialmente. Por otro lado, la simplicidad del video de 360 grados lo hace más accesible y más fácil de incorporar en los programas de capacitación, lo que puede ser una ventaja significativa, especialmente cuando el presupuesto y el tiempo son limitados. Además, los videos de 360 grados pueden ser más intuitivos y menos intimidantes para las personas que no han tenido experiencia con tecnologías de RV.
En cambio, las experiencias de RV 3D ofrecen mucha más interactividad y personalización. Los entornos de RV totalmente tridimensionales permiten a los usuarios moverse libremente por el mundo virtual, interactuar con objetos y tomar decisiones que afectan directamente el desarrollo de la simulación. Estas soluciones son mucho más atractivas, ya que el usuario se convierte en un participante activo en lugar de un simple observador. La RV 3D también permite la creación de escenarios complejos y dinámicos que reflejan con mayor precisión las situaciones reales que los usuarios pueden encontrar en su vida profesional. Esto hace que estas experiencias sean especialmente valiosas para el aprendizaje de habilidades interpersonales como la gestión de conflictos, la negociación o el liderazgo, donde las decisiones deben tomarse en función de las condiciones cambiantes y las reacciones de los demás.
Comparar las experiencias de video de 360 grados y RV 3D puede brindar información valiosa sobre la efectividad de ambos enfoques en diferentes contextos educativos, pero existe una falta de investigación sobre estos aspectos (Tema 4). El nivel de inmersión y participación es uno de los aspectos críticos a examinar. Es importante comprender cómo cada solución involucra emocional y cognitivamente a los usuarios, y cómo esto afecta su retención a largo plazo del contenido de capacitación. Si bien el video de 360 grados, a pesar de ser menos interactivo, puede ser suficiente para lograr los objetivos principales de la capacitación, especialmente en escenarios menos complejos, la RV 3D, con su mayor nivel de interactividad, puede generar una inmersión más profunda, lo que resulta en mejores resultados en la capacitación en habilidades interpersonales.
Otro aspecto crucial que debe analizarse es la eficacia del aprendizaje en el contexto de la retención y transferencia a largo plazo de las habilidades adquiridas a situaciones profesionales reales (Tema 4). La investigación debe indagar qué enfoque (vídeo de 360 grados o RV 3D) facilita mejor la consolidación de los conocimientos adquiridos y su aplicación práctica. También es importante considerar las percepciones subjetivas de los usuarios sobre ambas tecnologías. ¿Prefieren los usuarios las experiencias más inmersivas e interactivas que ofrece la RV 3D o valoran la simplicidad y accesibilidad del vídeo de 360 grados? Sus opiniones pueden aportar información valiosa sobre cómo diseñar e implementar programas de formación para que sean lo más eficaces y satisfactorios posible.
También se debe considerar el costo y la logística de implementar estas tecnologías. El video de 360 grados suele ser más económico y fácil de producir, lo que lo hace más rentable cuando los presupuestos son limitados. Por otro lado, la realidad virtual 3D, si bien es más costosa y compleja de producir, puede ofrecer beneficios aún mayores en programas de capacitación a largo plazo donde se requieren efectos educativos más profundos y duraderos.
En conclusión, las futuras investigaciones sobre el uso de la RV para la formación en habilidades interpersonales deben centrarse en comprender a fondo qué tecnologías (vídeo de 360 grados o experiencias de RV 3D completas) son más eficaces en diferentes contextos y para distintos grupos de usuarios. Solo comparando y evaluando sistemáticamente ambos enfoques se podrán desarrollar las mejores prácticas y estrategias para maximizar el valor educativo de la RV y optimizar su potencial en el desarrollo de habilidades interpersonales.
Equipos interdisciplinarios y creación de un panel moderador
A través de nuestra revisión del desarrollo de aplicaciones de realidad virtual para la capacitación en habilidades blandas, hemos visto el enorme potencial de las aplicaciones basadas en gráficos 3D. La clave del éxito en este contexto reside, sin duda, en la creación de un equipo interdisciplinario con una sólida formación en programación (de los Temas 2 y 4). Un equipo así ofrece una ventaja significativa con un potencial que vale la pena aprovechar, lo que justifica el desarrollo de una aplicación atractiva que capte el interés de los usuarios y destaque por su complejidad y precisión. De esta forma, los usuarios objetivo pueden participar en diversas actividades interactivas y en un trabajo en equipo real y profundo. Aprovechar al máximo el potencial del equipo del proyecto potenciará la originalidad y singularidad de la aplicación, aumentando así sus posibilidades de obtener una mayor aceptación entre el público objetivo.
Además, se debe prestar atención a los elementos que aún se esperan en las aplicaciones diseñadas para la capacitación en habilidades interpersonales. Pocas de las soluciones analizadas cuentan con un componente único: el panel de moderadores. La creación de una herramienta de este tipo para un mentor o supervisor responsable de supervisar la capacitación en habilidades interpersonales en RV representa un paso innovador que podría impactar significativamente la efectividad y la calidad de la capacitación. La singularidad de esta solución reside en su capacidad para brindar al mentor control total sobre el proceso de capacitación en realidad virtual, abriendo nuevas posibilidades de personalización e interacción con los participantes. Concebimos el panel de moderadores como una cabina de mando donde el mentor puede monitorear el progreso de los participantes en tiempo real, analizar sus reacciones y ajustar dinámicamente el programa de capacitación a sus necesidades.
Este panel permitiría al mentor observar cómo responden los participantes a los distintos elementos de la capacitación, identificar rápidamente las áreas donde podrían tener dificultades y ajustar de inmediato el ritmo o el contenido de la capacitación. Además, las funciones interactivas permitirían al mentor comunicarse instantáneamente con los participantes, brindar orientación, hacer preguntas o sugerir escenarios alternativos a nivel grupal e individual. Este enfoque personalizado permite que la ruta de capacitación se adapte con mayor precisión a las necesidades de cada participante, lo que aumenta significativamente la efectividad general del proceso.
Otra ventaja clave del panel de moderadores es la posibilidad de generar informes detallados sobre el progreso de los participantes, lo que facilita al mentor decidir los siguientes pasos de la capacitación. Por ejemplo, el mentor podría evaluar mejor las habilidades interpersonales de los participantes, como el trabajo en equipo, la comunicación o la gestión del estrés, analizando su comportamiento en diversos escenarios simulados. Además, el panel permitiría gestionar y modificar los escenarios de capacitación, introduciendo nuevos desafíos y adaptando las condiciones de simulación a las necesidades cambiantes de la capacitación.
La incorporación de un panel de moderadores de este tipo en la formación de habilidades blandas en realidad virtual podría ser una herramienta revolucionaria que aumente la eficacia de la formación y cree un entorno más interactivo, personalizado y atractivo para el desarrollo de habilidades blandas esenciales. Como resultado, esta solución no solo empodera a los mentores, sino que también ayuda a preparar mejor a los participantes para los retos profesionales del mundo real.
Conclusión
Este artículo presentó una revisión de literatura inspirada en el método GTLR (Wolfswinkel et al.,Citación2013 ) tuvo como objetivo mapear los usos de varios enfoques de VR para entrenar habilidades blandas en la educación profesional.
Este trabajo de revisión adoptó una perspectiva específica sobre el entrenamiento de habilidades blandas en la formación profesional, estableciendo inicialmente un conjunto definido de habilidades sociales, sin definir el concepto de realidad virtual. Además, decidimos excluir toda aplicación de la RV al entrenamiento de habilidades blandas para la educación especial y en el ámbito clínico. Si bien estas limitaciones impiden una comprensión completa del potencial de la RV para el entrenamiento de habilidades blandas, respondieron a una pregunta específica destinada a definir un área de investigación específica. Creemos que, si bien algunos aspectos podrían perfeccionarse en trabajos posteriores, estas limitaciones no redujeron el valor de los hallazgos.
Analizamos 33 artículos publicados en congresos y revistas científicas entre 2019 y 2024 para comprender cómo la investigación actual aborda el uso de la realidad virtual en la enseñanza y el desarrollo de habilidades interpersonales. A pesar de observar un aumento significativo en el uso de la realidad virtual para el aprendizaje y el refuerzo de habilidades interpersonales, este desarrollo se ve impulsado continuamente por las capacidades interactivas e inmersivas que ofrece la tecnología de realidad virtual en constante evolución. Sin embargo, nuestro análisis muestra que, en muchos aspectos, la investigación en esta área aún se encuentra en las etapas iniciales de su desarrollo más significativo y de aprovechar al máximo el potencial de la tecnología moderna.
Identificamos cinco direcciones para el avance de la investigación sobre el uso de tecnologías modernas en el desarrollo de habilidades blandas: (1) un aspecto esencial del diseño de la capacitación en realidad virtual es la identificación y selección adecuada del público objetivo. Esto permite la expansión y personalización de los ejercicios para satisfacer las necesidades de diferentes campos y ramas del desarrollo profesional; (2) creemos que existen entornos que, a pesar de la atención significativa y el uso potencial de las tecnologías inmersivas, se pasan por alto y se olvidan, lo que resulta en la infrautilización del potencial de los programas de capacitación creados; (3) la investigación futura debe centrarse en el desarrollo de aplicaciones tanto para individuos como para equipos, así como en su comparación y evaluación de la efectividad; (4) otro aspecto que vale la pena investigar es qué soluciones tecnológicas utilizadas en el diseño de aplicaciones producen resultados mejores y más satisfactorios. En este caso, sería valioso comparar videos de 360 grados con experiencias de RV 3D; (5) finalmente, un tema crucial que merece atención es el pleno aprovechamiento del potencial de los individuos dentro de los equipos de proyecto para las soluciones propuestas. Creemos que los equipos interdisciplinarios deben aprovechar al máximo sus conocimientos para crear soluciones integrales, teniendo en cuenta toda la gama de posibilidades y necesidades.
Sobre la inteligencia artificial se escribe, se dice y se opina mucho más de lo que se la utiliza en la realidad, se la aplica menos y se trabaja sobre ella simplemente en proyectos que están incubando y que están tratando conseguir clientes prestadores sanatoriales, que comiencen a utilizarla y fortalecer sus bases de datos y probar los algoritmos.
Eric Topol en el 2024, en una conferencia magistal en el Grand Rounds Contemporary Clinical Researchers Great Teachers que la humanidad está a punto de vivir «el momento más emocionante de la medicina» debido a los extraordinarios avances en inteligencia artificial y sus aplicaciones en el futuro cercano.
La integración de la inteligencia artificial en la atención médica es recibida con un inusitado entusiasmo, pero debemos tener cautela, saber esperar, superponer con los sistemas actuales, y en el mientras tanto acelerar la transformación digital, depurar bases de datos, incorporar decididamente una historia clínica electrónica. Realizar acciones para evitar que la desigualdad injusta se cristalice. Una porción importante de esto es su confiabilidad, que se encuentra en la intersección de la tecnología, la práctica clínica, la ética, la responsabilidad. Es que los sistemas debieran ser confiables, seguros y transparentes, que las cohortes sean las adecuadas, que estén anonimizadas, las dificultades de obtener el consentimiento informado que pueda explicar la tecnología compleja involucrada, un compromiso de los datos abiertos, que requiere medidas de privacidad adicionales. Gran parte de la fiabilidad radica en que base de datos e información se utilice para su carga, que datos incluimos, la documentación de los datos de entrenamiento de los algoritmos.
Los productos comerciales de inteligencia artificial aprobados por la FDA, (1016) están dirigidos a problemas específicos, con métodos diferentes, más o menos complejos, de machine learning o deep learning, con mayor o menor nivel de aprendizaje, es mucho más prometedor que realizador.
Otras innovaciones de este siglo fueron muy esperanzadoras como la descripción completa del genoma, pero no se logra interpretar todo los que nos quiere decir, se abrió la caja de Pandora, pero todavía no sabemos que quedó dentro.
Esta perspectiva de la inteligencia artificial transita la investigación para describir importantes alternativas en los tratamientos, el campo del diagnóstico, de la investigación de los fármacos y clínica, de la cirugía, de los quirófanos, de las imágenes, de la histopatología, de las imágenes de la piel y de la retina, de los diagnósticos diferenciales, de la capacidad del pensamiento médico y disminución de los errores o eventos adversos prevenibles.
Poco es lo que se normalizan los datos en la salud, se almacenan en historias clínicas electrónicas, se analizan estos resultados y se buscan las relaciones inteligentes. Existen justificativos para que eso ocurra. Perohay que abandonar ese laberinto de confusión en la cual estamos. Puesto que la inteligencia artificial no es la solución a todos los problemas.
La recopilación y revisión de la información disponible añade otro obstáculo que HIT necesita sortear con éxito. Irónicamente, la escasez y el exceso de información pueden coincidir incluso en el registro de un solo paciente.Los médicos escriben rutinariamente evaluaciones, resúmenes de casos e informes de pruebas y recopilan datos de laboratorio, pero los hallazgos individuales a menudo son significativos solo en el contexto relevante, ya sea en retrospectiva, al estimar el progreso, o en relación con otras condiciones concurrentes al considerar la gravedad. Sin embargo, esta información puede almacenarse en múltiples sistemas de registros médicos electrónicos (EHR) o en sistemas auxiliares que pueden o no ser funcionalmente interoperables. Es posible que los pacientes tratados en diferentes lugares que reciben atención y servicios especializados solo tengan partes de sus datos históricos registrados en un sistema de EHR, y es posible que el médico revisor no esté al tanto de los eventos críticos descritos en fuentes inconexas (Weber et al. 2017).Incluso la información que se puede encontrar en un solo sistema puede no ser fácilmente accesible para una revisión contextual adecuada.
Estamos frente a una era de la información, la salud es una gran generadora de datos y de conocimientos.
En la salud se invierte alrededor del 10% del PBI mundial. Pero lo que más crece es la cuenta de medicamentos. Los medicamentos en 2024, en argentina aumentaron la facturación aunque se disminuyó la venta en mostrador, la industria farmacéutica en Argentina registró una facturación total de $7,48 billones de pesos, con un aumento del 254.9% en comparación con 2023. A nivel mundial, la facturación de medicamentos es mucho mayor, con ingresos globales que superaron los 1.5 billones de dólares en 2023, principalmente impulsados por Norteamérica. En el 2020 estaba en 1.1 billones de dolares.
La atención de los pacientes esta envuelta y comprometida por la disposición de medios al alcance de los profesionales y los pacientes, y de la falta de conocimientos confiables e independientes esto es lo que potencialmente podría mejorar la inteligencia artificial.
Por la naturalización que la salud debe ser una conquista individual de ascenso social como la educación, y que por ello debe ser privada, carece de transparencia entre quien la financia y la produce, se esta ajustando mediante el aumento del gasto de bolsillo.
La inteligencia artificial en la gestión sanitaria se refiere a la aplicación de algoritmos de automatización, análisis de datos y aprendizaje automático para mejorar el diagnóstico médico,la planificación del tratamiento y la prestación general de asistencia sanitaria. Ahora podría ser una herramienta vital para mejorar la productividad y los resultados de los pacientes debido a las crecientes demandas de atención médica y un enfoque cada vez mayor en la medicina de precisión. (Topol, 2019). El análisis predictivo, los tratamientos individualizados y la detección temprana de enfermedades son posibles gracias a la incorporación de la IA en la gestión de la salud. Las aplicaciones son numerosas y revolucionarias, y van desde sofisticados modelos de aprendizaje automático que pronostican brotes de enfermedades hasta chatbots impulsados por IA que ayudan a los pacientes.
Tener información y datos para ganar una posición de mercado mayor, es importante para estas empresas. Será un gran negocio tener datos de salud y comercializarlos, para que los nuevos desarrollos sepan cual es el tamaño del mercado. Asimismo, el envejecimiento de la población, la epidemia de las enfermedades crónicas, el aumento de los costos de tratamiento, la tecnología es costosa y en muchos casos, se trabaja en la parte plana de la curva, o sea que el aumento del gasto no se correlaciona con la mejora de los resultados. La fragmentación de la atención en la medicina, la prescripción inadecuada, la medicina defensiva, la judicialización, generan inflación del gasto en salud con respecto al PBI.
La experiencia negativa y frustrante a la cual nos enfrentamos cuando se quieren tomar decisiones en función de algunos indicadores o métricas de mala calidad, o bien buscar relaciones causales, y con ello descifrar y planificar las características que debe tener la oferta de servicios adecuados a la producción y la atención de los pacientes, las dificultades y complejidades de evitar la atención fragmentada y episódica, que no es solo por si el paciente tiene cobertura o no, si tiene prepaga u obra social, si tiene atención gestionada o no programada, la falta de vocaciones, profesionalismo, agotamiento, multiempleo y paga miserable, constituyen un combo nefasto para impulsar un proceso de cambio profundo.
Por otra parte, Cuando hay información además no es compartida y no es fácil disponer de ella. Uno entra en una «interpretación de sombras chinescas». Los precios «sombra», los intercambios «extracontractuales» los intereses, el desconocimiento de la efectividad clínica real, la ciencia coaptada, el desierto que recorre la evidencia científica hasta llegar a la práctica, que tarda diecisiete años en difundirse, el uso irracional de medicamentos, la polifarmacia, el uso indiscriminado de antibióticos y de benzodiacepinas.
Las carencias más elementales que viven los sistemas de salud de nuestro país, la falta de controles, no ir a buscar las necesidades de las personas, realizar un modelo de práctica episódica.
Y entonces hablamos de inteligencia artificial, de los prompts, de los ChaptGPT, de las alucinaciones de sus respuestas, de «que va a reemplazar a los médicos» de la búsqueda dedicada que nos acompaña y nos enseña, mientras seguimos con la tracción a sangre de los papeles, de los estudios diagnóstico que no impactan en ningún HIS y por supuesto el alma de los que todavía y pese a todo tienen vocación y esperanza.
Lo digo desde el apasionamiento por estar explorando esta nueva era del conocimiento, que me encuentra al final de la existencia, este pasaje, en esta dimensión, pero igualmente con esfuerzo trataré de alfabetizarme y difundir esta alternativa para ser mejores y cometer menos errores, superar al ojo y la inteligencia humana con esa ayuda que nos permite ver imágenes y hacer mejores diagnósticos, evitar falsos negativos y poder actuar antes, llegar a una mayor población, donde no pueden llegar los servicios. Construyendo más equidad.
La creciente dependencia de la toma de decisiones basada en datos y los sistemas inteligentes ha hecho que la IA no sea solo una herramienta de apoyo, sino un componente fundamental para avanzar en la eficiencia, la accesibilidad y la calidad de la atención sanitaria.
A medida que evoluciona el panorama de la atención médica, es esencial comprender cómo las tecnologías de IA como los chatbots, los asistentes virtuales, la computación cognitiva y la cadena de bloques están redefiniendo las prácticas tradicionales y permitiendo nuevos modelos de atención.
Los profesionales de la salud, los responsables políticos y los tecnólogos son partes interesadas en esta transformación. Su compromiso colectivo en la adopción y la gestión responsable de la IA determinará el éxito de la integración de estas herramientas en nuestros sistemas sanitarios. La intersección de la tecnología y el cuidado debe navegarse con innovación y compasión.
Convirtiendo a muchos médicos que no se han podido actualizar en mejores médicos, en diagnosticar apropiadamente una retinopatía, un melanoma, un cáncer de mama, mejorar la histopatología, la aparición de brotes epidémicos, controlar epidemias, pacientes a distancia, de evitar errores quirúrgicos, de hacer más segura la cirugía, de predecir el Alzheimer, de poder identificar células neoplásicas circulantes, de acelerar las investigaciones científicas y acortar la investigación básica, una manejo apropiado de los quirófanos y las camas, elegir los mejores tratamientos para Ca de Próstata, de Recto, reunir información apropiada más rápidamente, tener un asistente que no se cansa, que ayuda a pensar, que está ansioso por nuestras preguntas, que a veces se equivoca, es cierto, y algunas conclusiones no se relacionen con la verdad del paciente, pero este es un camino que no tiene límites en cuanto a su profundidad, por ello con la inteligencia artificial nos estamos introduciendo en la medicina profunda, la que no vemos visualizando la parte del iceberg que sobresale en la superficie, pero tenemos que ir por la profundidad del conocimiento de lo desconocido, la inteligencia artificial está para hacernos más seguros y efectivos.
La importancia de los profesionales, de los equipos de salud, de la relación médico paciente, de escuchar a los pacientes, el criterio clínico, la experiencia de ver casos, de estudiar, de indagar, de trabajar con personas apasionadas y comprometidas, que tengan un propósito parecido no se perderá, será aún más importante. Se tendrá menos incertidumbre, se encontrarán más respuestas, pero se nos crearán más preguntas. Ser cuidadosos desde donde tomamos los datos, y entender que si usamos la inteligencia artificial no estamos delegando responsabilidad, esa nos pertenece, esta afincada en la deontología, sumamos un nuevo integrante al equipo, la inteligencia artificial, y la obligación de estudiar cada día más porque el conocimiento se reproduce a una velocidad que nos exige cada momento más.
Abandonar el reporte del amateurismo y el hablemos sin saber, luego que pase esta corriente de la opinonología, de los que nada saben de lo mucho que hablan, y hablan porque no les cobran las palabras, y discurren sobre los caminos comunes y no sobre las verdaderas perspectivas. La desconfianza, y la búsqueda de referencias de lo que hay en lo convolucional es fundamental, pero no por ello no discurrir por esas exploraciones que nos llevarán a poder hacer mejor nuestra profesión, su ejercicio, su servicio y poder ayudar a mayor cantidad de personas, de comunidades para que estén más saludables.
Los trabajos que se publican tienen diseños metodológicos inconsistentes. Al analizar la literatura reciente y las regulaciones internacionales, se identifican lagunas relevantes en la práctica actual y destaca la urgencia de establecer lineamientos claros y metodologías robustas para garantizar la confiabilidad y aplicabilidad de estos modelos. La discusión se centra tanto en los desafíos metodológicos como en las implicaciones éticas y clínicas, promoviendo un enfoque colaborativo que integre la perspectiva estadística, la experiencia clínica y la voz de las personas usuarias y pacientes. La mayoría de los estudios de IA no proporcionan una justificación para los tamaños de muestra elegidos y, con frecuencia, se basan en conjuntos de datos que son inadecuados para entrenar o evaluar un modelo de predicción clínica.
La proliferación de la IA también plantea preocupaciones en torno a la rendición de cuentas, ya que actualmente no está claro si los desarrolladores, reguladores, vendedores o proveedores de atención médica deben rendir cuentas si un modelo comete errores incluso después de haber sido validado clínicamente a fondo.
La inteligencia artificial en argentina esta en estado embrionario, porque los sistemas de salud tienen datos no digitalizados, muchos de los que tienen digitalizadas sus bases, cuando se indagan en ellas, recogemos mucha basura dentro de los sistemas y cuando los empresas quieren trabajar en ellos generan basura, no es posible aplicarla el corto plazo, ya que deben normalizarse muchos aspectos que anteceden en el ecosistema de salud, y que incluyen la interoperabilidad de los HIS, RIS, LIS Y LA HCE, depurarlos, normalizarlos, extraerlos limpios, hacer la minería de los datos y las ciencia sobre los mismos, para comenzar a trabajar con firmeza en los distintos campos, teniendo una etapa de crecimientos no uniformes, ni armónicos, con mayor o menor nivel de inversión. Es natural, que habiendo vivido en este país me preocupe por el uso ético de los datos, y que los malos actores interesados puedan aprovecharse del conjunto de datos médicos, que contengan gran cantidad de información confidencial sobre pacientes reales. El aspecto legislativo, el marco normativo no está definido. Las responsabilidades con su desarrollo, quién evaluará su alcance y posibilidades a todos los desarrollos que se están gestando. Que están corriendo una carrera para obtener clientes que puedan acelerar los desarrollos. No hay suficiente inversión y las instituciones están apremiadas por otras urgencias de subsistencia.
Debiéramos buscar un futuro donde la IA Actúe como un colaborador, un aliado, un asistente, un multiplicador y un transformador confiable. El trabajo futuro debe centrarse en la creación de un ecosistema que permita la integración de datos clínicos, el flujo de información clínica y el aprovechamiento del poder de la IA. Además, debe prever procesos que aceleren la atención médica basada en datos. Una perspectiva clínica/paciente es fundamental, más que una simple perspectiva de TI, para optimizar el flujo de trabajo clínico futuro.La atención al paciente puede avanzar en gran medida mediante el aprovechamiento cuidadoso de nuevas y poderosas formas de HIT en un entorno colaborativo donde la compenetración humana, la ética y el razonamiento complejo seguirán siendo el dominio exclusivo de los profesionales de la salud (Jennings et al. 2021)
02128-7/asset/510d40ec-7a43-407f-be06-ba71a554c57a/main.assets/fx1.jpg)
