La educación médica de precisión: cuando la inteligencia artificial deja de evaluar en masa y empieza a acompañar trayectorias individuales

Una residente termina su guardia con la sensación de haber aprendido mucho. Vio pacientes complejos, tomó decisiones difíciles y recibió un comentario breve de su adjunto antes de irse a casa. Otro residente, en el mismo hospital y en la misma semana, completó una experiencia parecida, pero no salió con las mismas fortalezas ni con las mismas dudas. Sin embargo, ambos seguirán una trayectoria casi idéntica. Cada vez que pienso en esa escena, me parece más evidente la pregunta que plantea el artículo que aquí analizo: si la práctica clínica reconoce que cada paciente necesita un abordaje distinto, ¿por qué la educación médica sigue tratando con tanta frecuencia a sus aprendices como si todos necesitaran lo mismo?

Eso es, precisamente, lo que intenta analizar el artículo sobre precision medical education, o educación médica de precisión. Triola y Burk-Rafel no presentan un ensayo clínico ni un algoritmo revolucionario aislado. Hacen algo distinto, y en cierto modo más profundo: proponen un marco conceptual para entender cómo la educación médica podría dejar de organizarse alrededor de trayectorias uniformes y empezar a adaptarse, de forma más inteligente, a las necesidades reales de cada estudiante o residente. En esa transición convergen varias corrientes que ya venían ganando fuerza, como la formación basada en competencias, la personalización del aprendizaje y el uso creciente de datos, analítica e inteligencia artificial.

La pregunta de fondo es sencilla, aunque sus implicaciones no lo sean: si en medicina clínica hemos aprendido a aceptar que no todos los pacientes deben recibir la misma intervención, ¿por qué seguimos formando a todos los futuros médicos bajo trayectorias relativamente uniformes? Los autores parten de una constatación muy reconocible para cualquiera que siga la evolución de la educación médica contemporánea. Las facultades y los programas de residencia están intentando moverse hacia modelos más flexibles, con progresión basada en competencias, itinerarios diferenciados, coaching individual y evaluaciones más continuas. El problema es que esa aspiración choca con la complejidad del mundo real. Hay demasiados datos, demasiadas evaluaciones, demasiadas decisiones que tomar, y muy poco tiempo para que docentes, mentores y responsables de programa conviertan toda esa información en acciones útiles.

Aquí es donde el artículo introduce su propuesta central. Los autores definen la educación médica de precisión como un enfoque sistemático que integra datos longitudinales y analítica para impulsar intervenciones educativas precisas, continuas, oportunas y cíclicas, orientadas a las necesidades y metas de cada aprendiz. La definición es relevante porque desplaza la conversación desde la “personalización” entendida como buena intención pedagógica hacia una arquitectura operativa basada en datos, interpretación y acción. No se trata solo de adaptar materiales o permitir ritmos distintos. Se trata de construir un sistema capaz de detectar qué necesita cada estudiante o residente, en qué momento lo necesita y qué intervención tiene más probabilidad de ayudarle.

Lo interesante es que los autores toman prestado de la medicina de precisión un lenguaje ya consolidado. Proponen un marco P4 para la educación médica: proactiva, personalizada, participativa y predictiva. En la práctica, esto significa que un sistema de educación médica de precisión debería recoger datos de manera continua, analizarlos con herramientas que pueden incluir inteligencia artificial y sistemas de apoyo a la decisión, traducir esos hallazgos en intervenciones educativas concretas y hacerlo con participación activa del propio aprendiz. Además, todo ello debería orientarse a resultados significativos, no solo educativos, sino también profesionales, clínicos o incluso del sistema sanitario.

Me parece especialmente valioso que el artículo insista en la dimensión proactiva. Gran parte de la evaluación en educación médica sigue siendo reactiva: detectamos tarde que un estudiante necesita apoyo, o que un residente podría progresar más rápido, o que cierto patrón clínico apenas ha aparecido en su experiencia formativa. La lógica proactiva intenta romper esa inercia. Si los datos se recogen en tiempo real y se interpretan bien, el sistema puede intervenir antes de que aparezca el fracaso o antes de que se pierdan oportunidades de crecimiento. En un contexto de formación basada en competencias, esto es crucial: la pregunta deja de ser cuánto tiempo ha pasado alguien en una rotación y pasa a ser qué ha aprendido realmente, qué le falta y qué tipo de experiencia necesita después.

El artículo no presenta un estudio experimental, sino una perspectiva académica apoyada en ejemplos piloto. Esa diferencia es importante. No estamos ante una demostración concluyente de eficacia, sino ante una propuesta de marco con algunos casos ilustrativos. Los autores describen proyectos que anticipan componentes de esta visión: sistemas que monitorizan la interacción del estudiante con recursos digitales antes de una sesión presencial para informar al docente; plataformas que alertan a tutores cuando un alumno no progresa como se esperaba; herramientas de recomendación que sugieren casos radiológicos según la experiencia previa del aprendiz; y, de forma especialmente sugerente, usos del registro electrónico de salud para generar puntos críticos educativos o para ofrecer retroalimentación automatizada sobre el razonamiento clínico documentado por residentes.

Aquí conviene detenerse en un punto técnico. Cuando el artículo habla de analítica, inteligencia artificial o modelado predictivo, no está invocando necesariamente modelos generativos espectaculares como los que hoy dominan la conversación pública. Habla de un espectro más amplio de técnicas para identificar patrones, predecir resultados o recomendar acciones. Un modelo predictivo, en lenguaje sencillo, estima la probabilidad de que ocurra algo relevante, por ejemplo que un residente necesite refuerzo en cierta competencia o que una determinada experiencia clínica mejore su desempeño posterior. La IA, en este contexto, funciona menos como sustituto del docente y más como amplificador de su capacidad de observar, sintetizar y actuar.

Ese matiz me parece central porque una de las grandes virtudes del artículo es su prudencia. Los autores no caen en la promesa fácil de que los algoritmos resolverán la educación médica. Al contrario, subrayan que la educación médica de precisión debe profundizar, no reemplazar, la relación entre aprendices y mentores. El riesgo de muchas narrativas tecnológicas en salud es que desplazan lo humano al margen. Aquí ocurre lo contrario: la tecnología tiene sentido solo si mejora la calidad, la oportunidad y la pertinencia del acompañamiento educativo.

También me parece particularmente potente la idea de conectar datos educativos con resultados clínicos y del sistema. Ese puente es una de las fronteras más ambiciosas de la investigación en educación médica. Durante años, muchas decisiones curriculares se han apoyado en medidas intermedias: satisfacción, exámenes, percepciones, quizá algún indicador de desempeño. La propuesta de Triola y Burk-Rafel es más exigente. Sugiere que una educación verdaderamente de precisión debería poder aprender de lo que ocurre en la práctica clínica real, incluyendo experiencias registradas en la historia clínica electrónica, exposición a diagnósticos concretos y quizá resultados atribuibles al trabajo del aprendiz dentro de equipos asistenciales. En teoría, eso permitiría cerrar el círculo entre cómo formamos y qué efectos tiene esa formación más allá del aula.

Pero justamente ahí aparecen algunas de las limitaciones más importantes. La primera es metodológica: atribuir resultados clínicos a un aprendiz concreto es extremadamente difícil. La atención sanitaria es un trabajo de equipo, y la historia clínica refleja procesos compartidos, no actos aislados. La segunda limitación es técnica: integrar fuentes heterogéneas de datos, mantener interoperabilidad y garantizar que esos datos sean válidos para la evaluación educativa no es trivial. La tercera es ética y social: los sistemas predictivos pueden heredar sesgos históricos. Si ciertos grupos han estado infrarrepresentados en los datos o han recorrido trayectorias marcadas por inequidades estructurales, un modelo puede convertir esas desigualdades en recomendaciones aparentemente neutrales.

Este último punto merece atención especial desde la IA en medicina. Estamos acostumbrados a discutir sesgos algorítmicos en diagnóstico, pronóstico o asignación de recursos, pero menos en educación médica. Sin embargo, el riesgo existe y quizá sea aún más delicado: un sistema sesgado no solo clasificaría mal, sino que podría moldear carreras, acelerar o frenar trayectorias y redefinir oportunidades de aprendizaje. Por eso agradezco que el artículo no trate la IA como una caja negra benevolente. Reconoce que estas herramientas requieren gobernanza, transparencia, supervisión y participación de los propios estudiantes y residentes.

En el fondo, lo que este texto propone no es una pedagogía automatizada, sino una infraestructura de discernimiento. Esa es, para mí, la mejor manera de leerlo. La educación médica de precisión no consiste en hacer que cada alumno reciba un menú distinto solo porque la tecnología lo permite. Consiste en construir sistemas capaces de justificar mejor por qué un aprendiz necesita cierta experiencia, cierto feedback, cierto ritmo o cierto apoyo. Y eso tiene una resonancia profunda con la medicina contemporánea: personalizar no es fragmentar; es decidir con más contexto.

Mi impresión final es que este artículo importa menos por la evidencia que aporta hoy y más por el vocabulario estratégico que ofrece para los próximos años. En una época en la que la educación médica acumula datos, plataformas y expectativas de personalización, hacía falta una formulación que conectara esos elementos en una visión coherente. La propuesta todavía está en fase conceptual y depende de múltiples condiciones institucionales: trayectorias flexibles, sistemas robustos de datos, herramientas analíticas útiles, cultura de mejora continua y docentes preparados para interpretar y usar esa información. Nada de eso está garantizado. Pero precisamente por eso el artículo resulta valioso: porque ayuda a pensar con claridad qué tendría que ocurrir para que la IA y la analítica no se limiten a añadir complejidad, sino que realmente mejoren la formación de médicos.

Si esta idea madura bien, la promesa no será una educación más tecnológica, sino una educación más justa, más oportuna y más conectada con la práctica real. Y eso, en medicina, ya es una ambición suficientemente grande.

6. Referencia :

Triola MM, Burk-Rafel J. Precision medical education. Acad Med. 2023;98(7):775-781. doi:10.1097/ACM.0000000000005227