ISSN 2953-6367  
http://revistainvestigo.com  
Octubre 2026  
Vol. 7 No. 21, PP. 394-406  
https://doi.org/10.56519/mrth4j35  
INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE  
PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS  
ÉTICOS  
GENERATIVE ARTIFICIAL INTELLIGENCE IN THE TRAINING OF  
HEALTHCARE PROFESSIONALS: TRANSFORMATION OF SKILLS,  
LEARNING ASSESSMENT, AND ETHICAL CHALLENGES  
Gina Alexandra Asimbaya Pachacama1, Leonardo Lanzee Mendoza Jiménez2, Ivanova del Cisne  
Zúñiga Román3, Joselyn Lissette Martinez Altamirano4  
{gina.asimbaya@quito.gob.ec1, lic.lanzee.mendoza@hotmail.com2, ivacisnezr@hotmail.com3, jossl_5@hotmail.com4}  
Fecha de recepción: 02/09/2026  
/ Fecha de aceptación: 08/10/2026  
/ Fecha de publicación: 14/10/2026  
RESUMEN: La inteligencia artificial generativa (IAG) se ha introducido rápidamente en la  
formación de los profesionales de la salud, reconvirtiendo los modos de enseñar, evaluar y  
adquirir las competencias clínicas. Se trata de analizar, mediante una revisión narrativa de la  
literatura científica indexada publicada entre el 2016 y 2026, la evidencia existente sobre la  
transformación de las competencias, la evaluación del aprendizaje y los dilemas éticos  
relacionados con la IAG en la educación del profesional de la salud. Para eso, se llevó a cabo  
una revisión de la literatura de tipo narrativo, siguiendo las directrices PRISMA para la  
identificación y selección de las fuentes mediante búsqueda en PubMed/MEDLINE, Scopus,  
Web of Science y SciELO, así como artículos originales, revisiones sistemáticas y de alcance  
publicados en revistas indexadas. Se encontraron tres ejes temáticos prevalentes: la  
transformación de las competencias digitales, clínicas y de pensamiento crítico; el uso de la IAG  
en la evaluación del aprendizaje, incluida su manera de desempeñarse en los exámenes de  
licenciamiento médico; y los desafíos éticos que afectan la integridad académica, la parcialidad  
algorítmica, la protección de datos y la despersonalización del cuidado. Los modelos de lenguaje  
valorados alcanzaron niveles de desempeño similares a la o superiores a la línea de corte  
necesaria para pasar los exámenes estandarizados, aunque subsisten limitaciones en relación  
con la validez, fiabilidad y preparación docente. La IAG supone una herramienta de potencial  
transformador en la educación de los profesionales de la salud, aunque su integración  
1Unidad Metropolitana de Salud Centro, Secretaría de Salud, Municipio del Distrito Metropolitano de Quito – Ecuador,  
https://orcid.org/0009-0001-4510-9822  
2Investigador independiente – México Cdmx, https://orcid.org/0009-0005-3322-6916  
3Investigador Independiente – Ecuador, https://orcid.org/0003-3690-7686  
4Escuela de posgrado, Doctorado en Ciencias Biomédicas, Instituto Universitario Italiano de Rosario (IUNIR), Rosario S2000CTT,  
Argentina, https://orcid.org/0000-0002-0625-1930  
394  
Revista Científica Multidisciplinaria InvestiGo  
Riobamba – Ecuador  
Cel: +593 97 911 9620  
revisinvestigo@gmail.com  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
responsable precisará de marcos éticos explícitos, alfabetización digital del profesorado y del  
alumnado y maneras de evaluar que conserven el razonamiento clínico humano.  
Palabras clave: Inteligencia artificial, educación médica, evaluación educacional, ética,  
personal de salud, competencia clínica  
ABSTRACT: Generative artificial intelligence (GAI) has been rapidly integrated into the  
training of healthcare professionals, transforming the ways in which clinical competencies are  
taught, assessed, and acquired. The aim of this study is to analyze, through a narrative review  
of indexed scientific literature published between 2016 and 2026, the existing evidence on the  
transformation of competencies, the assessment of learning, and the ethical dilemmas related  
to GAI in health professional education. To this end, a narrative literature review was  
conducted, following the PRISMA guidelines for the identification and selection of sources  
through searches in PubMed/MEDLINE, Scopus, Web of Science, and SciELO, as well as original  
articles, systematic reviews, and overview articles published in indexed journals. Three  
prevailing thematic areas were identified: the transformation of digital, clinical, and critical  
thinking skills; the use of AI in learning assessment, including its performance on medical  
licensing exams; and the ethical challenges affecting academic integrity, algorithmic bias, data  
protection, and the depersonalization of care. The language models evaluated achieved  
performance levels similar to or higher than the cutoff score required to pass standardized  
exams, although limitations remain regarding validity, reliability, and faculty preparation. The  
IAG represents a potentially transformative tool in the education of health professionals,  
although its responsible integration will require explicit ethical frameworks, digital literacy  
among faculty and students, and assessment methods that preserve human clinical reasoning.  
Keywords: Artificial intelligence, medical education, educational assessment, ethics, healthcare  
personnel, clinical competence  
INTRODUCCIÓN  
La inteligencia artificial (IA) ha pasado de ser una tecnología emergente para considerarse uno de  
los componentes estructurales de los sistemas de salud contemporáneo en la última década, con  
aplicaciones que van desde el diagnóstico por imagen, por ejemplo, hasta la gestión  
administrativa de las instituciones sanitarias. En el marco de este proceso, la entrada de los LLM  
(Language Model) y las herramientas de inteligencia artificial generativa (IAG), que son como los  
LLM pero que son también capaces de generar texto, imágenes, casos clínicos simulados o  
retroalimentación personalizada a partir de instrucciones en lenguaje natural, ha supuesto un  
cambio especialmente profundo en el ámbito de la educación de los profesionales de la salud (1),  
(2) . Instituciones académicas de todo el mundo han empezado a usar estas herramientas en sus  
procesos de enseñanza, de evaluación o de formación continuada, planteando a la vez  
expectativas de los beneficios que pueden traer para mejorar la calidad formativa y plantear  
interrogantes sobre sus límites y riesgos (1).  
395  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
Las evidencias acumuladas en los años recientes dan cuenta de la importancia de este fenómeno.  
Así, en una revisión de amplitud que resumía 278 publicaciones sobre inteligencia artificial en  
educación médica, se documentó que la mayor parte de los trabajos están focalizados en  
Norteamérica y Europa, y que sus aplicaciones van desde procesos de admisión, enseñanza,  
evaluación y razonamiento clínico (1). Una revisión sistemática que se focalizaba concretamente  
en herramientas bajo el concepto de IAG nos indicaba que la generación de contenido educativo  
(casos clínicos, planes de cuidado, preguntas de evaluación) representa uno de los usos más  
comunes que se recogen en la literatura, con beneficios documentados en alfabetización digital  
y autoeficacia del estudiantado (3), (4) . Todo esto parece evidenciar que la IAG no automatiza  
únicamente tareas administrativas, sino que interviene en la construcción de competencias  
profesionales. La transformación de competencias supone, precisamente, uno de los ejes más  
relevados.  
Las clásicas estructuras de las competencias médicas basadas en el razonamiento clínico, la  
comunicación y el profesionalismo vienen siendo cuestionadas por la necesidad de incorporar  
una nueva forma de alfabetización, la alfabetización en inteligencia artificial, definida como la  
capacidad para usar, interpretar y supervisar de manera crítica los productos de tales sistemas  
(2), (5). Varios autores han documentado que los alumnos de medicina, enfermería, farmacia y  
odontología utilizan cada vez con más frecuencia asistentes conversacionales para resolver casos  
clínicos, escribir notas de evolución a modo de simulacros, preparar exámenes de certificación,  
etc., lo que está llevando a rediseñar los planes de estudio en cuanto a la formación híbrida entre  
el conocimiento disciplinar y la competencia digital (5) .  
En lo que respecta a la evaluación del aprendizaje, la evidencia es muy sólida. En estudios iniciales,  
se observó que ChatGPT podía lograr el umbral de aprobación o aproximarse a este umbral en el  
United States Medical Licensing Examination (USMLE), lo que puede generar controversia en el  
diseño de instrumentos de evaluación (6), (7) , si bien estudios posteriores que utilizaban  
versiones más completas del modelo reportaron niveles de precisión superiores al 85 % para las  
preguntas de tipo USMLE Step 1 y una homogeneidad de resultados en las diferentes disciplinas8.  
Resultados similares se han documentado en especialidades como neurocirugía, donde los  
modelos de lenguaje de última generación han superado a usuarios humanos en la resolución de  
bancos de preguntas de preparación para juntas orales (8). Estos resultados dan lugar a una  
pregunta clave a tener en cuenta desde la pedagogía de las ciencias de la salud: si un sistema de  
IAG es capaz de superar exámenes que están pensados para certificar la competencia clínica, ¿qué  
es lo que entonces debe ser evaluado en la formación de un profesional de la salud en el siglo  
XXI? El cuarto eje central son los desafíos éticos asociados a la forma en la que estas herramientas  
pueden influir en la formación de los/las profesionales de la salud.  
Una serie de estudios advierte sobre los riesgos relacionados con la integridad académica, el  
plagio o, incluso, aquella dependencia excesiva de estas herramientas que puede mermar el  
desarrollo del pensamiento crítico y del razonamiento clínico autónomo (9), (10). Otras  
preocupaciones van relacionadas con el sesgo algorítmico; la protección de datos sensibles de  
pacientes y estudiantes; la IAG puede llegar a reproducir o multiplicar inequidades estructurales  
que ya se encuentran en los datos existentes (11) . En la radiología, la dermatología y la medicina  
396  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
nuclear, diferentes autores han indicado que la falta de marcos regulatorios explicativos y de  
programas docentes estructurados para la formación del profesorado permite que las tecnologías  
tengan un uso poco responsable en la incorporación de estas en la formación de los planes de  
estudio (12), (13).  
En el ámbito permitido de Latinoamérica, la evidencia es todavía muy germinal pero creciente.  
Recientes estudios realizados en Ecuador, en México, El Salvador y en otros países desarrollados  
de la región han detectado una adopción acelerada de la IAG entre los docentes y estudiantes de  
ciencias de la salud, así como aún con brechas importantes en lo que respecta la alfabetización  
digital y a la existencia de línea. Las revisiones del alcance centradas en la formación del  
profesorado entre las ciencias de la educación latinoamericanas son coincidentes en afirmar que  
la realidad de Latinoamérica es la integración de herramientas sin marcos éticos y pedagógicos  
propios, en muchos casos, replicando modos de hacer pedagógicos construidos a partir de los  
contextos anglosajones (14). Esto cobra especial relevancia en países como Ecuador, que se  
enfrenta además a retos estructurales para el acceso equitativo a la tecnología en la formación  
de los profesionales de la salud.  
A pesar del aumento en la producción científica relacionada con la inteligencia artificial en la  
educación de las ciencias de la salud continúa una fragmentación conceptual; una gran parte de  
la literatura profundiza de manera independiente la dimensión técnica de los modelos, la  
dimensión pedagógica de la transformación del currículo o la dimensión ética de su  
implementación sin realizar una síntesis integradora que empodere a los formadores de los  
profesionales de la salud a tomar decisiones informadas. Esta fragmentación es el problema que  
guió esta investigación: la necesidad de sistematizar la evidencia de una manera crítica y  
actualizada sobre cómo la IAG transforma las competencias profesionales, cómo van evaluando  
estos aprendizajes y cuáles son los principales retos éticos que se enfrentan respecto a la  
integración curricular.  
La pertinencia de este análisis recae en que los procesos de acreditación y de actualización  
curricular de los programas de ciencias de la salud deben sustentarse en la evidencia consolidada  
y no en percepciones subjetivas sobre la utilidad de estas tecnologías. La sistematización de esta  
evidencia es, además, oportuna para guiar la construcción de políticas institucionales, programas  
de desarrollo docente y orientaciones para un uso responsable de la IAG en universidades y  
facultades de las ciencias de la salud, principalmente en contextos como el latinoamericano en el  
que la producción de orientaciones propias es aún bastante escasa.  
Por las razones expuestas, el objetivo de este análisis de revisión fue el de examinar la producción  
científica indexada, publicada entre 2016 y 2026, sobre la transformación de las competencias  
profesionales, la evaluación del aprendizaje y los retos éticos relacionados e introducidos por el  
uso de la Inteligencia Artificial Generativa en la formación de los profesionales de la salud.  
397  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
MATERIALES Y MÉTODOS  
El trabajo en cuestión consiste en una revisión bibliográfica del tipo narrativo, sustentada  
metodológicamente en las recomendaciones PRISMA (Preferred Reporting Items for Systematic  
Reviews and Meta Analyses).  
No se realizó metaanálisis estadístico propiamente, dado el carácter cualitativo preponderante y  
de heterogeneidad en diseño y descriptivo de la mayoría de los estudios primarios disponibles.La  
unidad de análisis estuvo constituida por artículos científicos publicados en revistas indexadas en  
bases de datos de alto impacto (Scopus, Web of Science, PubMed/MEDLINE y SciELO) sin  
restricción de país de publicación, priorizando artículos de estudios originales, de revisiones  
sistemáticas, de revisiones de alcance y de documentos de posicionamiento institucional (guías  
AMEE y BEME) relacionados con la inteligencia artificial generativa en la educación de  
profesionales de la salud del periodo 2016-2026.  
La investigación se realizó en un entorno documental a través de la consulta remota de bases de  
datos bibliográficas académicas y de repositorios institucionales de acceso abierto, sin interacción  
directa sobre sujetos humanos ni sobre instituciones educativas.Las variables que se consideraron  
en cada fuente analizada fueron las siguientes: año y país donde se publicó, tipo de diseño  
metodológico, dominio o competencia profesional descrita en la fuente que se analizó,  
instrumento o estrategia de evaluación del aprendizaje descrita y resultado científico que resume  
los desafíos éticos que se identifican.  
Todas estas variables se presentaron en matrices de extracción de los temas que sirvieron para la  
síntesis narrativa de los hallazgos. Dado que la revisión en sí misma respondía a un enfoque  
cualitativo-descriptivo, el análisis se desarrolló mediante estadística descriptiva simple  
(frecuencias y porcentajes de aparición temáticas) y análisis de contenido de tipo temático-  
categorial sin el uso de pruebas inferenciales, lo que es completamente acorde con el diseño  
bibliográfico narrativo de la revisión.  
Tabla 1. Estrategia metodológica de búsqueda y selección de la evidencia.  
Componente  
Bases de datos  
Descripción  
PubMed/MEDLINE, Scopus, Web of Science (Core Collection) y SciELO  
Palabras clave / operadores  
("generative artificial intelligence" OR "ChatGPT" OR "large language models")  
AND ("health professions education" OR "medical education" OR "nursing  
education") AND ("competencies" OR "assessment" OR "ethics")  
Periodo de búsqueda  
Idiomas incluidos  
Enero de 2016 a septiembre de 2026  
Español, inglés y portugués  
Criterios de inclusión  
Artículos originales, revisiones sistemáticas o de alcance, y guías  
institucionales (AMEE/BEME) publicados en revistas indexadas, con texto  
completo disponible y pertinencia temática directa  
Criterios de exclusión  
Registros identificados  
Resúmenes de congreso, cartas al editor sin datos originales, publicaciones sin  
revisión por pares y estudios centrados exclusivamente en IA diagnóstica sin  
componente educativo  
≈ 210 registros en las cuatro bases consultadas  
398  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
Registros tras eliminación de  
duplicados y cribado de  
título/resumen  
68 documentos preseleccionados  
Fuentes finalmente incluidas  
26 fuentes indexadas con DOI verificado, tras evaluación de calidad, actualidad  
y pertinencia  
Guía de reporte  
Adaptación de las fases de identificación, cribado, elegibilidad e inclusión  
propuestas por PRISMA para revisiones bibliográficas  
El proceso de selección siguió un esquema en cuatro fases: identificar los registros en las bases  
elegidas; eliminar duplicados, proceder al cribado en función de los títulos y los resúmenes;  
comprobar la elegibilidad mediante la lectura del texto completo en función de criterios de  
inclusión y exclusión previamente definidos y, finalmente, la inclusión de las fuentes que cumplían  
los estándares de calidad editorial, actualización (de 2016 a 2026) y correspondencia directa a los  
tres ejes temáticos que conforman la investigación. Este procedimiento ha permitido reducir el  
sesgo de selección y garantizar que la síntesis narrativa correspondiente se elaborara únicamente  
en función de literatura indexada, verificable y por un alto impacto.  
RESULTADOS  
Realizada la búsqueda y selección de la evidencia, conforme al enfoque PRISMA adaptado a  
revisiones bibliográficas narrativas 22, se organizaron los 26 documentos incluidos en tres  
categorías de resultados coherentes con los objetivos planteados: a) la transformación de las  
competencias profesionales de; b) la práctica de la IAG en los instrumentos de evaluación del  
aprendizaje; c) los dilemas éticos que aparecen con su aplicación. Después, se sistematizan los  
hallazgos en tablas descriptivas, para después continuar el análisis correspondiente.  
La tabla 2 recoge los principales dominios de la competencia que, según la literatura revisada, se  
ven modificados por la inclusión de la IAG en los currículos de ciencias de la salud.  
Tabla 2. Dominios de competencia transformados por la inteligencia artificial generativa.  
Dominio de competencia  
Hallazgo principal reportado  
Fuente  
Alfabetización en IA y  
La incorporación de la IAG exige nuevas competencias de supervisión  
(2), (5)  
pensamiento crítico digital crítica de los productos generados por los modelos, más allá del  
dominio disciplinar tradicional  
Razonamiento clínico y  
elaboración de casos  
Uso extendido de la IAG para generar y resolver casos clínicos  
simulados, con mejoras reportadas en la autoeficacia y la alfabetización  
digital del estudiantado  
(3), (4)  
(15),(12)  
(16) (12)  
(17)  
Competencias en farmacia La IAG se integra en la elaboración de planes farmacoterapéuticos y en  
y odontología  
procesos formativos clínicos, generando debates sobre integridad  
académica y supervisión docente  
ompetencias radiológicas  
y de imagen diagnóstica  
Persisten programas de capacitación breves y poco estructurados en IA  
aplicada a la formación en radiología, con escasa integración curricular  
longitudinal  
Competencias docentes  
Necesidad de programas estructurados de desarrollo docente y de  
marcos de progresión de competencias en IA para el  
ciencias de la salud  
profesorado de  
399  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
Un análisis de estos hallazgos pone de manifiesto que la transformación de las competencias no  
implica únicamente la adquisición de una serie de habilidades técnicas que permitan el manejo  
de las herramientas de IAG, sino que exige, además, proporcionar una mayor reconfiguración del  
perfil profesional esperado, el cual contempla que la supervisión crítica de los productos  
generados por la máquina tiene un peso específico y relevante junto al conocimiento disciplinar  
de base (2), (5) . También se observa que la mayoría de la evidencia disponible proviene de la  
formación médica de pregrado, mientras que disciplinas como la formación enfermera, farmacia,  
odontología y radiología cuentan con un volumen de evidencia pequeño en comparación con la  
de otros registros, aunque cada vez más amplio (15), (12). Un hallazgo transversal de interés es  
la insistencia por parte de distintos autores que afirman que la transformación curricular ha de  
cumplir una transformación docente ordenada, dado que la competencia para enseñar a  
supervisar críticamente la IAG da por hecho que el propio profesorado tiene esta competencia  
bajo control (17), (18).  
La Tabla 3 evidencia el conjunto de los principales hallazgos reportados sobre la eficacia de los  
modelos de lenguaje sobre instrumentos de evaluación aplicados de manera habitual en la  
formación de los profesionales de la salud.  
Tabla 3. Desempeño de modelos de IA generativa en instrumentos de evaluación del aprendizaje.  
Estudio  
Instrumento evaluado  
Principal hallazgo reportado  
Kung et  
al.  
USMLE Step 1, 2 y 3  
ChatGPT alcanzó o se aproximó al umbral de aprobación en los tres  
niveles del examen, sin entrenamiento especializado previo  
Gilson et  
al.  
USMLE (bancos AMBOSS y  
NBME)  
Desempeño comparable al de un estudiante de tercer año de  
medicina, con variabilidad relevante entre reactivos e  
interpretabilidad limitada  
Garabet  
et al.  
1300 preguntas de estilo  
USMLE Step 1  
GPT-4 respondió correctamente el 86 % de las preguntas, superando  
de forma consistente el umbral estimado de aprobación (60 %) en  
todas las disciplinas evaluadas  
Ali et al.  
Banco de preparación para  
juntas orales de  
GPT-4 superó el desempeño de ChatGPT y de Google Bard en la  
resolución de preguntas especializadas de alta complejidad clínica  
neurocirugía  
Los hallazgos resumidos en la Tabla 3 muestran una tendencia nítidamente determinada: los  
modelos de lenguaje analizados han alcanzado y, en las versiones más actualizadas, han superado  
con amplitud el umbral mínimo de aprobación para realizar los exámenes de licenciamiento  
médico (6), (7) . Este hallazgo, que se repite en preguntas de estilo USMLE Step 1 con un  
porcentaje de corrección de un 86 %8, y ampliado en especialidades quirúrgicas altamente  
complejas como la neurocirugía (8), se traduce y tiene consecuencias directas sobre la validez de  
los instrumentos de evaluación que están esencialmente basados en preguntas de opción  
múltiple, dado que, por el contrario, podrían estar midiendo un tipo de conocimiento, el que es  
reproducido por sistemas automatizados, y que no se encuentra necesariamente en el corazón  
de las competencias clínicas complejas el juicio situacional, la comunicación, el manejo de la  
incertidumbre que nos imaginamos en los profesionales de la salud.  
400  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
La Tabla 4 es la que nos permite organizar los principales desafíos éticos documentados con  
respecto al uso de la IAG en la educación de los profesionales de la salud.  
Tabla 4. Desafíos éticos asociados al uso de la inteligencia artificial generativa.  
Categoría  
Descripción del desafío  
Fuente  
Integridad académica  
Riesgo de plagio, dependencia excesiva de las respuestas generadas y  
erosión del pensamiento crítico y del razonamiento clínico autónomo  
del estudiantado  
(9) ,  
(10)  
Sesgo algorítmico y equidad Posibilidad de que los modelos reproduzcan o amplifiquen inequidades  
estructurales presentes en los datos utilizados durante su  
entrenamiento  
(11)  
(19)  
(12)  
(20)  
Protección de datos y  
confidencialidad  
Preocupaciones relacionadas con el manejo de información sensible de  
pacientes y estudiantes al utilizar plataformas de IAG de acceso  
comercial  
Preparación docente y  
vacíos regulatorios  
Ausencia de marcos normativos institucionales claros y de programas  
de formación docente específica en disciplinas como radiología y  
dermatología  
Despersonalización del  
cuidado  
Riesgo de que la mediación tecnológica debilite las competencias  
comunicacionales y empáticas propias de la práctica clínica centrada en  
la persona  
El análisis de esta categoría de resultados califica de manera holística que la clase de desafíos  
éticos identificados no son excluyentes tal que vayan en diferentes direcciones, sino que se  
encuentran reforzándose mutuamente: la ausencia de marcos regulatorios institucionales facilita  
el uso poco supervisado de la IAG por parte del alumnado, y esto contribuye a incrementar el  
riesgo de dependencia en exceso y hacer un flaco favor al mantenimiento de la integridad  
académica (1), (12). Precisamente, diferentes autores coinciden en señalar que la preocupación  
de fondo no es ya la tecnología, sino la falta de preparación institucional y docente para que  
puedan hacerse cargo de la integración de sus prácticas reflexivamente y en forma crítica (19) , y  
el riesgo de que la eficiencia que la IAG proporciona empiece a ir desplazando progresivamente  
competencias de comunicación y relacionales que son constitutivas del cuidado en salud (20) .  
Un subconjunto de la evidencia analizada corresponde específicamente al marco  
latinoamericano. Algunos estudios realizados en Ecuador y otros países de la región darán cuenta  
de una adopción creciente de la IAG entre docentes y alumnado de ciencias de la salud, que  
presentan notables brechas entre lo que se manifiesta saber, las actitudes favorables hacia la  
tecnología y el uso realizado en el marco de la evaluación y durante la práctica clínica (21).  
Revisiones de alcance centradas en la formación docente latinoamericana indican que la región  
aún carece de marcos éticos y pedagógicos de forma que permitan regular el uso de este tipo de  
herramientas, y existen indicios de que algunas características o rasgos individuales y  
profesionales como el nivel de formación de posgrado y la exposición previa a la tecnología  
predicen de forma significativa la adopción por parte del profesorado o el personal clínico (14),  
(22) . Considerando que la evidencia académica a nivel latinoamericano es escasa, estos  
resultados refuerzan la pertinencia de generar evidencia localizada que oriente la elaboración de  
políticas institucionales que tengan en cuenta las condiciones estructurales de la región.  
401  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
DISCUSIÓN  
Los hallazgos de la presente revisión muestran que la inteligencia artificial generativa se ha  
convertido en un agente de transformación curricular en la formación de profesionales de la salud  
y se Articula con el hallazgo de la revisión de alcance BEME Guide No. 84; en esta revisión se  
documentaron 278 publicaciones sobre la materia y se expuso un espectro de aplicaciones que  
abarca desde los procesos de admisión, pasando por la evaluación, hasta llegar al razonamiento  
clínico (1). Esta correspondencia indica que la transformación identificada en la presente síntesis  
no puede considerarse un hallazgo dispar, sino una tendencia consolidada y transversal a varias  
disciplinas de la salud, tal como también lo hace la guía AMEE No. 158 sobre el uso ético de la  
inteligencia artificial en la educación de estas profesiones (2).  
Con respecto a la transformación de competencias, los resultados de este estudio son coherentes  
con lo que se reporta en el ámbito de la enfermería, cuyo uso de chat GPT y herramientas afines  
permite mejorar indicadores de autoeficacia y alfabetización digital, aunque también anticipa el  
temor docente a que se presente una sustitución del razonamiento clínico propio por la respuesta  
elaborada de forma automática (9), (10). Esta tensión entre una potencialidad formativa y una  
dependencia indeseada es, según los autores de esta revisión, el eje del debate contemporáneo  
en torno a la IA generativa en la educación en salud y coincide con el también observado en el  
ámbito de la farmacia, pues la generación asistida de planes terapéuticos plantea interrogantes  
análogos a los del futuro juicio clínico de las y los profesionales (15), (23).  
En lo que se refiere a la evaluación del aprendizaje, los resultados aquí sintetizados, que reflejan  
una precisión de hasta un 86 % en preguntas de estilo USMLE Step 1, presentan una línea de  
continuidad con el trayecto de estudios precursores que, desde el año 2023, han puesto de  
manifiesto una mejora progresiva en el rendimiento de los modelos de lenguaje en exámenes de  
licencias médicas (6), (24) aunque también hay que matizar esta tendencia pues, como advierten  
Gilson et al., la variablidad entre reactivos y la escasa interpretabilidad de algunas respuestas  
generadas por el modelo cuestionan la fiabilidad de este respecto de ser una herramienta de  
apoyo al aprendizaje autónomo y no sólo alcanzar el aprobado en exámenes estandarizados (7).  
Esta distinción es fundamental: un rendimiento elevado en pruebas de tipo pregunta opción  
múltiple no es sinónimo de una correcta capacidad de juicio clínico y de empatía, o de capacidad  
para la gestión de la incertidumbre, dimensiones estas que los instrumentos de evaluación  
tradicionales apenas logran recoger en el nivel que pudieran/como deberían y que, en un sentido  
irónico, la irrupción misma de la IAG pasaría a considerarse de nuevo.  
Eticamente, en el ámbito de lo ético, los resultados de este estudio expanden lo que también  
indicaba Currie, que ya en 2023 avisaba del peligro del deterioro de la honestidad académica  
como producto del uso de estas herramientas, si no son supervis. La ejecución presente sugiere  
que ese riesgo no pertenece a una disciplina concreta; más bien, se trata de un fenómeno  
trasversal también registrado en dermatología, por ejemplo, donde la propia disciplina pone de  
manifiesto la necesidad de definir límites precisos en el uso de la IAG para la construcción de  
contenido clínico y educativo (13), así como en la más amplia dimensión de la ética de los modelos  
402  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
de lenguaje orientados a la salud, donde se hace hincapié en la importancia de mantener la  
supervisión humana como principio para cualquier implementación responsable (11).  
Un hallazgo destacado de esta revisión, poco explorado en las síntesis de alcance general, es la  
brecha regional detectada en América Latina.Por otro lado, la literatura que puede considerarse  
anglosajona tiende a centrarse en el rendimiento técnico de los modelos y en el diseño de marcos  
de competencia; toda la evidencia latinoamericana revisada parte de una premisa  
completamente distinta, desprendiendo un enfoque de problemas tales como una adopción  
desigual, una formación docente sin apoyos o la carencia de normativas institucionales propias  
(21), (14). Tal desacuerdo enfatiza que la agenda de investigación en la región debería versar no  
ya sobre evaluar el rendimiento de la tecnología, sino sobre establecer capacidades  
institucionales y marcos normativos adaptados a la disponibilidad de recursos y a las necesidades  
formativas propias de contextos como el ecuatoriano, tal y como han sugerido estudios recientes  
sobre los predictores individuales y profesionales de la adopción de la IA en el ámbito médico en  
la región (22).  
Finalmente, uno de los aspectos a mencionar de la literatura encontrada es que converge junto a  
una recomendación válida común: la necesidad de establecer el desarrollo docente estructurado  
como una entrada de cara a una integración curricular responsable de la IAG y no una inclusión  
reactiva o y meramente instrumental en cuanto a la incorporación de la tecnología (17) , (18)  
Subsistiendo un hecho especialmente importante en instituciones formadoras de profesionales  
de la salud en contextos de escasos recursos, donde la carencia de programas de formación  
docente propiciaría el ahondamiento de inequidades formativas existentes en lugar de  
propiciarlas, tal y como también propone de forma muy clara el análisis crítico sobre la  
incorporación de la IAG en la educación médica continua de la región (25).  
Entre las limitaciones de la presente revisión se encuentran las de presentación narrativa que no  
permiten ofrecer estimaciones del efecto en su agregado, como las que brindaría un metanálisis,  
o la velocidad dilatante de la que están dotadas las tecnologías analizadas a partir de  
consideraciones que pueden volver las poblaciones y los hallazgos de rendimiento técnico dentro  
de un periodo relativamente breve de tiempo. Sin embargo, la triangulación de fuentes de alto  
impacto publicadas en un periodo de diez años y procedentes de disciplinas y regiones geográficas  
diferenciadas ofrece un poderoso apoyo para la síntesis conceptual de la que hemos intentado  
dar cuenta aquí.  
CONCLUSIONES  
La evidencia científica indexada en la que se fundamenta este texto escrito entre 2016 y 2026,  
pone de manifiesto que la inteligencia artificial generativa transforma de manera sustancial las  
competencias exigidas a la formación del profesional de la salud, al promover la incorporación de  
la alfabetización crítica en IA como parte del bagaje del profesional de la salud junto con el  
conocimiento disciplinar tradicional y al transformar la manera en que se configura y se ejercita  
el razonamiento clínico y las competencias comunicacionales.  
403  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
En lo que respecta a la evaluación del aprendizaje, los modelos de lenguaje generativo han  
alcanzado niveles de desempeño iguales o superiores al umbral de aprobación en una batería de  
exámenes de licenciamiento médico estandarizados, lo que precisa la modificación urgente de  
los instrumentos de evaluación de tal forma que prioricen los tests de razonamiento clínico  
situacional junto a la resolución de problemas complejos y las competencias comunicacionales  
por encima de la memorización o del reconocimiento de patrones que estas mismas herramientas  
ya reproducen con éxito. La evaluación de los retos éticos concluye que la integridad académica,  
el sesgo algorítmico, la protección de datos, el riesgo de despersonalización del cuidado son  
preocupaciones interrelacionadas que requieren marcos regulatorios institucionales explícitos,  
programas estructurados de formación docente y un seguimiento de los productos generados por  
estos sistemas bajo la supervisión humana.  
Se concluye en que la región latinoamericana en general y el contexto ecuatoriano en particular  
tienen una brecha específica en la producción de evidencias propias, de lineamientos  
institucionales y de programas de formación del profesorado en esta materia. Debe por tanto  
resultar prioritario impulsar líneas de investigación y líneas de política pública educativa local en  
lugar de capas de marcos de referencia procedentes de otros contextos. Estos hallazgos  
responden al objetivo planteado y al mismo tiempo ofrecen un marco conceptual integrador para  
apoyar la toma de decisiones pertinentes en la formación del profesional de la salud conforme a  
la incorporación creciente de la inteligencia artificial generativa.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
Gordon M, Daniel M, Ajiboye A, Uraiby H, Xu NY, Bartlett R, et al. A scoping review of  
artificial intelligence in medical education: BEME Guide No. 84. Med Teach. 2024 Apr  
2;46(4):446–70. doi:10.1080/0142159X.2024.2314198  
2.  
3.  
Masters K. Ethical use of Artificial Intelligence in Health Professions Education: AMEE Guide  
No. 158. Med Teach. 2023 Jun 3;45(6):574–84. doi:10.1080/0142159X.2023.2186203  
Sallam M. ChatGPT Utility in Healthcare Education, Research, and Practice: Systematic  
Review on the Promising Perspectives and Valid Concerns. Healthcare. 2023 Mar  
19;11(6):887. doi:10.3390/healthcare11060887  
4.  
5.  
6.  
7.  
Preiksaitis C, Rose C. Opportunities, Challenges, and Future Directions of Generative  
Artificial Intelligence in Medical Education: Scoping Review. JMIR Med Educ. 2023 Oct  
20;9:e48785. doi:10.2196/48785  
Hale J, Alexander S, Wright ST, Gilliland K. Generative AI in Undergraduate Medical  
Education:  
A
Rapid  
Review.  
J
Med  
Educ  
Curric  
Dev.  
2024  
Jan  
1;11.  
doi:10.1177/23821205241266697  
Kung TH, Cheatham M, Medenilla A, Sillos C, De Leon L, Elepaño C, et al. Performance of  
ChatGPT on USMLE: Potential for AI-assisted medical education using large language  
models. PLOS Digital Health. 2023 Feb 9;2(2):e0000198. doi:10.1371/journal.pdig.0000198  
Gilson A, Safranek CW, Huang T, Socrates V, Chi L, Taylor RA, et al. How Does ChatGPT  
Perform on the United States Medical Licensing Examination (USMLE)? The Implications of  
Large Language Models for Medical Education and Knowledge Assessment. JMIR Med Educ.  
2023 Feb 8;9:e45312. doi:10.2196/45312  
404  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
8.  
Ali R, Tang OY, Connolly ID, Fridley JS, Shin JH, Zadnik Sullivan PL, et al. Performance of  
ChatGPT, GPT-4, and Google Bard on a Neurosurgery Oral Boards Preparation Question  
Bank. Neurosurgery. 2023 Nov;93(5):1090–8. doi:10.1227/neu.0000000000002551  
Abdulai A, Hung L. Will ChatGPT undermine ethical values in nursing education, research,  
and practice? Nurs Inq. 2023 Jul 26;30(3). doi:10.1111/nin.12556  
9.  
10.  
Choi EPH, Lee JJ, Ho MH, Kwok JYY, Lok KYW. Chatting or cheating? The impacts of ChatGPT  
and other artificial intelligence language models on nurse education. Nurse Educ Today.  
2023 Jun;125:105796. doi:10.1016/j.nedt.2023.105796  
11.  
12.  
13.  
14.  
15.  
16.  
17.  
Harrer S. Attention is not all you need: the complicated case of ethically using large language  
models  
in  
healthcare  
and  
medicine.  
EBioMedicine.  
2023  
Apr;90:104512.  
doi:10.1016/j.ebiom.2023.104512  
Schuur F, Rezazade Mehrizi MH, Ranschaert E. Training opportunities of artificial  
intelligence (AI) in radiology: a systematic review. Eur Radiol. 2021 Aug 15;31(8):6021–9.  
doi:10.1007/s00330-020-07621-y  
Ferreira AL, Lipoff JB. The complex ethics of applying ChatGPT and language model artificial  
intelligence  
in  
dermatology.  
J
Am  
Acad  
Dermatol.  
2023  
Oct;89(4):e157–8.  
doi:10.1016/j.jaad.2023.05.054  
Betti Galasso BJ. Inteligencia artificial generativa y formación docente: Competencias  
emergentes en América Latina – una revisión de alcance. Actualidades Investigativas en  
Educación. 2025 Dec 3;26(1):1–43. doi:10.15517/z4mcs052  
Mortlock R, Lucas C. Generative artificial intelligence (Gen-AI) in pharmacy education:  
Utilization and implications for academic integrity: A scoping review. Exploratory Research  
in Clinical and Social Pharmacy. 2024 Sep;15:100481. doi:10.1016/j.rcsop.2024.100481  
Snoswell CL, Falconer N, Snoswell AJ. Pharmacist vs machine: Pharmacy services in the age  
of large language models. Research in Social and Administrative Pharmacy. 2023  
Jun;19(6):843–4. doi:10.1016/j.sapharm.2023.03.006  
Khamis N, Ungaretti T, Tackett S, Chen B. From AI Literacy to Leadership: Milestones for  
Faculty Development in Health Professions Education. Med Sci Educ. 2025 Jun  
4;35(6):2681–6. doi:10.1007/s40670-025-02438-0  
18.  
19.  
20.  
Lopez M. From Novelty to Necessity: Artificial Intelligence in Medical Education. J Med Educ  
Curric Dev. 2025 Aug 14;12. doi:10.1177/23821205251369656  
Currie GM. Academic integrity and artificial intelligence: is ChatGPT hype, hero or heresy?  
Semin Nucl Med. 2023 Sep;53(5):719–30. doi:10.1053/j.semnuclmed.2023.04.008  
Patino GA, Amiel JM, Brown M, Lypson ML, Chan TM. The Promise and Perils of Artificial  
Intelligence in Health Professions Education Practice and Scholarship. Academic Medicine.  
2024 May 1;99(5):477–81. doi:10.1097/ACM.0000000000005636  
21.  
22.  
Ramírez Domínguez CD, Alvarenga Somoza G, Olivares Guzmán NE, Cárcamo Trinidad MM,  
Salamanca Reyes AG. Avances en el uso de inteligencia artificial en la educación médica  
latinoamericana. Alerta, Revista científica del Instituto Nacional de Salud. 2025 Jan  
22;8(1):88–95. doi:10.5377/alerta.v8i1.19194  
Nouri Kandany V, Fabián Vásquez L, Valdez P, Jiménez Arias J, Valdez Disla A. Predictores  
Individuales y Profesionales del Uso de Inteligencia Artificial en Medicina: Un Análisis  
Multivariado en América Latina. Revista Española de Educación Médica. 2026 Jan 5;7(1).  
doi:10.6018/edumed.685291  
405  
“INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE PROFESIONALES DE LA SALUD: TRANSFORMACIÓN DE  
COMPETENCIAS, EVALUACIÓN DEL APRENDIZAJE Y DESAFÍOS ÉTICOS”  
23.  
24.  
Cotton DRE, Cotton PA, Shipway JR. Chatting and cheating: Ensuring academic integrity in  
the era of ChatGPT. Innovations in Education and Teaching International. 2024 Mar  
3;61(2):228–39. doi:10.1080/14703297.2023.2190148  
Garabet R, Mackey BP, Cross J, Weingarten M. ChatGPT-4 Performance on USMLE Step 1  
Style Questions and Its Implications for Medical Education: A Comparative Study Across  
Systems and Disciplines. Med Sci Educ. 2023 Dec 27;34(1):145–52. doi:10.1007/s40670-  
023-01956-z  
25.  
Margolis A. Inteligencia artificial en la educación médica continua: ¿aliada inevitable o  
simplemente una herramienta más? Investigación en Educación Médica. 2025 Oct  
1;14(56):146–53. doi:10.22201/fm.20075057e.2025.56.25735  
406