Luis Miguel Delgado Arias1, Daniel Alba Ospina2, Maria Alejandra López Ríos3.
Recibido para publicación: 14-04-2026. Versión corregida: 30-09-2026. Aprobado para publicación: 07-10-2026.
Modelo de citación:
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina. Arch Med (Manizales). 2026;26(2). https://doi.org/10.30554/archmed.26.2.5667.2026
Introducción: La inteligencia artificial (IA) generativa se ha incorporado rápidamente a la educación médica, especialmente en tareas de estudio y productividad académica. Sin embargo, sigue siendo incierto si su uso se extiende de manera equivalente a pro- cesos de mayor complejidad, como el razonamiento clínico. Objetivo: Caracterizar y comparar los perfiles funcionales de uso de IA orientados a la eficiencia académica y al razonamiento clínico en estudiantes de medicina. Método: Estudio transversal en 290 estudiantes de medicina. Se aplicó un cuestionario autoadministrado y se construyeron dos índices proporcionales de uso de IA: uno orientado a la eficiencia académica y el otro al razonamiento clínico. Se realizaron análisis descriptivos, prueba t para mues- tras pareadas y ANOVA de Welch con comparaciones post hoc. Resultados: La edad media fue 20,4 ± 2,66 años y el promedio académico 3,99 ± 0,54. El 71,3 % reportó alta frecuencia de uso de IA. El uso orientado a la eficiencia académica fue mayor que el orientado al razonamiento clínico (0,66 ± 0,22 vs. 0,46 ± 0,34), con diferencia media de 0,20 (IC 95 %: 0,17–0,24; p < 0,001). Se observaron diferencias según el semestre académico. Conclusiones: El uso de IA en estudiantes de medicina se orienta prin- cipalmente a la eficiencia académica, con variaciones según la etapa de formación.
Palabras clave: Inteligencia artificial; educación médica; estudiantes de medicina; razonamiento clínico.
![]()
Magíster en Educación (Enseñanza). Médico. Universidad de Manizales, Manizales, Caldas, Colombia. ORCID: https://orcid.org/0000-0001-5978-2017. Correo electrónico: ldelgado@umanizales.edu.co. Autor de co- rrespondencia.
Magíster en Ciencias Biomédicas con énfasis en Fisiología. Revive centro de entrenamiento, Manizales, Caldas, Colombia. ORCID: https://orcid.org/0009-0000-2378-4619. Correo electrónico: dalba@umanizales.edu.co
Magister en Proyectos para el Desarrollo Integral de la Infancia la Adolescencia y la Juventud. Universidad de Manizales, Manizales, Colombia. ORCID: https://orcid.org/0009-0000-2129-8676.
Correo electrónico: psicologamariaalejandra@gmail.com
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina.
Arch Med (Manizales). 2026;26(2)
Introduction: Generative artificial intelligence has been rapidly integrated into medical education, particularly in study tasks and academic productivity. However, it remains unclear whether its use extends equally to more complex processes, such as clinical reasoning. Objective: To characterize and compare the functional profiles of AI use oriented toward academic efficiency and clinical reasoning among medical students. Method: A cross-sectional study involving 290 medical students. A self-administered questionnaire was administered, and two proportional indices of AI use were construc- ted: one oriented toward academic efficiency and the other toward clinical reasoning. Descriptive analyses, a paired t-test, and Welch’s ANOVA with post hoc comparisons were performed. Results: The mean age was 20.4 ± 2.66 years and the GPA was
3.99 ± 0.54. 71.3% reported high frequency of AI use. Use oriented toward academic efficiency was higher than that oriented toward clinical reasoning (0.66 ± 0.22 vs. 0.46
± 0.34), with a mean difference of 0.20 (95% CI: 0.17–0.24; p < 0.001). Differences were observed according to academic semester. Conclusions: AI use among medical students is primarily oriented toward academic efficiency, with variations depending on the stage of training.
Keywords: Artificial intelligence; medical education; medical students; clinical reasoning.
Introdução: A inteligência artificial generativa tem vindo a ser rapidamente incorporada na educação médica, especialmente em tarefas de estudo e produtividade académica. No entanto, continua a ser incerto se a sua utilização se estende de forma equivalente a processos de maior complexidade, como o raciocínio clínico. Objetivo: Caracterizar e comparar os perfis funcionais de utilização da inteligência artificial orientados para a eficiência académica e para o raciocínio clínico em estudantes de medicina. Méto- do: Estudo transversal em 290 estudantes de medicina. Foi aplicado um questionário autoaplicável e foram construídos dois índices proporcionais de utilização da IA: um orientado para a eficiência académica e outro para o raciocínio clínico. Foram realiza- das análises descritivas, o teste t para amostras emparelhadas e a ANOVA de Welch com comparações post hoc. Resultados: A idade média foi de 20,4 ± 2,66 anos e a média académica de 3,99 ± 0,54. 71,3% relataram elevada frequência de utilização da IA. O uso orientado para a eficiência académica foi superior ao orientado para o racio- cínio clínico (0,66 ± 0,22 vs. 0,46 ± 0,34), com uma diferença média de 0,20 (IC95%:
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina.
Arch Med (Manizales). 2026;26(2)
0,17–0,24; p < 0,001). Foram observadas diferenças de acordo com o semestre letivo. Conclusões: O uso da IA em estudantes de medicina é orientado principalmente para a eficiência académica, com variações de acordo com a fase da formação.
Palavras-chave: Inteligência artificial; educação médica; estudantes de medicina; raciocínio clínico.
La expansión de los modelos de lenguaje de gran escala y sus interfaces conversacio- nales ha cambiado en pocos años la forma de estudiar, redactar y resolver dudas en educa- ción médica. Revisiones recientes describen oportunidades relevantes en el aprendizaje autodirigido, generación de materiales, apo- yo a escritura e investigación, pero también riesgos formativos que pueden interferir en la validez de la evaluación y la integridad aca- démica si no se enseñan límites, verificación y declaración transparente de uso. Un factor que aceleró el interés fue el desempeño de ChatGPT en tareas de examen: se reportó rendimiento cercano al umbral de aprobación en el USMLE [1], junto con explicaciones que “suenan” coherentes, aunque no siempre sean correctas, lo que refuerza su atractivo como tutor informal [2].
En el panorama internacional, la evidencia empírica basada en encuestas transversales sugiere adopción amplia y un uso predominan- temente orientado a la productividad académi- ca. En Estados Unidos se documentó el uso frecuente y preferencia por ChatGPT frente a algunos recursos tradicionales en escenarios específicos, motivado por el ahorro de tiempo y la clarificación de contenidos [3]. En otros entornos académicos, los estudiantes reportan utilidad para explicar conceptos, resumir y apo- yar tareas escritas, junto con preocupaciones recurrentes por desinformación, plagio y falta de formación formal en IA y ética; además, se observa discrepancia entre el uso real de herramientas tipo chat y la enseñanza es- tructurada de IA/ética en el currículo [4,5]. La adopción también se describe en poblaciones
fuera de Norteamérica, con patrones de utilidad académica coexistiendo con inquietudes por confiabilidad y prácticas indebidas [6].
El punto crítico para la educación médica no es si la IA se usa, sino cómo se integra funcionalmente según el tipo de tarea y el nivel de riesgo. La ventaja de la IA generativa para tareas académicas (explicar, resumir, generar preguntas) no se traduce automáticamente a actividades que exigen razonamiento clínico con incertidumbre, priorización y toma de decisiones [7]. En un ensayo clínico aleato- rizado, el acceso a un modelo de lenguaje a gran escala como apoyo diagnóstico no mejoró significativamente el desempeño de razonamiento diagnóstico de médicos frente a recursos convencionales, lo que sugiere que la simple disponibilidad de la herramienta no garantiza mejor proceso cognitivo ni mejores resultados [8]. En evaluaciones sobre casos complejos, se ha observado que modelos como GPT-4 pueden incluir el diagnóstico correcto en una parte importante de los diferenciales, pero con fallas frecuentes al priorizar el diag- nóstico más probable, lo que limita su papel a apoyo complementario y no sustituto del juicio clínico [9]. Además, evaluaciones recientes que desagregan “etapas del cuidado” indican variabilidad del desempeño entre la recomen- dación de exámenes, la decisión diagnóstica y la planificación terapéutica, con degradación en tareas de mayor complejidad y consecuencias potenciales si el usuario sobreconfía en salidas plausibles [10].
En educación médica se ha planteado que el uso temprano y no guiado de chatbots ge- nerativos puede funcionar como un precursor de automatización, al entrenar hábitos de de-
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina.
Arch Med (Manizales). 2026;26(2)
legación cognitiva sin estándares explícitos de verificación, trazabilidad y límites de uso [11]. Además, el debate sobre integridad académica se intensificó porque la IA generativa facilita la producción de texto con apariencia experta y aumenta el riesgo de plagio, elaboración de referencias y externalización opaca del trabajo intelectual; por ello, se ha advertido que los errores y la invención de información pueden erosionar el profesionalismo y la integridad si no se construyen barreras educativas y normativas [12]. Estas preocupaciones se amplifican en contextos con menor capacidad institucional para políticas de evaluación y supervisión, donde se han descrito tensiones adicionales por inequidad, privacidad y sobre- dependencia [13].
La respuesta educativa más robusta no es la prohibición general, sino generar alfabetización en IA y rediseño curricular basado en compe- tencias. En este sentido, se han propuesto dominios y competencias para el uso efectivo y ético de herramientas de IA en salud (cono- cimiento básico, implicaciones sociales, éticas, evaluación basada en evidencia, integración en flujos de trabajo y aprendizaje continuo), útiles como marco para la enseñanza y la evaluación [14]. También se han desarrollado currículos mediante consenso, por ejemplo, con recursos como el método Delphi, para establecer conte- nidos esenciales de IA en pregrados médicos [15,7,16].
A pesar de la rápida adopción de la IA, aún no se comprende cómo su uso varía entre el sim- ple apoyo administrativo y el desarrollo del juicio clínico. Esta brecha de conocimiento es crítica, ya que el uso no supervisado podría fomentar una dependencia cognitiva prematura. Por lo tanto, este estudio tiene como objetivo carac- terizar y comparar los perfiles funcionales de uso de IA orientados a la eficiencia académica frente al razonamiento clínico en estudiantes de medicina. Los hallazgos buscan orientar la in- tegración curricular de estas herramientas bajo un marco de uso responsable y profesional.
Se utilizó un muestreo no probabilístico por conveniencia. La invitación a participar se reali- zó a través de canales institucionales y/o redes de comunicación estudiantil, compartiendo un enlace al cuestionario. La participación fue anónima y no se ofrecieron incentivos.
Se aplicó un cuestionario autoadministrado diseñado para evaluar.
Con el fin de caracterizar los perfiles fun- cionales de uso de IA, se construyeron dos índices compuestos a partir de las actividades académicas reportadas por los estudiantes.
El índice de uso orientado a la eficiencia académica se construyó sumando seis activi- dades relacionadas con el apoyo instrumental al estudio: explicar temas no comprendidos, resumir textos o guías, resolver preguntas tipo examen, ordenar ideas de un texto, generar apuntes y preparar presentaciones.
El índice de uso orientado al razonamiento clínico se construyó sumando cuatro activi- dades relacionadas con procesos clínicos: elaboración de historias clínicas, análisis de historias clínicas, discusión de casos clínicos y propuesta de tratamiento.
Cada actividad fue codificada de forma dico- tómica (1 = uso reportado; 0 = no uso). El valor de cada índice correspondió a la suma de las actividades reportadas por cada estudiante. Debido a que ambos índices estaban com- puestos por diferente número de actividades, los puntajes fueron estandarizados dividiendo el total obtenido entre el número máximo po- sible de actividades de cada escala. De esta manera, se obtuvieron proporciones de uso con rango entre 0 y 1, lo que permitió realizar comparaciones directas entre ambos perfiles.
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina.
Arch Med (Manizales). 2026;26(2)
Con el fin de evaluar la orientación relativa del uso de IA entre actividades académicas y clínicas, se construyó un índice de orientación del uso de IA, calculado como la diferencia entre el puntaje proporcional del índice de uso orientado a eficiencia académica y el puntaje proporcional del índice de uso orientado a razonamiento clínico. Este índice presentó un rango teórico entre −1 y +1. Los valores positi- vos indican una mayor orientación hacia usos académicos de la IA, los valores cercanos a cero reflejan un uso relativamente equilibrado entre actividades académicas y clínicas, y los valores negativos indican una mayor orienta- ción hacia actividades relacionadas con razo- namiento clínico.
Los datos se recolectaron mediante un formulario electrónico autoaplicado. Antes de iniciar el cuestionario se presentó información sobre el objetivo del estudio, voluntariedad de la participación y confidencialidad de los datos. El consentimiento informado se obtuvo de manera electrónica.
El estudio se condujo conforme a los princi- pios éticos para investigación con seres huma- nos. La participación fue voluntaria, anónima y sin recolección de datos identificables. El protocolo se clasificó como investigación sin riesgo por lo que no se solicitó aval del Comité de Ética.
Se realizó un análisis descriptivo de las va- riables de interés. Las variables continuas se resumieron mediante medias y desviaciones estándar, y las variables categóricas mediante frecuencias absolutas y relativas.
La distribución de los índices de uso orienta- do a la eficiencia académica y al razonamiento clínico, se exploró gráficamente mediante dia-
gramas de violín. Para comparar ambos perfiles de uso dentro de los mismos participantes, se empleó una prueba t para muestras pareadas, utilizando los puntajes proporcionales de am- bos índices. Se estimó la diferencia media, su intervalo de confianza del 95 % (IC 95 %) y el tamaño del efecto mediante d de Cohen.
Posteriormente, para evaluar si la orientación del uso de IA variaba según el semestre acadé- mico, se comparó el índice de orientación entre grupos mediante ANOVA de Welch, conside- rando la posible heterogeneidad de varianzas entre semestres. Las comparaciones múltiples se realizaron mediante la prueba post hoc de Games-Howell. Se consideró estadísticamente significativo un valor de p < 0,05.
Los análisis se realizaron utilizando el soft- ware Jamovi (versión 2.6.4).
Se incluyeron 290 estudiantes de medicina. La edad media fue de 20,4 ± 2,66 años, y el promedio académico global fue de 3,99 ± 0,54 en escala de 1 a 5. Entre los estudiantes que reportaron uso de herramientas de IA con fines académicos, el 71,3 % presentó alta frecuencia de uso.
En términos de los perfiles funcionales construidos, la proporción media de uso de IA orientado a la eficiencia académica fue de 0,66
± 0,22, mientras que la proporción media de uso orientado al razonamiento clínico fue de 0,46
± 0,34 (Tabla 1).
La distribución de los índices de uso de IA orientados a la eficiencia académica y al razonamiento clínico se presentan en la figu- ras 1 y 2, respectivamente. El índice de uso orientado a la eficiencia académica mostró
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina.
Arch Med (Manizales). 2026;26(2)
una mayor concentración de valores en rangos intermedios-altos, mientras que el índice de uso orientado al razonamiento clínico presen- tó una distribución más amplia y una mayor dispersión de valores.
Tabla 1. Características generales de la muestra y perfiles proporcionales de uso de IA.
Variable | Resultado |
Edad (media ± DE) | 20,4 ± 2,66 |
Promedio académico (media ± DE) | 3,99 ± 0,54 |
Alta frecuencia de uso de IA, n (%) | 71,3% |
Uso orientado a eficiencia académica (proporcional), media ± DE | 0,66 ± 0,22 |
Uso orientado a razonamiento clínico (proporcional), media ± DE | 0,46 ± 0,34 |

Figura 1. Distribución del índice de uso de IA orientado a la eficiencia académica.

Figura 2. Distribución del índice de uso de IA orientado al razonamiento clínico.
La proporción media de uso de IA orientada a LA eficiencia académica fue significativa- mente mayor que la relacionada con activi- dades de razonamiento clínico. La diferencia media entre ambos índices fue de 0,20 (IC 95
%: 0,17–0,24), resultado que fue estadística- mente significativo (t(289) = 11,5; p < 0,001). El tamaño del efecto fue moderado-alto (d de Cohen = 0,68), lo que indica una predominan- cia consistente del uso instrumental de la IA para tareas académicas en comparación con su utilización en actividades vinculadas al razonamiento clínico (ver Tabla 2).
Tabla 2. Comparación entre perfiles de uso de IA orientados a la eficiencia académica y al razonamiento clínico.
Perfil de uso de IA | Media | DE | Rango |
Uso orientado a la eficiencia académica (proporcional) | 0,664 | 0,219 | 0,14–1,00 |
Uso orientado al razonamiento clínico (proporcional) | 0,461 | 0,339 | 0,00–1,00 |
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina.
Arch Med (Manizales). 2026;26(2)
La variación del índice de orientación del uso de IA según el semestre académico se presenta en la Figura 3. En todos los grupos, el índice presentó valores positivos, lo que indica un predominio general del uso de IA orientado a la eficiencia académica sobre su utilización en actividades vinculadas al razonamiento clínico.
No obstante, se observaron diferencias sig- nificativas entre semestres (ANOVA de Welch: F(4,126) = 3,50; p = 0,010). En particular, los estudiantes de 7–8 semestre mostraron valores significativamente menores del índice en com- paración con los de 5–6 semestre (diferencia de medias = 0,19; p = 0,013), lo que sugiere una integración relativamente mayor de la IA en tareas relacionadas con el razonamiento clínico en esta etapa de la formación.
En conjunto, estos hallazgos muestran que el uso de IA en estudiantes de medicina se orienta predominantemente hacia tareas de eficiencia académica, aunque este patrón pre- senta variaciones según la etapa de formación y la exposición a actividades clínicas.

Figura 3. Índice de orientación del uso de IA según el semestre académico.
Los hallazgos del presente estudio revelan una adopción predominante de IA orientada a la eficiencia académica sobre el razonamiento clínico en estudiantes de medicina, con un 71,3
% de los participantes reportando una alta fre- cuencia de uso. Esta marcada inclinación hacia tareas instrumentales y de productividad (0,66
\pm 0,22) coincide con lo reportado por Sa- llam [17], quien identifica que la facilidad para sintetizar información y la gestión de tiempos son los principales motores de adopción en etapas tempranas de la formación médica. Sin embargo, la brecha significativa hallada entre el uso para la eficiencia y para el razonamiento clínico (d = 0,68; p < 0,001) sugiere que, aun- que la IA está integrada en la rutina estudiantil, su aplicación en procesos cognitivos de orden superior sigue siendo limitada. Esta disparidad podría reflejar una falta de alfabetización en IA específica para el entorno clínico, lo que, según Masters [18], puede derivar en un uso superficial que no capitaliza el potencial de estas herramientas para el diagnóstico o el manejo de pacientes.
Un aspecto importante sería que los estu- diantes emplean primero la IA donde obtienen ventajas inmediatas de tiempo y retroalimen- tación. Darvishi et al. [19] señalan que el uso de IA permite recibir correcciones inmediatas sobre diversos ejercicios, facilitando un proceso de aprendizaje continuo y autónomo al evitar la demora de las revisiones tradicionales. De igual modo, Araujo-Sandoval [20] halló que los estudiantes valoran la IA como herramienta de aprendizaje rápido, pese a cuestionar su confiabilidad. Estos estudios apoyan que la IA se adopta inicialmente para actividades de aprendizaje donde el beneficio es claro, dejando el razonamiento clínico bajo revisión humana crítica.
El razonamiento clínico exige pensamiento crítico y manejo de incertidumbre explícito. Los modelos generativos actuales, si bien pueden
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina.
Arch Med (Manizales). 2026;26(2)
ser convincentes, carecen de validación lógica interna. Estudios recientes lo reflejan. Gilson et al. [21] muestran que ChatGPT no supera con- sistentemente el examen para certificarse como médico en Estados Unidos, y Song et al. [22] destacan que su falta de razonamiento paso a paso limita la exactitud en casos complejos. En este contexto, los estudiantes perciben o aprenden que desviar el juicio clínico al modelo de IA es menos tolerable, lo que reduce su uso en situaciones diagnósticas exigentes [23].
Un aspecto crítico observado es la transición del perfil de uso según el nivel de formación académica. Los resultados indican que los estudiantes de semestres superiores (7-8) muestran una mayor integración de la IA en tareas de razonamiento clínico en comparación con sus pares de ciclos básicos e intermedios. Este fenómeno es consistente con la teoría de la carga cognitiva aplicada a la educación mé- dica, donde la exposición a la práctica clínica real demanda herramientas de soporte para la toma de decisiones complejas [24]. Al comparar estos datos con investigaciones en contextos globales, se observa una tendencia similar donde la utilidad percibida de la IA muta de un soporte administrativo a uno de asistencia diag- nóstica a medida que el estudiante adquiere competencias clínicas fundamentales.
En Latinoamérica, las barreras lingüísticas y de recursos pueden acentuar esta diferencia. Liu et al. [25] encontraron que ChatGPT puede aprobar exámenes médicos a nivel mundial, su- giriendo adaptación lingüística suficiente para tareas de estudio. Sin embargo, también advir- tieron gran variabilidad según la especialidad, lo que indica limitaciones en dominios clínicos específicos. Además, en países en desarrollo se observa que la falta de infraestructura y for- mación en IA tiende a priorizar su uso para pre- parar exámenes o tareas escritas [26,27], refor- zando el sesgo hacia actividades académicas.
El tamaño del efecto observado (d≈0,68) señala que la brecha no es insignificante. Las instituciones no deberían prohibir el uso de IA,
sino encaminarlo y regularlo pedagógicamente. Se debe fortalecer la alfabetización en IA en el currículo: enseñar a los estudiantes a verificar la información generada, citar correctamente y reconocer sesgos [28,29]. Para fomentar su uso en el razonamiento clínico, hay que diseñar actividades supervisadas; por ejemplo, casos clínicos simulados con prompts estructurados, donde el alumno deba analizar críticamente la respuesta de la IA [30]. Este enfoque ayuda a integrar la IA como complemento formativo, sin suplantar el juicio humano [31].
Estos hallazgos han de interpretarse consi- derando ciertas limitaciones. Un caso puede ser la categoría uso académico versus uso clínico que puede solaparse en la práctica real, introduciendo subjetividad. Los modelos de IA evolucionan rápido: versiones futuras con en- trenamiento en razonamiento médico podrían reducir las diferencias observadas. Los datos provienen de autorreportes de estudiantes, lo que implica posibles sesgos de deseabilidad. Sin embargo, la consistencia de estos resulta- dos en varios estudios sugiere que el patrón es robusto.
En estudiantes de medicina el uso de IA se orienta predominantemente hacia la eficiencia académica más que hacia el razonamiento clí- nico, con variaciones según la etapa de forma- ción. Estos hallazgos respaldan la necesidad de integrar alfabetización en IA y estrategias curriculares supervisadas que favorezcan un uso crítico, ético y clínicamente pertinente.
Los autores declaran que no existe conflicto de intereses.
LMDA: Conceptualización y diseño del estu- dio, recolección de datos, análisis estadístico, revisión bibliográfica, redacción del manuscrito y aprobación final.
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina.
Arch Med (Manizales). 2026;26(2)
DAO: Diseño del estudio, análisis esta- Declaración de uso de IA
dístico, revisión del manuscrito, redacción y Los autores declaran que se emplearon
aprobación final. herramientas de Inteligencia Artificial gene-
MALR: Diseño del estudio y del análisis es- rativa exclusivamente para el apoyo en la tadístico, revisión del manuscrito, participación revisión gramatical, la corrección de estilo y en la redacción y aprobación final. la optimización de la estructura sintáctica del
manuscrito.
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 Digit Health. 2023;2(2):e0000198. https://doi.org/10.1371/journal.pdig.0000198
Preiksaitis C, Rose C. Opportunities, challenges, and future directions of generative artificial intelligence in medical education: scoping review. JMIR Med Educ. 2023;9:e48785. https://doi.org/10.2196/48785
Zhang JS, Yoon C, Williams DKA, Pinkas A. Exploring the usage of ChatGPT among medical students in the United States. J Med Educ Curric Dev. 2024;11:23821205241264695. https://doi.org/10.1177/23821205241264695
Weidener L, Fischer M. Artificial intelligence in medicine: cross-sectional study among medical students on appli- cation, education, and ethical aspects. JMIR Med Educ. 2024;10:e51247. https://doi.org/10.2196/51247
Moldt JA, Festl-Wietek T, Madany Mamlouk A, Nieselt K, Fuhl W, Herrmann-Werner A. Chatbots for future docs: exploring medical students’ attitudes and knowledge towards artificial intelligence and medical chatbots. Med Educ Online. 2023;28(1):2182659. https://doi.org/10.1080/10872981.2023.2182659
Tangadulrat P, Sono S, Tangtrakulwanich B. Using ChatGPT for clinical practice and medical education: cross- sectional survey of medical students’ and physicians’ perceptions. JMIR Med Educ. 2023;9:e50658. https://doi.org/10.2196/50658
Levingston H, Anderson MC, Roni MA. From theory to practice: artificial intelligence (AI) literacy course for first- year medical students. Cureus. 2024;16(10):e70706. https://doi.org/10.7759/cureus.70706
Goh E, Gallo R, Hom J, He Z, Posada J, Peng L, et al. Large language model influence on diagnostic reasoning: a randomized clinical trial. JAMA Netw Open. 2024;7(10):e2440969. https://doi.org/10.1001/jamanetworkopen.2024.40969
Ríos-Hoyo AR, Shan NL, Li A, Pearson AT, Pusztai L, Howard FM. Evaluation of large language models as a diagnostic aid for complex medical cases. Front Med (Lausanne). 2024;11:1380148. https://doi.org/10.3389/fmed.2024.1380148
Qiu P, Wu C, Liu S, Feng J, Wang J, Zhang Y, et al. Quantifying the reasoning abilities of LLMs on clinical cases. Nat Commun. 2025;16:9799. https://doi.org/10.1038/s41467-025-64769-1
Nguyen T. ChatGPT in medical education: a precursor for automation bias? JMIR Med Educ. 2024;10:e50174. https://doi.org/10.2196/50174
Currie GM. Academic integrity and artificial intelligence: is ChatGPT hype, hero or heresy? Semin Nucl Med. 2023;53(5):719-30. https://doi.org/10.1053/j.semnuclmed.2023.04.008
Jaleel A, Aziz RA, Farid GF, Bashir MZ. The impact of ChatGPT on academic integrity in medical education: a developing nation perspective. Front Educ. 2025;10:1554444. https://doi.org/10.3389/feduc.2025.1554444
Russell RG, Lovett Novak L, Patel M, Garvey KV, Craig KJT, Jackson GP, et al. Competencies for the use of artificial intelligence-based tools by health care professionals. Acad Med. 2023;98(3):348-356. https://doi.org/10.1097/ACM.0000000000004963
Singla R, Pupic N, Ghaffarizadeh SA, Kim C, Hu R, Forster BB, et al. Developing a Canadian artificial intelligence medical curriculum using a Delphi study. npj Digit Med. 2024;7:323. https://doi.org/10.1038/s41746-024-01307-1
Oftring ZS, Deutsch K, Tolks D, Jungmann F, Kuhn S. Female medical students’ perception of AI for academic and clinical use: a qualitative interview study. JMIR Med Educ. 2025;11:e65220. https://doi.org/10.2196/65220
Delgado Arias L.M., Alba Ospina D., López Ríos M.A. Entre la eficiencia académica y el razonamiento clínico: perfiles funcionales de uso de inteligencia artificial en estudiantes de medicina.
Arch Med (Manizales). 2026;26(2)
Sallam M. ChatGPT utility in healthcare education, research, and practice: systematic review on the promising perspectives and valid concerns. Healthcare (Basel). 2023;11(6):887. https://doi.org/10.3390/healthcare11060887
Masters K. Ethical use of artificial intelligence in health professions education: AMEE Guide N.o 158. Med Teach. 2023;45(6):574-84. https://doi.org/10.1080/0142159X.2023.2186203
Darvishi A, Khosravi H, Sadiq S, Gašević D, Siemens G. Impacto de la asistencia de IA en la autonomía del
estudiante. Comput Educ. 2023;210:104967. https://doi.org/10.1016/j.compedu.2023.104967
Araujo-Sandoval O. El impacto de la inteligencia artificial en el aprendizaje activo. Diario Horizonte Nexus. 2024;2(4):43. https://doi.org/10.70881/hnj/v2/n4/43
Gilson A, Safranek C, Huang T, Socrates V, Chi L, Taylor R, et al. ¿Cómo se desempeña ChatGPT en el Examen de Licencia Médica de los Estados Unidos (USMLE)? Las implicaciones de los modelos de lenguaje grandes para la educación médica y la evaluación del conocimiento. JMIR Med Educ. 2023;9:e45312. https://doi.org/10.2196/45312
Song Z, Yue S, Zhang J. Pensar no es una ilusión: superando las limitaciones de los modelos de razonamiento mediante la ampliación de herramientas. [Preprint]. ArXiv 2025 jul 23 [citado 2026 Abr 13].
Cherrez-Ojeda I, Gallardo-Bastidas JC, Robles-Velasco K, Osorio MF, Vélez León EM, León Velastegui M, et al. Understanding health care students’ perceptions, beliefs, and attitudes toward AI-powered language models: cross-sectional study. JMIR Med Educ. 2024;10(1):e51757. https://doi.org/10.2196/51757
Abd-Alrazaq A, AlSaad R, Alhuwail D, Ahmed A, Healy PM, Latifi S, et al. Large language models in medical education: opportunities, challenges, and future directions. JMIR Med Educ. 2023;9(1):e48291. https://doi.org/10.2196/48291
Liu M, Okuhara T, Chang X, Okada H, Kiuchi T. Rendimiento de ChatGPT en exámenes de licencia médica en países de todo el mundo: una revisión sistemática y protocolo de metaanálisis. PLoS One. 2024;19(10):e0312771. https://doi.org/10.1371/journal.pone.0312771
Kshetri N. Inteligencia artificial en países en desarrollo. IT Prof. 2020;22(4):63-8. https://doi.org/10.1109/mitp.2019.2951851
Oftring ZS, Deutsch K, Tolks D, Jungmann F, Kuhn S. Novel blended learning on artificial intelligence for medical students: qualitative interview study. JMIR Med Educ. 2025 Jan 20;11:e65220. https://doi.org/10.2196/65220
Walter Y. Abrazando el futuro de la Inteligencia Artificial en el aula: la relevancia de la alfabetización en IA, la ingeniería de impulsos y el pensamiento crítico en la educación moderna. Int J Educ Technol High Educ. 2024;21(1):1-29. https://doi.org/10.1186/s41239-024-00448-3
McDonald N, Johri A, Ali A, Collier A. Inteligencia artificial generativa en la educación superior: evidencia de un análisis de políticas y directrices institucionales. Comput Human Behav Artif Hum. 2025;3:100121. https://doi.org/10.1016/j.chbah.2025.100121
Brügge E, Ricchizzi S, Arenbeck M, Keller MN, Schur L, Stummer W, et al. Large language models improve clinical decision making of medical students through patient simulation and structured feedback: a randomized controlled trial. BMC Med Educ. 2024;24(1):1391. https://doi.org/10.1186/s12909-024-06399-7
Thesen T, Park SH. A generative AI teaching assistant for personalized learning in medical education. npj Digit Med. 2025;8:627. https://doi.org/10.1038/s41746-025-02022-1
![]()