Archivos de Medicina
Artículo de Investigaci
Recibido para publicaci: 14-04-2026. Versi corregida: 30-09-2026. Aprobado para publicaci: 07-10-2026.
Modelo de citación: Delgado Arias L.M., Alba Ospina D., Lez 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 educaci médica, especialmente en tareas de estudio y productividad académica. Sin embargo, sigue siendo incierto si su uso se extiende de manera equivalente a procesos 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 aplicun 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 muestras pareadas y ANOVA de Welch con comparaciones post hoc. Resultados: La edad media fue 20,4 ± 2,66 as y el promedio académico 3,99 ± 0,54. El 71,3 % reportalta 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 seg el semestre académico. Conclusiones: El uso de IA en estudiantes de medicina se orienta principalmente a la eficiencia académica, con variaciones seg la etapa de formaci.
Palabras clave: Inteligencia artificial; educaci médica; estudiantes de medicina;
razonamiento clínico.
1 Magíster en Educaci (Ensenza). Médico. Universidad de Manizales, Manizales, Caldas, Colombia. ORCID: https://orcid.org/0000-0001-5978-2017 . Correo electrico: ldelgado@umanizales.edu.co . Autor de correspondencia.
2 Magíster en Ciencias Biomédicas con énfasis en Fisiología. Revive centro de entrenamiento, Manizales, Caldas, Colombia. ORCID: https://orcid.org/0009-0000-2378-4619 . Correo electrico: dalba@umanizales.edu.co
3 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 electrico: psicologamariaalejandra@gmail.com
Between academic efficiency and clinical reasoning: functional profiles of artificial intelligence use in medical students.
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 constructed: 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.
Entre a eficiência acadêmica e o raciocínio clínico: perfis funcionais do uso da inteligência artificial em estudantes de medicina
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. Método: 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 realizadas análises descritivas, o teste t para amostras emparelhadas e a ANOVA de Welch com comparaçs 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 raciocínio clínico (0,66 ± 0,22 vs. 0,46 ± 0,34), com uma diferença média de 0,20 (IC95%: 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 variaçs de acordo com a fase da formação.
Palavras-chave: Inteligência artificial; educação médica; estudantes de medicina; raciocínio clínico.
La expansi de los modelos de lenguaje de gran escala y sus interfaces conversacionales ha cambiado en pocos as la forma de estudiar, redactar y resolver dudas en educaci médica. Revisiones recientes describen oportunidades relevantes en el aprendizaje autodirigido, generaci de materiales, apoyo a escritura e investigaci, pero también riesgos formativos que pueden interferir en la validez de la evaluaci y la integridad académica si no se ensen límites, verificaci y declaraci transparente de uso. Un factor que acelerel interés fue el desempe de ChatGPT en tareas de examen: se reportrendimiento cercano al umbral de aprobaci 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 adopci amplia y un uso predominantemente orientado a la productividad académica. En Estados Unidos se documentel uso frecuente y preferencia por ChatGPT frente a algunos recursos tradicionales en escenarios específicos, motivado por el ahorro de tiempo y la clarificacin de contenidos [3]. En otros entornos académicos, los estudiantes reportan utilidad para explicar conceptos, resumir y apoyar tareas escritas, junto con preocupaciones recurrentes por desinformaci, plagio y falta de formaci formal en IA y ética; además, se observa discrepancia entre el uso real de herramientas tipo chat y la ensenza estructurada de IA/ética en el currículo [4,5]. La adopci 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 educaci médica no es si la IA se usa, sino co se integra funcionalmente seg 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, priorizaci y toma de decisiones [7]. En un ensayo clínico aleatorizado, el acceso a un modelo de lenguaje a gran escala como apoyo diagntico no mejorsignificativamente el desempe de razonamiento diagntico 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 diagntico correcto en una parte importante de los diferenciales, pero con fallas frecuentes al priorizar el diagntico 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 desempe entre la recomendaci de exámenes, la decisi diagntica y la planificaci terapéutica, con degradaci en tareas de mayor complejidad y consecuencias potenciales si el usuario sobreconfía en salidas plausibles [10].
En educaci médica se ha planteado que el uso temprano y no guiado de chatbots generativos puede funcionar como un precursor de automatizaci, al entrenar hábitos de delegaci cognitiva sin estándares explícitos de verificaci, trazabilidad y límites de uso [11]. Además, el debate sobre integridad académica se intensificporque la IA generativa facilita la producci de texto con apariencia experta y aumenta el riesgo de plagio, elaboraci de referencias y externalizaci opaca del trabajo intelectual; por ello, se ha advertido que los errores y la invenci de informaci 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 evaluaci y supervisi, donde se han descrito tensiones adicionales por inequidad, privacidad y sobre-dependencia [13].
La respuesta educativa más robusta no es la prohibici general, sino generar alfabetizaci en IA y redise curricular basado en competencias. En este sentido, se han propuesto dominios y competencias para el uso efectivo y ético de herramientas de IA en salud (conocimiento básico, implicaciones sociales, éticas, evaluaci basada en evidencia, integraci en flujos de trabajo y aprendizaje continuo), iles como marco para la ensenza y la evaluaci [14]. También se han desarrollado currículos mediante consenso, por ejemplo, con recursos como el método Delphi, para establecer contenidos esenciales de IA en pregrados médicos [15,7,16].
A pesar de la rápida adopci de la IA, a no se comprende co su uso varía entre el simple 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 caracterizar 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 integraci curricular de estas herramientas bajo un marco de uso responsable y profesional.
Se utilizun muestreo no probabilístico por conveniencia. La invitaci a participar se realiza través de canales institucionales y/o redes de comunicaci estudiantil, compartiendo un enlace al cuestionario. La participaci fue anima y no se ofrecieron incentivos.
Se aplicun cuestionario autoadministrado disedo para evaluar.
Con el fin de caracterizar los perfiles funcionales 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 construysumando seis actividades 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 construysumando cuatro actividades relacionadas con procesos clínicos: elaboraci de historias clínicas, análisis de historias clínicas, discusi de casos clínicos y propuesta de tratamiento.
Cada actividad fue codificada de forma dicotica (1 = uso reportado; 0 = no uso). El valor de cada índice correspondia la suma de las actividades reportadas por cada estudiante. Debido a que ambos índices estaban compuestos por diferente nero de actividades, los puntajes fueron estandarizados dividiendo el total obtenido entre el nero máximo posible de actividades de cada escala. De esta manera, se obtuvieron proporciones de uso con rango entre 0 y 1, lo que permitirealizar comparaciones directas entre ambos perfiles.
Con el fin de evaluar la orientaci relativa del uso de IA entre actividades académicas y clínicas, se construyun índice de orientaci 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 presentun rango teórico entre −1 y +1. Los valores positivos indican una mayor orientaci 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 orientaci hacia actividades relacionadas con razonamiento clínico.
Los datos se recolectaron mediante un formulario electrico autoaplicado. Antes de iniciar el cuestionario se presentinformaci sobre el objetivo del estudio, voluntariedad de la participaci y confidencialidad de los datos. El consentimiento informado se obtuvo de manera electrica.
El estudio se condujo conforme a los principios éticos para investigaci con seres humanos. La participaci fue voluntaria, anima y sin recolecci de datos identificables. El protocolo se clasificcomo investigaci sin riesgo por lo que no se solicitaval del Comitéde Ética.
Se realizun análisis descriptivo de las variables de interés. Las variables continuas se resumieron mediante medias y desviaciones estándar, y las variables categicas mediante frecuencias absolutas y relativas.
La distribucin de los índices de uso orientado a la eficiencia académica y al razonamiento clínico, se explorgráficamente mediante diagramas de violín. Para comparar ambos perfiles de uso dentro de los mismos participantes, se empleuna prueba t para muestras pareadas, utilizando los puntajes proporcionales de ambos índices. Se estimla diferencia media, su intervalo de confianza del 95 % (IC 95 %) y el tama del efecto mediante d de Cohen.
Posteriormente, para evaluar si la orientaci del uso de IA variaba seg el semestre académico, se comparel índice de orientacin entre grupos mediante ANOVA de Welch, considerando la posible heterogeneidad de varianzas entre semestres. Las comparaciones mtiples se realizaron mediante la prueba post hoc de Games-Howell. Se considerestadísticamente significativo un valor de p < 0,05.
Los análisis se realizaron utilizando el software Jamovi (versi 2.6.4).
Se incluyeron 290 estudiantes de medicina. La edad media fue de 20,4 ± 2,66 as, 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 % presentalta frecuencia de uso.
En términos de los perfiles funcionales construidos, la proporci media de uso de IA orientado a la eficiencia académica fue de 0,66 ± 0,22, mientras que la proporci media de uso orientado al razonamiento clínico fue de 0,46 ± 0,34 (Tabla 1).
La distribuci de los índices de uso de IA orientados a la eficiencia académica y al razonamiento clínico se presentan en la figuras 1 y 2, respectivamente. El índice de uso orientado a la eficiencia académica mostruna mayor concentraci de valores en rangos intermedios-altos, mientras que el índice de uso orientado al razonamiento clínico presentuna distribuci más amplia y una mayor dispersi 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. Distribuci del índice de uso de IA orientado a la eficiencia académica.
Figura 2. Distribuci del índice de uso de IA orientado al razonamiento clínico.
La proporci media de uso de IA orientada a LA eficiencia académica fue significativamente mayor que la relacionada con actividades 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 tama del efecto fue moderado-alto (d de Cohen = 0,68), lo que indica una predominancia consistente del uso instrumental de la IA para tareas académicas en comparaci con su utilizaci en actividades vinculadas al razonamiento clínico (ver Tabla 2).
| 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 |
La variaci del índice de orientaci del uso de IA seg el semestre académico se presenta en la Figura 3. En todos los grupos, el índice present valores positivos, lo que indica un predominio general del uso de IA orientado a la eficiencia académica sobre su utilizaci en actividades vinculadas al razonamiento clínico.
No obstante, se observaron diferencias significativas 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 comparaci con los de 5–6 semestre (diferencia de medias = 0,19; p = 0,013), lo que sugiere una integraci relativamente mayor de la IA en tareas relacionadas con el razonamiento clínico en esta etapa de la formaci.
En conjunto, estos hallazgos muestran que el uso de IA en estudiantes de medicina se orienta predominantemente hacia tareas de eficiencia académica, aunque este patr presenta variaciones seg la etapa de formaci y la exposici a actividades clínicas.
Figura 3. Índice de orientaci del uso de IA seg el semestre académico.
Los hallazgos del presente estudio revelan una adopci 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 frecuencia de uso. Esta marcada inclinaci hacia tareas instrumentales y de productividad (0,66 \pm 0,22) coincide con lo reportado por Sallam [17], quien identifica que la facilidad para sintetizar informaci y la gesti de tiempos son los principales motores de adopci en etapas tempranas de la formaci 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, aunque la IA está integrada en la rutina estudiantil, su aplicaci en procesos cognitivos de orden superior sigue siendo limitada. Esta disparidad podría reflejar una falta de alfabetizaci en IA específica para el entorno clínico, lo que, seg Masters [18], puede derivar en un uso superficial que no capitaliza el potencial de estas herramientas para el diagntico o el manejo de pacientes.
Un aspecto importante sería que los estudiantes emplean primero la IA donde obtienen ventajas inmediatas de tiempo y retroalimentaci. Darvishi et al. [19] selan que el uso de IA permite recibir correcciones inmediatas sobre diversos ejercicios, facilitando un proceso de aprendizaje continuo y automo al evitar la demora de las revisiones tradicionales. De igual modo, Araujo-Sandoval [20] hallque 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 revisi humana crítica.
El razonamiento clínico exige pensamiento crítico y manejo de incertidumbre explícito. Los modelos generativos actuales, si bien pueden ser convincentes, carecen de validaci lica interna. Estudios recientes lo reflejan. Gilson et al. [21] muestran que ChatGPT no supera consistentemente 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 diagnticas exigentes [23].
Un aspecto crítico observado es la transici del perfil de uso seg el nivel de formaci académica. Los resultados indican que los estudiantes de semestres superiores (7-8) muestran una mayor integraci de la IA en tareas de razonamiento clínico en comparaci con sus pares de ciclos básicos e intermedios. Este feneno es consistente con la teoría de la carga cognitiva aplicada a la educaci médica, donde la exposici 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 diagntica a medida que el estudiante adquiere competencias clínicas fundamentales.
En Latinoamérica, las barreras lingsticas y de recursos pueden acentuar esta diferencia. Liu et al. [25] encontraron que ChatGPT puede aprobar exámenes médicos a nivel mundial, sugiriendo adaptaci lingstica suficiente para tareas de estudio. Sin embargo, también advirtieron gran variabilidad seg la especialidad, lo que indica limitaciones en dominios clínicos específicos. Además, en países en desarrollo se observa que la falta de infraestructura y formaci en IA tiende a priorizar su uso para preparar exámenes o tareas escritas [26,27], reforzando el sesgo hacia actividades académicas.
El tamaño del efecto observado (d≈0,68) sela que la brecha no es insignificante. Las instituciones no deberían prohibir el uso de IA, sino encaminarlo y regularlo pedagicamente. Se debe fortalecer la alfabetizaci en IA en el currículo: enser a los estudiantes a verificar la informaci generada, citar correctamente y reconocer sesgos [28,29]. Para fomentar su uso en el razonamiento clínico, hay que diser 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 considerando 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 entrenamiento 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 resultados en varios estudios sugiere que el patr es robusto.
En estudiantes de medicina el uso de IA se orienta predominantemente hacia la eficiencia académica más que hacia el razonamiento clínico, con variaciones seg la etapa de formaci. Estos hallazgos respaldan la necesidad de integrar alfabetizaci 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: Conceptualizaci y dise del estudio, recolecci de datos, análisis estadístico, revisi bibliográfica, redacci del manuscrito y aprobaci final.
DAO: Dise del estudio, análisis esta-Declaraci de uso de IA dístico, revisi del manuscrito, redacci y
Los autores declaran que se emplearonaprobaci final.
herramientas de Inteligencia Artificial gene-MALR: Diseo del estudio y del análisis es-rativa exclusivamente para el apoyo en latadístico, revisi del manuscrito, participaci revisi gramatical, la correcci de estilo y en la redacci y aprobaci final. la optimizaci de la estructura sintáctica del manuscrito.