Neo, H. Y., Tan, A. J. Q., Lim, Y. J., & Liaw, S. Y. (2025). Generative AI in healthcare simulation-based education: A scoping review. Clinical Simulation in Nursing, 99, 101819. https://doi.org/10.1016/j.ecns.2025.101819
Resumen del artículo
Revisión de alcance que mapea el uso de inteligencia artificial generativa en la educación basada en simulación en ciencias de la salud. Según la descripción disponible, incluyó 28 artículos publicados entre 2023 y 2025, es decir, la producción posterior a la aparición de ChatGPT.
Las aplicaciones identificadas se agrupan en creación de escenarios clínicos, pacientes virtuales conversacionales y generación automática de retroalimentación. Los autores describen un crecimiento acelerado del campo y advierten que hacen falta marcos evaluativos más robustos para juzgar la calidad y el efecto de estas herramientas en la simulación.
Ideas clave
- Tres usos dominantes: diseño de escenarios, pacientes virtuales y retroalimentación automatizada.
- Campo muy reciente: toda la evidencia es de 2023 en adelante, lo que explica la escasez de estudios de efecto.
- Necesidad de marcos evaluativos: falta consenso sobre cómo evaluar intervenciones de IA generativa en simulación.
- Origen en enfermería: el grupo de Liaw en Singapur es referente en simulación de comunicación con IA (n-3-18).
Citas textuales relevantes
Nota metodológica: no se encontró el PDF de este artículo en las carpetas de referencias (ni en subrayados ni en la carpeta general). Esta nota se basa en el resumen y en la descripción de la guía maestra, y las ideas clave carecen de número de página. Se requiere el PDF (correo al autor ya redactado) antes de citar literalmente.
Conexión con la tesis de Sandra
Aporte del autor: un mapa actualizado de para qué se está usando la IA generativa en simulación en salud. Lectura propia para la tesis: las tres categorías de uso son útiles para el Cap 2 porque permiten ubicar con precisión la propuesta de Sandra, que combina las tres (escenarios de CEC generados o adaptados por IA, agentes conversacionales que representan al cirujano o anestesiólogo, y retroalimentación automática sobre NTS). El llamado a marcos evaluativos robustos conecta con los criterios de n-3-5 y con el marco FACETS de n-3-8, y refuerza la decisión de medir con un instrumento validado como el PINTS (n-1-9) en lugar de con salidas de la propia IA. Para el Cap 1 sirve para mostrar que ninguno de los 28 artículos aborda perfusión ni profesionales en ejercicio de América Latina, aunque esta afirmación debe verificarse con el texto completo.
Preguntas orientadoras
- ¿En cuál de las tres categorías de uso (escenarios, pacientes virtuales, retroalimentación) pondrá Sandra el énfasis de su simulación adaptativa y por qué?
- ¿Qué marco evaluativo adoptará la tesis para responder al vacío que señalan estos autores, y cómo lo articulará con PINTS, NASA-TLX y aceptación tecnológica?
- Si la mayoría de la evidencia proviene de enfermería y estudiantes, ¿qué adaptaciones exige el contexto de perfusionistas que operan tecnología crítica durante la CEC?
Conexiones
- Subárea: Simulación virtual IA
- Notas relacionadas: n-3-18, n-3-21, n-3-5, n-3-8
- Autores: Neo, Tan, Lim, Liaw
Mi reflexión
Graba tu reflexión de voz o escríbela usando los controles que aparecen abajo.