La carga cognitiva y la aceptación tecnológica condicionan la eficacia de la simulación con IA
La incorporación de tecnologías de inteligencia artificial en escenarios de simulación clínica no garantiza por sí sola mejores resultados de aprendizaje; dos variables mediadoras resultan determinantes. Por un lado, n-5-1 y n-5-2 demuestran que la carga cognitiva experimentada durante la simulación puede medirse de forma válida y confiable. El SIM-TLX (n-5-1) amplía las dimensiones del NASA-TLX clásico para capturar factores específicos de entornos virtuales como la presencia y la tensión perceptual, mientras que n-5-2 confirma que en simulación de anestesia cardíaca (un dominio próximo a la perfusión) la demanda mental es consistentemente la dimensión más exigente. Si la carga cognitiva excede la capacidad del aprendiz, la simulación deja de ser formativa y se convierte en una experiencia frustrante con baja retención.
Por otro lado, n-5-3 revela que la aceptación de la IA entre profesionales de salud no es automática. La revisión integrativa de Lambert et al. identifica el miedo a la pérdida de autonomía profesional y las dificultades de integración en flujos de trabajo como barreras persistentes, pero también señala que la capacitación estructurada multiplica la tasa de uso (de 50% a 100% con tres sesiones frente a una sola). Esta tensión entre resistencia y facilitación por entrenamiento sugiere que la adopción de herramientas de IA en simulación de perfusión dependerá menos de la sofisticación tecnológica y más del diseño instruccional que acompañe su implementación.
Para la tesis de Sandra, estas dos variables (carga cognitiva y aceptación tecnológica) deben considerarse como mediadores en el modelo teórico de la intervención. Un diseño de simulación con IA para NTS en perfusión que no monitoree la sobrecarga cognitiva ni gestione activamente la aceptación del usuario corre el riesgo de producir resultados nulos o negativos, independientemente de la calidad del sistema tecnológico.