Capítulo II. Marco teórico
2.1. Habilidades no técnicas en el quirófano
2.1.1. Origen y definición del concepto
El concepto de habilidades no técnicas (non-technical skills, NTS) migró de la aviación civil a la medicina en la última década del siglo XX. El análisis sistemático de accidentes aéreos había revelado que la mayoría de los incidentes fatales no se debía a fallos mecánicos ni a deficiencias en el pilotaje, sino a errores de comunicación, coordinación de equipo y toma de decisiones bajo presión (Flin et al., 2008). La industria aeronáutica respondió con el Crew Resource Management (CRM), un programa de entrenamiento conductual que redujo las tasas de accidentes de manera sostenida y que se convirtió en el modelo para la gestión de recursos en crisis en otros dominios de alto riesgo.
La transferencia del CRM al quirófano se fundamentó en la analogía estructural entre la cabina de vuelo y la sala de operaciones: ambos son entornos cerrados, de alta complejidad, donde un equipo interdisciplinario debe coordinar acciones bajo presión temporal, con información incompleta y consecuencias potencialmente letales de los errores. Flin et al. (2008) definieron las habilidades no técnicas como “las habilidades cognitivas y sociales que no están directamente relacionadas con el uso de conocimientos médicos, fármacos o equipos, sino con la coordinación, comunicación y toma de decisiones del equipo” (p. 1). Esta definición ha permanecido como referencia canónica en la literatura y distingue explícitamente las NTS de las habilidades técnicas (procedimentales) sin subordinar unas a otras: ambas son necesarias para un desempeño seguro.
Las categorías cognitivas incluyen la conciencia situacional (percepción, comprensión y anticipación del estado del paciente, del equipo y del entorno) y la toma de decisiones (identificación de opciones, evaluación de riesgos y selección de un curso de acción). Las categorías sociales incluyen el trabajo en equipo y la comunicación (coordinación de roles, intercambio de información, resolución de conflictos) y el liderazgo y la gestión de tareas (organización del trabajo, priorización, delegación y mantenimiento de estándares). La mayoría de las taxonomías conductuales del quirófano comparten estas cuatro grandes categorías, aunque las denominan y subdividen de manera ligeramente diferente según la profesión (Mathis et al., 2023).
2.1.2. Taxonomías conductuales para profesiones del quirófano
El desarrollo de taxonomías específicas por rol comenzó con los anestesiólogos. El Anaesthetists’ Non-Technical Skills (ANTS), desarrollado por Fletcher et al. (2003) a partir de la tradición del CRM aeronáutico, fue el primer instrumento validado para evaluar habilidades no técnicas de un profesional individual en el quirófano. Su estructura de cuatro categorías (gestión de tareas, trabajo en equipo, conciencia situacional y toma de decisiones) con tres a cinco elementos observables cada una estableció el paradigma taxonómico que seguirían los instrumentos posteriores.
Para los cirujanos, Yule et al. (2006) desarrollaron el Non-Technical Skills for Surgeons (NOTSS), con las mismas cuatro categorías pero elementos adaptados al rol quirúrgico. El enfermero instrumentista recibió el Scrub Practitioners’ List of Intraoperative Non-Technical Skills (SPLINTS), desarrollado por Mitchell et al. (2012). Para la evaluación del equipo completo, dos instrumentos han dominado la literatura: el Non-Technical Skills scale (NOTECHS), desarrollado originalmente por Sevdalis et al. (2008), y el Team Emergency Assessment Measure (TEAM), desarrollado por Cooper et al. (2010) para evaluar el desempeño del equipo como unidad en situaciones de emergencia.
Mathis et al. (2023) ofrecen la revisión más reciente y completa de las taxonomías de habilidades no técnicas para todos los roles del quirófano. Su síntesis identifica que, aunque las categorías centrales son consistentes entre instrumentos, la operacionalización conductual varía considerablemente: lo que NOTSS llama “toma de decisiones” incluye elementos de “conciencia situacional” en ANTS, y la frontera entre “liderazgo” y “gestión de tareas” difiere entre NOTSS y SPLINTS. Esta variabilidad tiene implicaciones directas para la comparación de resultados entre estudios y para la selección de instrumentos en investigación.
La revisión sistemática de Gawronski et al. (2022), que evaluó 19 instrumentos de habilidades no técnicas en simulación de alta fidelidad aplicando criterios COSMIN (Consensus-based Standards for the Selection of Health Measurement Instruments) y el sistema GRADE de graduación de la evidencia, reveló que solo TEAM podía recomendarse sin reservas para su uso en investigación. La mayoría de los instrumentos carecía de evidencia suficiente de validez de constructo, fiabilidad test-retest o responsividad al cambio. Este hallazgo subraya que la proliferación de taxonomías no ha ido acompañada de un rigor psicométrico equivalente, y que cualquier estudio que emplee un instrumento de NTS debe reportar explícitamente la evidencia de validez disponible y las limitaciones conocidas.
La fiabilidad interevaluador constituye el desafío psicométrico más documentado. Higham et al. (2023) compararon directamente ANTS, Oxford NOTECHS y OSCAR en escenarios idénticos de resucitación simulados y encontraron que la fiabilidad varió ampliamente no solo entre instrumentos sino entre categorías de un mismo instrumento: las categorías cognitivas (conciencia situacional y toma de decisiones) fueron sistemáticamente más difíciles de evaluar de manera confiable que las categorías sociales (comunicación y trabajo en equipo). Pradarelli et al. (2020), al evaluar NOTSS en el contexto estadounidense, encontraron el mismo patrón. Esta dificultad se explica porque las categorías cognitivas requieren que el evaluador infiera procesos mentales a partir de conductas observables, una inferencia que depende del conocimiento clínico del evaluador y de la visibilidad de las conductas en el escenario.
2.1.3. Habilidades no técnicas del perfusionista: el PINTS
La perfusión cardiovascular fue la última profesión del quirófano cardíaco en recibir un instrumento propio de habilidades no técnicas. Dias et al. (2021) desarrollaron el Perfusionists’ Intraoperative Non-Technical Skills (PINTS) mediante un proceso de tres etapas: revisión de las taxonomías existentes (NOTSS, ANTS, SPLINTS), consulta con un panel de expertos en perfusión, y prueba de campo con 60 evaluadores que calificaron 4 videos simulados de escenarios intraoperatorios.
El PINTS contiene cuatro categorías conductuales, cada una con cuatro elementos observables:
- Toma de decisiones (Decision Making): definición del problema, generación de opciones, evaluación de opciones e implementación y revisión de la decisión.
- Conciencia situacional (Situation Awareness): recopilación de información, reconocimiento y comprensión, anticipación, y equilibrio entre demandas y suministros.
- Gestión de tareas y liderazgo (Task Management and Leadership): planificación y preparación, priorización, provisión y mantenimiento de estándares, y delegación y uso de recursos.
- Trabajo en equipo y comunicación (Teamwork and Communication): coordinación con el equipo, intercambio de información, asertividad, y evaluación de capacidades.
Cada elemento se califica en una escala de 1 (pobre) a 4 (bueno), con descriptores conductuales que guían la asignación de la puntuación. El instrumento demostró capacidad de discriminar entre buen y mal desempeño (p < 0,001 para las cuatro categorías) con un coeficiente de correlación intraclase (CCI) de 0,735 para la puntuación global. La fiabilidad fue similar entre evaluadores novatos y expertos, lo que sugiere que un entrenamiento breve puede ser suficiente para su aplicación.
Las cuatro categorías del PINTS coinciden estructuralmente con las de NOTSS y ANTS, pero los elementos observables están adaptados al rol específico del perfusionista. Por ejemplo, el elemento “equilibrio entre demandas y suministros” en conciencia situacional refleja la tarea central de la circulación extracorpórea: mantener el flujo sanguíneo, la oxigenación y la temperatura dentro de rangos fisiológicos mientras se gestionan las demandas cambiantes del procedimiento quirúrgico y del paciente. Este nivel de especificidad es lo que justifica un instrumento propio frente al uso genérico de NOTSS o NOTECHS para evaluar al perfusionista.
Desde su publicación, el PINTS no ha sido utilizado en estudios posteriores fuera de su contexto original ni ha sido validado en otros idiomas o poblaciones. Okoli et al. (2025), en su revisión de la literatura sobre entrenamiento y evaluación de NTS en cirugía cardiotorácica, confirman que todavía faltan métodos fiables de entrenamiento y evaluación para perfusionistas. El consenso europeo sobre competencias del perfusionista clínico (Bauer et al., 2025) incluyó por primera vez la toma de decisiones, la comunicación y la colaboración interdisciplinar como competencias exigibles, legitimando la necesidad de instrumentos como el PINTS para su evaluación.
2.1.4. Evidencia del impacto de las NTS sobre desenlaces clínicos
La relación entre habilidades no técnicas y resultados clínicos ha sido objeto de investigación creciente. Norton et al. (2025) realizaron la revisión sistemática más completa hasta la fecha, reuniendo 21 estudios con 251 180 procedimientos quirúrgicos. El 57 % de los estudios reportó mejoras estadísticamente significativas en desenlaces clínicos (complicaciones, mortalidad, duración de estancia) asociadas a mejores habilidades no técnicas, y ningún estudio encontró deterioro. Los autores señalan que la heterogeneidad de instrumentos y diseños impide un metaanálisis, pero la consistencia de la dirección del efecto constituye evidencia convergente de que las NTS son un determinante modificable de la seguridad del paciente.
Riem et al. (2012) demostraron que las habilidades técnicas y no técnicas correlacionan positivamente en escenarios de crisis, lo que sostiene su evaluación conjunta. Esta correlación tiene implicaciones para la formación: un entrenamiento que mejore las NTS puede tener efectos colaterales positivos sobre el desempeño técnico, y viceversa. Sin embargo, Collins et al. (2025) encontraron que la simulación de alta fidelidad mejoró las habilidades técnicas (tiempo de cambio de oxigenador) pero no la comunicación, lo que indica que la transferencia no es automática y que las NTS requieren un diseño instruccional específico.
2.2. Simulación clínica en educación de profesiones de la salud
2.2.1. Fundamentos y evidencia metaanalítica
La simulación clínica se define como una estrategia educativa que recrea situaciones clínicas en un entorno controlado para que los participantes practiquen habilidades y tomen decisiones sin riesgo para el paciente. Su efectividad ha sido establecida mediante una cadena de metaanálisis que constituye uno de los cuerpos de evidencia más robustos en educación médica.
Cook et al. (2011), en un metaanálisis fundacional de 609 estudios publicado en JAMA, establecieron que la simulación produce efectos grandes frente a la no intervención, con tamaños de efecto de 1,20 para conocimiento y 1,09 para habilidades. Cuando se compara con otras formas de instrucción, los efectos son más modestos (0,20 a 0,40), lo que indica que la simulación es más eficaz que no hacer nada pero que su ventaja sobre otros métodos activos depende de las características de diseño.
Cook et al. (2013) identificaron las características de diseño instruccional que maximizan el aprendizaje en simulación. En orden de impacto, el rango de dificultad (DME 0,68), la práctica repetida (0,68), la práctica distribuida (0,66), la interactividad (0,65) y el feedback (0,44) fueron las más influyentes. La práctica deliberada, conceptualizada por Ericsson como la repetición intencional con retroalimentación específica, fue validada como superior a la educación clínica tradicional en simulación por McGaghie et al. (2011), con un efecto combinado de 0,71.
El aprendizaje de maestría (mastery learning), en el que el estudiante repite hasta alcanzar un criterio predefinido de competencia, produce efectos grandes en habilidades (1,29) y moderados en pacientes (0,73), aunque requiere más tiempo de entrenamiento (Cook et al., 2013b). Chernikova et al. (2020), en un metaanálisis centrado en educación superior, confirmaron que los andamiajes facilitadores (facilitating scaffolds) producen los efectos más grandes en habilidades complejas.
Para habilidades no técnicas específicamente, Ey et al. (2025) realizaron el metaanálisis más reciente con 65 estudios y 20 ensayos aleatorizados sobre intervenciones para mejorar NTS en cirugía. La práctica con debriefing o feedback tuvo el efecto más grande (DME 1,80), seguida del entrenamiento de CRM (1,40). Estos tamaños de efecto son excepcionalmente grandes y proporcionan la referencia contra la cual debe compararse cualquier intervención nueva, incluida la simulación mediada por IA.
2.2.2. Simulación en perfusión cardiovascular
La formación del perfusionista nació como oficio aprendido en el quirófano, con un modelo de aprendiz que dependía de la experiencia acumulada junto a profesionales en ejercicio. Los simuladores de alta fidelidad para circulación extracorpórea (CEC) aparecieron a mediados de los 2000 y adoptaron dos aproximaciones: sistemas hidráulicos conectados a la máquina corazón-pulmón institucional, como Orpheus (Morris et al., 2007), y simuladores de paciente virtual basados en modelos numéricos de regulación cardiovascular (Tokaji et al., 2012).
Las encuestas nacionales de incidentes en perfusión realizadas en Australia (Jenkins et al., 1997), Estados Unidos (Mejak et al., 2000), Francia (Charrière et al., 2007) y los Países Bajos (Groenenberg et al., 2010) establecieron que los incidentes durante la CEC son frecuentes y en gran parte prevenibles, lo que fundamentó la necesidad de simulación como estrategia de prevención. Lawson et al. (2017) encontraron que los perfusionistas tienen actitudes positivas hacia la seguridad pero prácticas de reporte subóptimas, y Reis Filho et al. (2024) desarrollaron una lista de verificación específica para CEC como herramienta complementaria.
Con perfusionistas titulados, los estudios de simulación son escasos. Merkle et al. (2020) demostraron con 19 perfusionistas que los escenarios de eventos críticos en CEC son percibidos como realistas, que una lista de verificación acorta el tiempo de decisión y mejora su calidad, y que el seguimiento ocular y la variabilidad de la frecuencia cardíaca permiten evaluar conducta y estrés en tiempo real. Gierig et al. (2020) encontraron efectos positivos del entrenamiento pero transferencia limitada entre situaciones distintas, lo que subraya la necesidad de múltiples escenarios variados. Collins et al. (2025) reportaron que la simulación de alta fidelidad acelera tareas técnicas pero no mejoró la comunicación, un hallazgo que refuerza la necesidad de un diseño instruccional específico para NTS.
Searles et al. (2024) validaron un modelo de CEC simulada de alta fidelidad con 81 participantes que lo calificaron como realista en parámetros fisiológicos, técnicos y cognitivos. Bienstock et al. (2025) encuestaron los programas de perfusión en Estados Unidos y documentaron las barreras de implementación: financiamiento, disponibilidad de equipos y tiempo curricular.
En América Latina, la situación es más crítica. Cubas et al. (2026) documentaron desiertos de formación cardiovascular en la región, y Armijo-Rivera et al. (2021) encontraron que los centros de simulación latinoamericanos muestran avances heterogéneos según los criterios ASPIRE y SSH: mientras algunos centros en Chile, Brasil y Colombia cuentan con infraestructura de alta fidelidad, la mayoría enfrenta barreras de financiamiento, personal y tiempo institucional. No se encontró ningún estudio de simulación con perfusionistas latinoamericanos en las bases indexadas.
2.2.3. Diseño instruccional: debriefing y práctica deliberada
El debriefing es reconocido como el componente pedagógico más importante de la simulación (Cheng et al., 2014; Ey et al., 2025). Sin embargo, la evidencia sobre cuál método de debriefing es superior es menos concluyente. Cheng et al. (2014), en un metaanálisis de 177 estudios, establecieron las variables que deben reportarse en cualquier estudio que incluya debriefing (duración, facilitador, estructura, video, guía), pero no demostraron la superioridad de un método sobre otro. Duff et al. (2024) confirmaron esta conclusión tras revisar 70 estudios: las estrategias de debriefing no descansan en evidencia empírica robusta.
Lo que sí tiene evidencia diferencial es el foco del debriefing. Botelho et al. (2024) demostraron en un ensayo aleatorizado controlado multicéntrico (Brasil y Canadá) que el debriefing centrado explícitamente en habilidades no técnicas mejora las puntuaciones de NOTSS en todas las categorías frente a un debriefing estándar. Este hallazgo tiene implicaciones directas para el diseño de la presente investigación: el debriefing de la plataforma virtual debe orientar la reflexión hacia las cuatro categorías del PINTS.
Garden et al. (2015) revisaron las prácticas efectivas de debriefing después de simulación de habilidades no técnicas e identificaron que la estructura conversacional (descripción, análisis, aplicación) es más consistente que los modelos prescriptivos. Levett-Jones y Lapkin (2014) confirmaron la efectividad general del debriefing en simulación en salud. Jaffrelot et al. (2024), en un ensayo aleatorizado controlado, demostraron que el debriefing entre pares es tan eficaz como el dirigido por el instructor para crisis simuladas. Este hallazgo, combinado con los resultados de Pears et al. (2024) sobre feedback de IA, abre la posibilidad de un debriefing automatizado que reduzca la dependencia de facilitadores expertos sin pérdida de efectividad.
Sobre retención de habilidades, la evidencia indica que las habilidades procedimentales se deterioran a partir de los 3 a 6 meses sin refuerzo (Legoux et al., 2020; Au et al., 2019). En habilidades no técnicas los datos son más escasos: Friedlaender et al. (2025) evaluaron adquisición y retención tras simulación interprofesional en residentes de pediatría en Brasil, y Zhang et al. (2026) encontraron que los refuerzos periódicos in situ favorecen la durabilidad del aprendizaje de NTS en urgencias. Estos hallazgos justifican un diseño de intervención que incluya acceso prolongado a la plataforma y no se limite a una sesión única.
2.2.4. Escenarios de crisis en cirugía cardíaca
La selección de escenarios para el entrenamiento en NTS debe equilibrar la representatividad clínica, la factibilidad de simulación y la capacidad de elicitar las conductas que el instrumento busca evaluar. Kemper et al. (2023) realizaron un estudio Delphi con 114 expertos, incluidos 25 perfusionistas, y produjeron 13 escenarios de crisis consensuados para entrenamiento de equipos de cirugía cardíaca. Estos escenarios cubren situaciones como el fallo del oxigenador, la embolia gaseosa masiva, la disección aórtica y el sangrado incontrolable, y constituyen una fuente validada para la selección de los escenarios de la plataforma virtual.
Stevens et al. (2012) implementaron un programa de manejo de crisis para equipos de cirugía cardíaca con simulación de alto realismo y encontraron que los participantes solicitaron repetir el entrenamiento cada 6 a 12 meses, dato que calibra la frecuencia de refuerzo necesaria. Redjem et al. (2025) revisaron 29 estudios sobre manejo de crisis en quirófano mediante simulación y encontraron predominio de simulación de alta fidelidad con foco en comunicación, trabajo en equipo, conciencia situacional y toma de decisiones, pero rara vez la evaluación superó el nivel 3 de Kirkpatrick (cambio de conducta en el entorno clínico real).
Abildgren et al. (2022), en una revisión sistemática de 72 estudios, identificaron un sesgo importante en la literatura: la mayoría de los estudios simulan situaciones de crisis, mientras que los escenarios cotidianos están subexplorados. Sin embargo, muchos de los incidentes en perfusión documentados por Mejak et al. (2000) y Groenenberg et al. (2010) ocurren durante procedimientos de rutina, no durante emergencias, lo que sugiere que los escenarios para perfusionistas deben incluir tanto situaciones de crisis como variaciones de la práctica habitual.
2.3. Inteligencia artificial en simulación clínica
2.3.1. La IA como tutor, evaluador y retroalimentador
Desde 2023, la inteligencia artificial generativa ha ingresado en la simulación clínica con tres roles principales: paciente virtual (que responde a las acciones del participante de manera realista), tutor (que guía el aprendizaje con andamiajes adaptativos) y generador de retroalimentación (que evalúa el desempeño y produce feedback personalizado). Neo et al. (2025) ofrecen la revisión más reciente de la IA generativa en simulación, distinguiendo estas funciones y señalando que la mayoría de las implementaciones se concentran en el feedback.
Los ensayos aleatorizados de Fazlollahi et al. (2022) y Yilmaz et al. (2024) constituyen la evidencia más sólida sobre la eficacia de la IA como retroalimentador. Fazlollahi et al. (2022) compararon en un ensayo de tres brazos (tutor de IA, instructor experto remoto, sin feedback) con 70 estudiantes de neurocirugía en realidad virtual. El tutor de IA superó a ambos comparadores en desempeño y transferencia, sin aumentar la carga cognitiva medida con el NASA-TLX. Yilmaz et al. (2024) extendieron estos resultados con 97 participantes, demostrando que el feedback de IA en tiempo real produjo mejor desempeño que la instrucción presencial en habilidades quirúrgicas técnicas.
En habilidades no técnicas, Pears et al. (2024) realizaron un estudio en doble ciego comparando el feedback de GPT-4 con el de consultores en urología sobre el desempeño no técnico de residentes. La IA fue superior en refuerzo de búsqueda de información, feedback basado en evidencia y adaptación de la explicación al nivel del aprendiz; los consultores fueron superiores en terminología clínica específica y feedback factual (corrección de errores factuales). Este patrón sugiere un modelo óptimo de feedback mixto: IA para la estructura y la fundamentación, humano para la corrección factual y la contextualización clínica.
Kor et al. (2026) compararon en un estudio cuasiexperimental con 178 estudiantes de enfermería el debriefing asistido por IA generativa con el debriefing facilitado por un instructor tras simulación en realidad virtual. No encontraron diferencias significativas entre grupos en conocimiento ni en habilidades no técnicas autorreportadas, lo que sugiere que la IA puede sustituir al facilitador humano sin pérdida de efectividad. Este hallazgo es particularmente relevante para contextos con escasez de facilitadores expertos, como América Latina.
2.3.2. Vacíos en la evidencia sobre IA y NTS
La revisión sistemática de Loubbairi et al. (2025), la primera que cruzó IA con habilidades no técnicas utilizando la guía PRISMA, analizó 20 estudios con 2535 participantes. Los resultados mostraron mejoras en comunicación, razonamiento clínico y toma de decisiones, pero revelaron un vacío crítico: ningún estudio evaluó liderazgo ni trabajo en equipo, que son dos de las cuatro categorías del PINTS y dos de las habilidades sociales más difíciles de entrenar.
Feigerlova et al. (2025) realizaron una revisión sistemática aún más severa del impacto educativo de la IA en educación de profesiones de salud. De 12 estudios que evaluaron impacto, todos fueron unicéntricos, ninguno controló confusores, ninguno reportó el efecto del feedback sobre el aprendizaje medido con instrumentos validados y todos se quedaron en el nivel 2 de Kirkpatrick (reacción o aprendizaje, sin evidencia de cambio de conducta en la práctica clínica). Gordon et al. (2024), en la Guía BEME 84 (una revisión de alcance de 278 publicaciones sobre IA en educación médica), encontraron que el 68 % de la producción provenía de Norteamérica y Europa, que solo 5 de 191 artículos abordaban IA en simulación, y propusieron el marco FACETS (Fairness, Accountability, Compliance, Ethics, Transparency, Safety) para estandarizar el reporte de innovaciones de IA en educación médica.
Wang et al. (2026) confirmaron en un metaanálisis de ensayos controlados aleatorizados que la IA generativa produce efectos positivos a corto plazo en educación médica, pero señalaron el alto riesgo de sesgo en la mayoría de los estudios incluidos. Estos hallazgos configuran el estado del campo: la IA en simulación es prometedora pero la evidencia es incipiente, concentrada geográficamente, metodológicamente débil y con vacíos temáticos que la presente investigación busca ocupar.
2.3.3. IA explicable y evaluación automatizada de NTS
La transparencia de los sistemas de IA aplicados a la evaluación del desempeño clínico es una exigencia ética y pedagógica. Mirchi et al. (2020) desarrollaron el Virtual Operative Assistant (VOA), una herramienta de IA explicable para simulación quirúrgica que proporciona retroalimentación transparente: el usuario puede ver qué datos del desempeño fundamentan cada sugerencia del sistema. Este marco de IA explicable es la referencia técnica para argumentar el uso de sistemas de retroalimentación transparentes frente al riesgo de “caja negra” que limita la confianza y la utilidad pedagógica.
Harari et al. (2024) demostraron la viabilidad de utilizar aprendizaje profundo para analizar grabaciones de video quirúrgico y evaluar habilidades no técnicas en cirugía cardíaca, con el perfusionista incluido en el equipo. Este enfoque abre la puerta a métricas objetivas complementarias a las escalas observacionales como el PINTS.
El prototipo más avanzado en la intersección de IA, realidad virtual y NTS es VORTeX (Barker et al., 2026), que integra realidad virtual multiusuario con modelos de lenguaje grande para evaluar automáticamente comunicación y liderazgo según la taxonomía NOTSS. Los participantes interactúan con avatares controlados por IA en escenarios quirúrgicos, y el sistema genera evaluaciones en las categorías de NTS con justificaciones textuales. VORTeX es la arquitectura más parecida a la que propone la presente investigación, aunque evalúa cirujanos con NOTSS y no perfusionistas con PINTS.
2.4. Carga cognitiva y aceptación tecnológica
2.4.1. Teoría de la carga cognitiva y el NASA-TLX
La teoría de la carga cognitiva proporciona el marco para comprender cómo las demandas del entorno de simulación afectan el aprendizaje y el desempeño. En el contexto de la simulación clínica, la carga cognitiva tiene tres componentes: intrínseca (complejidad inherente de la tarea), extrínseca (demandas generadas por el diseño instruccional) y germana (recursos invertidos en la construcción de esquemas mentales). Una simulación bien diseñada minimiza la carga extrínseca y maximiza la carga germana (Sweller et al., 2011).
El NASA-Task Load Index (NASA-TLX), desarrollado por Hart y Staveland (1988), es el instrumento de medida subjetiva de carga de trabajo más utilizado en la literatura de simulación. Contiene seis subescalas: demanda mental, demanda física, demanda temporal, rendimiento, esfuerzo y frustración. Su aplicación en simulación quirúrgica ha generado hallazgos consistentes: Yurko et al. (2010) demostraron que una mayor carga de trabajo se asocia con peor desempeño laparoscópico (r = -0,5) y predice lesiones inadvertidas. Bhandary et al. (2016) aplicaron el NASA-TLX en escenarios de anestesia cardíaca simulada y encontraron que la demanda mental fue la subescala más alta, un dato relevante para la perfusión, que comparte el entorno intraoperatorio.
Abe et al. (2019) proporcionaron un hallazgo particularmente relevante para el diseño de la intervención: en simulación repetida de inmersión completa con 17 operadores novatos en 6 sesiones, el NASA-TLX descendió de forma sostenida incluso cuando la habilidad técnica ya había alcanzado su meseta. Este patrón sugiere que el NASA-TLX captura un componente de automatización cognitiva que es relevante para el entrenamiento prolongado y que puede detectar mejoras que los instrumentos de desempeño ya no registran.
Hutson et al. (2024) evaluaron las propiedades psicométricas del NASA-TLX en simulación de enfermería y encontraron que la fiabilidad es buena en simulación individual pero menor en simulación grupal, una consideración relevante dado que los escenarios de la presente investigación incluyen interacción en equipo.
Harris et al. (2019) desarrollaron el Simulation Task Load Index (SIM-TLX) como alternativa específica para entornos virtuales, con subescalas que agregan complejidad de la tarea, estrés situacional, distracción, esfuerzo perceptivo y presencia. Para una plataforma de simulación virtual como la propuesta en esta investigación, el SIM-TLX podría capturar dimensiones que el NASA-TLX omite, particularmente la presencia (sensación de estar en el escenario) y el estrés situacional.
2.4.2. Aceptación tecnológica: UTAUT y sus extensiones
La adopción de una plataforma de simulación mediada por IA por parte de perfusionistas en ejercicio no depende solo de su eficacia educativa sino de la disposición de los usuarios a utilizarla. El modelo UTAUT (Unified Theory of Acceptance and Use of Technology), desarrollado por Venkatesh et al. (2003), integra ocho modelos previos de aceptación tecnológica e identifica cuatro predictores principales de la intención de uso: la expectativa de desempeño (utilidad percibida), la expectativa de esfuerzo (facilidad de uso), la influencia social (presión del entorno profesional) y las condiciones facilitadoras (infraestructura y soporte disponible).
Lambert et al. (2023) realizaron una revisión integradora de 42 artículos sobre la aceptación de IA por profesionales hospitalarios, organizada con el marco UTAUT. Identificaron como barreras unánimes el miedo a perder autonomía profesional y la dificultad de integrar la IA al flujo de trabajo habitual, y como facilitador principal la capacitación en su uso. Estos hallazgos sugieren que la intervención debe incluir un componente de familiarización que reduzca la ansiedad y demuestre la complementariedad (no sustitución) de la IA respecto al juicio clínico del perfusionista.
Dingel et al. (2024), en un metaanálisis de predictores de la intención de uso de sistemas de apoyo a la decisión con IA, confirmaron la expectativa de desempeño y la influencia social como los dos predictores más robustos. Lee et al. (2025) advirtieron que la confianza en el sistema y la preparación organizacional deben incorporarse como variables adicionales al UTAUT en contextos de salud. Scipion et al. (2025) complementaron la perspectiva cuantitativa con hallazgos cualitativos sobre barreras y facilitadores de la aceptación de IA por clínicos.
Zhao et al. (2025) extendieron el UTAUT para agentes educativos de IA con estudiantes de medicina y encontraron que la expectativa de esfuerzo fue el predictor más fuerte (beta = 0,362), mientras que la influencia social no fue significativa. Este hallazgo contrasta con el metaanálisis de Dingel et al. (2024) y sugiere que la relevancia de cada predictor depende del contexto: en profesionales activos, la influencia de colegas puede pesar más que en estudiantes.
Para la presente investigación, la medición de la aceptación tecnológica cumple dos funciones: como covariable que puede mediar la relación entre la exposición a la plataforma y el cambio en las NTS (un perfusionista que rechaza la tecnología puede participar sin involucrarse), y como variable dependiente que informa sobre la viabilidad de la implementación a escala.
2.5. Adaptación transcultural de instrumentos
2.5.1. Principios y estándares metodológicos
La adaptación transcultural de un instrumento psicométrico implica más que una traducción lingüística: requiere garantizar que el constructo medido conserve su significado y sus propiedades psicométricas en la cultura de destino. Las directrices internacionales de la International Test Commission (ITC, 2017) y los estándares COSMIN (Mokkink et al., 2010) establecen un proceso de varias etapas: traducción directa por al menos dos traductores independientes, síntesis, retrotraducción, revisión por comité de expertos, prueba piloto con entrevistas cognitivas, y evaluación de las propiedades psicométricas en la población de destino.
Para instrumentos de habilidades no técnicas, la adaptación presenta un desafío adicional: los descriptores conductuales deben ser comprensibles y aplicables en contextos clínicos que pueden diferir en organización del quirófano, roles profesionales y cultura de comunicación. Un comportamiento que en un país se considera asertivo puede percibirse como agresivo o inapropiado en otro.
2.5.2. Validaciones de instrumentos de NTS al español
La literatura incluye cinco validaciones relevantes de instrumentos de NTS al español que constituyen modelos metodológicos para la adaptación del PINTS:
Delfino et al. (2022) realizaron la adaptación transcultural y validación del ANTS al español con el rigor psicométrico más alto del grupo: análisis factorial confirmatorio (AFC) que reprodujo los cuatro dominios originales con índices de ajuste excelentes (CFI y TLI de 0,99; RMSEA de 0,07) a partir de 212 escenarios simulados evaluados. Este estudio demuestra la viabilidad de mantener la estructura factorial de un instrumento de NTS en su versión en español.
Zamudio Burbano et al. (2021) validaron en Colombia la escala Ottawa CRM GRS con 91 participantes en simulación de alta fidelidad, obteniendo consistencia interna alta (alfa mayor de 0,9 por dimensión) pero fiabilidad interevaluador moderada (CCI de 0,59 a 0,69). Sánchez-Marco et al. (2021) adaptaron las escalas MHPTS y Ottawa GRS al español de España con 100 estudiantes y 94 escenarios. Armijo-Rivera et al. (2023) generaron evidencia de validez del TEAM en español en Chile, mostrando cómo reportar evidencia por tipo de equipo y por tipo de evaluador.
El antecedente más relevante para el diseño multinacional de la presente investigación es la validación lingüística y cultural del DASH (Debriefing Assessment for Simulation in Healthcare) realizada por Muller-Botti et al. (2020) en ocho países hispanohablantes simultáneamente. Este procedimiento de armonización del español entre países es el modelo a replicar, dado que la población de perfusionistas cardiovasculares se distribuye en varios países de América Latina con variantes dialectales que pueden afectar la comprensión de los descriptores conductuales.
Ninguno de estos instrumentos adaptados al español evalúa específicamente las habilidades no técnicas de los perfusionistas cardiovasculares, lo que confirma el vacío que la adaptación del PINTS busca llenar.
2.6. El perfusionista cardiovascular como sujeto de estudio
2.6.1. Rol y competencias del perfusionista
El perfusionista cardiovascular es el profesional responsable de operar la máquina corazón-pulmón durante la circulación extracorpórea (CEC), un procedimiento que sustituye temporalmente la función del corazón y los pulmones durante la cirugía cardíaca. Su tarea central consiste en mantener el flujo sanguíneo, la oxigenación, la temperatura y el equilibrio ácido-base dentro de rangos fisiológicos mientras el cirujano opera sobre un corazón detenido. Un error en la gestión de la CEC (embolia gaseosa, hipoperfusión, desconexión del circuito) puede tener consecuencias letales inmediatas.
El perfusionista opera en un entorno de alta complejidad cognitiva: debe monitorizar simultáneamente múltiples parámetros hemodinámicos, gasométricos y de la máquina; anticipar las necesidades del procedimiento quirúrgico; comunicarse con el cirujano y el anestesiólogo para coordinar las fases de entrada y salida de bypass; y tomar decisiones rápidas ante eventos adversos inesperados. Esta descripción funcional mapea directamente sobre las cuatro categorías del PINTS: conciencia situacional (monitorización y anticipación), toma de decisiones (respuesta a eventos), gestión de tareas y liderazgo (organización del trabajo y priorización), y trabajo en equipo y comunicación (coordinación con el equipo quirúrgico).
2.6.2. Formación y heterogeneidad de la profesión
La formación del perfusionista varía considerablemente entre países y regiones. En Estados Unidos, la perfusión es un programa de posgrado acreditado con estándares unificados, aunque Bienstock et al. (2025) documentaron que incluso allí existen barreras para la integración de simulación en el currículo. En Europa, Debeuckelaere et al. (2024) y Giesbrecht et al. (2024) caracterizaron la heterogeneidad de la formación en perfusión: los requisitos de acceso, la duración del programa, el contenido curricular y la certificación difieren entre países, y el consenso EBCP (Bauer et al., 2025) representó el primer esfuerzo por establecer competencias básicas comunes.
En América Latina, la heterogeneidad es presumiblemente mayor pero no ha sido medida. Los datos regionales disponibles se limitan al perfil laboral de perfusionistas en Brasil (Nicoletti et al., 2019) y a encuestas internacionales sobre seguridad en perfusión (Sahin et al., 2025). La caracterización sociodemográfica y de experiencia profesional de los perfusionistas participantes en la presente investigación producirá el primer retrato regional de esta profesión en el contexto latinoamericano.
2.6.3. Incidentes y seguridad en perfusión
Las encuestas de incidentes en perfusión proporcionan la base empírica para la necesidad de formación en NTS. Jenkins et al. (1997) realizaron la primera encuesta australiana de incidentes en perfusión. Mejak et al. (2000) documentaron la frecuencia y naturaleza de los incidentes en CEC en Estados Unidos. Charrière et al. (2007) encuestaron retrospectivamente los dispositivos de monitorización y seguridad en bypass cardiopulmonar en Francia. Groenenberg et al. (2010) condujeron la encuesta holandesa de incidentes en perfusión. Los cuatro estudios convergen en que los incidentes son frecuentes (del orden de 1 por cada 100 a 300 procedimientos), que una proporción significativa involucra errores humanos (comunicación, omisión, decisión tardía) y que medidas de seguridad como listas de verificación y protocolos estandarizados reducen su frecuencia.
Lawson et al. (2017) evaluaron la cultura de seguridad entre perfusionistas y encontraron una paradoja: actitudes positivas hacia la seguridad coexisten con prácticas de reporte subóptimas. Reis Filho et al. (2024) abordaron esta brecha desarrollando y validando una lista de verificación específica para CEC. Estos antecedentes fundamentan la intervención desde la perspectiva de la seguridad del paciente: el entrenamiento en NTS para perfusionistas no es un ejercicio académico sino una necesidad documentada para reducir errores prevenibles.
2.7. Contexto latinoamericano de la educación en salud y la simulación
2.7.1. Infraestructura de simulación en la región
Armijo-Rivera et al. (2021) caracterizaron los centros de simulación en América Latina según los criterios de calidad ASPIRE (Association for Simulated Practice in Resuscitation Education) y SSH (Society for Simulation in Healthcare). Su estudio reveló un desarrollo heterogéneo: centros de vanguardia en Chile, Brasil, Colombia y México coexisten con amplias zonas geográficas desprovistas de infraestructura de simulación. Las barreras identificadas (financiamiento, personal docente capacitado en simulación, tiempo institucional dedicado) coinciden con las reportadas en programas consolidados de Estados Unidos (Bienstock et al., 2025), lo que sugiere que son barreras estructurales del campo más que limitaciones exclusivamente regionales.
Cubas et al. (2026) aportaron una dimensión geoespacial al documentar desiertos de formación cardiovascular en América Latina: zonas donde los profesionales deben recorrer cientos de kilómetros para acceder a centros de entrenamiento especializados. Esta distribución inequitativa afecta directamente a los perfusionistas cardiovasculares y constituye uno de los argumentos más fuertes a favor de una plataforma de simulación virtual que supere las barreras geográficas.
2.7.2. Evidencia latinoamericana en NTS
La producción académica latinoamericana sobre habilidades no técnicas en salud es incipiente pero creciente. Ocampo García et al. (2026) evaluaron habilidades no técnicas en medicina mediante simulación de alta fidelidad con 50 estudiantes colombianos usando la escala Ottawa, encontrando que la conciencia situacional mostró la correlación más robusta con el desempeño clínico global (r = 0,945). Botelho et al. (2024) realizaron desde Brasil el ensayo aleatorizado que demostró la superioridad del debriefing centrado en NTS. Friedlaender et al. (2025) evaluaron desde Brasil la adquisición y retención de NTS en residentes de pediatría.
Estas contribuciones demuestran la capacidad de la región para producir evidencia de calidad en el campo, pero ninguna involucra perfusionistas cardiovasculares. La presente investigación busca ocupar este vacío, aportando simultáneamente un instrumento validado en español (PINTS), evidencia de intervención (simulación con IA) y caracterización de una profesión no estudiada en la región.
2.8. Síntesis del marco teórico y articulación con la investigación
El marco teórico de la presente investigación se articula en seis ejes que convergen en el diseño del estudio:
-
Habilidades no técnicas y el PINTS. Las taxonomías conductuales establecen que las NTS son evaluables, entrenables y tienen impacto sobre los desenlaces clínicos. El PINTS operacionaliza estas habilidades para el perfusionista en cuatro categorías con propiedades psicométricas aceptables pero no validadas fuera de su contexto original.
-
Simulación clínica. Los metaanálisis establecen que la simulación es eficaz y que las características de diseño con mayor impacto son la práctica deliberada, la repetición y el debriefing centrado en NTS. Los escenarios consensuados de crisis en cirugía cardíaca proporcionan la base para el contenido de la plataforma.
-
IA en simulación. La evidencia indica que la retroalimentación de IA iguala o supera la instrucción experta en habilidades técnicas y en algunas dimensiones de NTS. Sin embargo, no se ha evaluado el impacto de la IA en liderazgo ni trabajo en equipo, y la calidad metodológica de los estudios es débil.
-
Carga cognitiva. El NASA-TLX permite monitorizar la carga de trabajo subjetiva durante el entrenamiento, capturando un componente de automatización cognitiva que los instrumentos de desempeño pueden no registrar.
-
Aceptación tecnológica. El UTAUT identifica los factores que determinan si los perfusionistas utilizarán la plataforma, y la medición de estas variables permite interpretar la relación entre exposición y efecto.
-
Adaptación transcultural. Las validaciones existentes de instrumentos de NTS al español proporcionan modelos metodológicos replicables, pero ninguna abarca perfusionistas ni ha sido multinacional para un instrumento específico del quirófano.
La articulación de estos seis ejes configura una investigación que no se limita a probar una intervención educativa, sino que contribuye simultáneamente al desarrollo instrumental (PINTS en español), a la base de evidencia sobre IA en simulación (cubriendo los vacíos de liderazgo y trabajo en equipo) y a la caracterización de una profesión invisible en la investigación latinoamericana.
Referencias
Abe, T., et al. (2019). The effect of repeated full immersion simulation training in ureterorenoscopy on mental workload of novice operators. BMC Medical Education. https://doi.org/10.1186/s12909-019-1752-2
Abildgren, L., et al. (2022). The effectiveness of improving healthcare teams’ human factor skills using simulation-based training: a systematic review. Advances in Simulation. https://doi.org/10.1186/s41077-022-00207-2
Armijo-Rivera, S., et al. (2021). Characterization of simulation centers and programs in Latin America according to the ASPIRE and SSH quality criteria. Advances in Simulation. https://doi.org/10.1186/s41077-021-00188-8
Armijo-Rivera, S., et al. (2023). Application of the Team Emergency Assessment Measure Scale in undergraduate medical students and interprofessional clinical teams: validity evidence of a Spanish version applied in Chile. Frontiers in Medicine. https://doi.org/10.3389/fmed.2023.1256982
Au, K. K. L., et al. (2019). Improving skills retention after advanced structured resuscitation training: A systematic review of randomized controlled trials. Resuscitation. https://doi.org/10.1016/j.resuscitation.2019.03.031
Barker, J. R., et al. (2026). Integrating virtual reality and large language models for team-based non-technical skills training and evaluation in the operating room. npj Digital Surgery. https://doi.org/10.1038/s44484-026-00009-3
Bauer, A., et al. (2025). EBCP Expert consensus statement on basic qualifications and competencies for clinical perfusionists in Europe. European Journal of Cardio-Thoracic Surgery. https://doi.org/10.1093/ejcts/ezaf336
Bhandary, S., et al. (2016). NASA Task Load Index Scale to Evaluate the Cognitive Workload during Cardiac Anesthesia Based Simulation Scenarios. International Journal of Anesthesiology and Research. https://doi.org/10.19070/2332-2780-1600063
Bienstock, J., et al. (2025). Simulation use in perfusion education: A 2025 survey of United States programs. The Journal of ExtraCorporeal Technology. https://doi.org/10.1051/ject/2025070
Botelho, F., et al. (2024). Improving Pediatric Trauma Education by Teaching Non-technical Skills: A Randomized Controlled Trial. Journal of Pediatric Surgery. https://doi.org/10.1016/j.jpedsurg.2024.01.018
Charrière, J. M., et al. (2007). Survey: retrospective survey of monitoring/safety devices and incidents of cardiopulmonary bypass for cardiac surgery in France. The Journal of ExtraCorporeal Technology. https://doi.org/10.1051/ject/200739142
Cheng, A., et al. (2014). Debriefing for technology-enhanced simulation: a systematic review and meta-analysis. Medical Education. https://doi.org/10.1111/medu.12432
Chernikova, O., et al. (2020). Simulation-Based Learning in Higher Education: A Meta-Analysis. Review of Educational Research. https://doi.org/10.3102/0034654320933544
Collins, J., et al. (2025). Impact of high-fidelity simulation on the performance of oxygenator change-outs among perfusion students. Perfusion. https://doi.org/10.1177/02676591251331159
Cook, D. A., et al. (2011). Technology-enhanced simulation for health professions education. JAMA. https://doi.org/10.1001/jama.2011.1234
Cook, D. A., et al. (2013). Comparative effectiveness of instructional design features in simulation-based education. Medical Teacher. https://doi.org/10.3109/0142159x.2012.714886
Cook, D. A., et al. (2013b). Mastery Learning for Health Professionals Using Technology-Enhanced Simulation. Academic Medicine. https://doi.org/10.1097/acm.0b013e31829a365d
Cubas, W., et al. (2026). Mapping surgical deserts of cardiovascular training in Latin America. JTCVS Open. https://doi.org/10.1016/j.xjon.2026.101675
Debeuckelaere, G., et al. (2024). Perfusion education and training in Europe anno 2023. Perfusion. https://doi.org/10.1177/02676591241233971
Delfino, A., et al. (2022). Cross-cultural adaptation and validation of the Spanish version of the ANTS assessment tool. Journal of Clinical Anesthesia. https://doi.org/10.1016/j.jclinane.2022.111008
Dias, R. D., et al. (2021). A Tool to Assess Non-Technical Skills of Perfusionists in the Cardiac Operating Room. The Journal of Thoracic and Cardiovascular Surgery. https://doi.org/10.1016/j.jtcvs.2021.06.052
Dingel, J., et al. (2024). Predictors of Health Care Practitioners’ Intention to Use AI-Enabled Clinical Decision Support Systems. Journal of Medical Internet Research. https://doi.org/10.2196/57224
Duff, J. P., et al. (2024). Debriefing Methods for Simulation in Healthcare. Simulation in Healthcare. https://doi.org/10.1097/sih.0000000000000765
Ey, J. D., et al. (2025). Interventions to Improve Nontechnical Skills in Surgery: A Systematic Review and Meta-Analysis. Journal of Surgical Education. https://doi.org/10.1016/j.jsurg.2025.103586
Fazlollahi, A. M., et al. (2022). Effect of Artificial Intelligence Tutoring vs Expert Instruction on Learning Simulated Surgical Skills. JAMA Network Open. https://doi.org/10.1001/jamanetworkopen.2021.49008
Feigerlova, E., et al. (2025). A systematic review of the impact of artificial intelligence on educational outcomes in health professions education. BMC Medical Education. https://doi.org/10.1186/s12909-025-06719-5
Fletcher, G., et al. (2003). Anaesthetists’ Non-Technical Skills (ANTS): evaluation of a behavioural marker system. British Journal of Anaesthesia. https://doi.org/10.1093/bja/aeg112
Flin, R., et al. (2008). Safety at the Sharp End: A Guide to Non-Technical Skills. Ashgate Publishing.
Friedlaender, R. F., et al. (2025). Evaluation of acquisition and retention of non-technical skills of residents submitted to interprofessional simulation-based training. Jornal de Pediatria. https://doi.org/10.1016/j.jped.2024.12.003
Garden, A. L., et al. (2015). Debriefing after Simulation-Based Non-Technical Skill Training in Healthcare. Anaesthesia and Intensive Care. https://doi.org/10.1177/0310057x1504300303
Gawronski, O., et al. (2022). Instruments to evaluate non-technical skills during high fidelity simulation. Frontiers in Medicine. https://doi.org/10.3389/fmed.2022.986296
Gierig, S., et al. (2020). Simulation in perfusion: evaluating the efficacy of a specific training with eye-tracking. Perfusion. https://doi.org/10.1177/0267659120918779
Giesbrecht, J., et al. (2024). Education and training requirements for perfusionists: an international comparison. Perfusion. https://doi.org/10.1177/02676591241244567
Gordon, M., et al. (2024). A scoping review of artificial intelligence in medical education: BEME Guide No. 84. Medical Teacher. https://doi.org/10.1080/0142159x.2024.2314198
Groenenberg, I., et al. (2010). Dutch perfusion incident survey. Perfusion. https://doi.org/10.1177/0267659110377678
Harari, R. E., et al. (2024). Deep Learning Analysis of Surgical Video Recordings to Assess Nontechnical Skills. JAMA Network Open. https://doi.org/10.1001/jamanetworkopen.2024.22520
Harris, D., et al. (2019). Development and validation of a simulation workload measure: the SIM-TLX. Virtual Reality. https://doi.org/10.1007/s10055-019-00422-9
Hart, S. G., y Staveland, L. E. (1988). Development of NASA-TLX (Task Load Index): Results of empirical and theoretical research. En P. A. Hancock y N. Meshkati (Eds.), Human Mental Workload (pp. 139-183). North-Holland.
Higham, H., et al. (2023). A study of validity and usability evidence for non-technical skills assessment tools in simulated adult resuscitation scenarios. BMC Medical Education. https://doi.org/10.1186/s12909-023-04108-4
Hutson, J., et al. (2024). Psychometric Testing of NASA-TLX to Measure Learners’ Cognitive Load in Individual and Group Nursing Simulations. Clinical Simulation in Nursing. https://doi.org/10.1016/j.ecns.2024.101607
ITC (International Test Commission). (2017). ITC Guidelines for Translating and Adapting Tests (2a ed.).
Jaffrelot, M., et al. (2024). Learning with our peers: peer-led versus instructor-led debriefing for simulated crises. Korean Journal of Anesthesiology. https://doi.org/10.4097/kja.23317
Jenkins, O. F., et al. (1997). Australasian perfusion incident survey. Perfusion. https://doi.org/10.1177/026765919701200502
Kemper, P. F., et al. (2023). CRM scenarios for cardiac surgery teams: a Delphi consensus study. European Journal of Cardio-Thoracic Surgery. https://doi.org/10.1093/ejcts/ezad123
Kor, P., et al. (2026). Comparing the effects of GenAI-assisted and facilitator-led debriefing on knowledge and non-technical skills in immersive virtual reality simulation. Nurse Education Today. https://doi.org/10.1016/j.nedt.2026.107275
Lambert, S. I., et al. (2023). An integrative review on the acceptance of artificial intelligence among healthcare professionals in hospitals. npj Digital Medicine. https://doi.org/10.1038/s41746-023-00852-5
Lawson, C., et al. (2017). Assessing the culture of safety in cardiovascular perfusion. Perfusion. https://doi.org/10.1177/0267659117699056
Lee, A. T., et al. (2025). Understanding Psychosocial Barriers to Healthcare Technology Adoption. Healthcare. https://doi.org/10.3390/healthcare13030250
Legoux, C., et al. (2020). Retention of Critical Procedural Skills After Simulation Training. AEM Education and Training. https://doi.org/10.1002/aet2.10536
Levett-Jones, T., y Lapkin, S. (2014). A systematic review of the effectiveness of simulation debriefing in health professional education. Nurse Education Today. https://doi.org/10.1016/j.nedt.2013.09.020
Loubbairi, S., et al. (2025). The impact of artificial intelligence-driven simulation on the development of non-technical skills in medical education. Journal of Educational Evaluation for Health Professions. https://doi.org/10.3352/jeehp.2025.22.37
Mathis, M. R., et al. (2023). Non-Technical Skills for Intraoperative Team Members. Anesthesiology Clinics. https://doi.org/10.1016/j.anclin.2023.03.013
McGaghie, W. C., et al. (2011). Does Simulation-based Medical Education with Deliberate Practice Yield Better Results than Traditional Clinical Education? Academic Medicine. https://doi.org/10.1097/acm.0b013e318217e119
Mejak, B. L., et al. (2000). A retrospective study on perfusion incidents and safety devices. Perfusion. https://doi.org/10.1177/026765910001500108
Merkle, F., et al. (2020). Simulation-based training of critical events during cardiopulmonary bypass. Perfusion. https://doi.org/10.1177/0267659120937125
Mirchi, N., et al. (2020). The Virtual Operative Assistant: An explainable artificial intelligence tool for simulation-based training. PLoS ONE. https://doi.org/10.1371/journal.pone.0229596
Mitchell, L., et al. (2012). Evaluation of a pilot study of a tool to assess anaesthetic non-technical skills in scrub practitioners. British Journal of Anaesthesia. https://doi.org/10.1093/bja/aes302
Mokkink, L. B., et al. (2010). The COSMIN checklist for assessing the methodological quality of studies on measurement properties of health status measurement instruments. Quality of Life Research. https://doi.org/10.1007/s11136-010-9606-8
Morris, R. W., et al. (2007). “Orpheus” cardiopulmonary bypass simulation system. The Journal of ExtraCorporeal Technology. https://doi.org/10.1051/ject/200739228
Muller-Botti, S., et al. (2020). Linguistic Validation of the DASH in Spanish and Cultural Validation for 8 Spanish Speaking Countries. Simulation in Healthcare. https://doi.org/10.1097/sih.0000000000000468
Neo, N. W. S., et al. (2025). Generative artificial intelligence in healthcare simulation-based education. Clinical Simulation in Nursing. https://doi.org/10.1016/j.ecns.2025.101819
Nicoletti, A., et al. (2019). Current status of perfusionists in Brazil: a 2018 survey. Perfusion. https://doi.org/10.1177/0267659119826491
Norton, J., et al. (2025). The Impact of Surgical Non-Technical Skills on Clinical Outcomes. British Journal of Surgery. https://doi.org/10.1093/bjs/znaf271
Ocampo García, D., et al. (2026). Habilidades no Técnicas en Medicina: Evaluación en Situaciones Críticas Mediante Simulación de Alta Fidelidad. Ibero Ciencias. https://doi.org/10.63371/ic.v4.n4.a622
Okoli, C. C., et al. (2025). Training and Assessment of Nontechnical Skills in Cardiothoracic Surgery. Journal of Surgical Education. https://doi.org/10.1016/j.jsurg.2025.103480
Pears, M., et al. (2024). Non-technical Skills for Urology Trainees: A Double-Blinded Study of ChatGPT4 AI Benchmarking Against Consultant Interaction. Journal of Healthcare Informatics Research. https://doi.org/10.1007/s41666-024-00180-7
Pradarelli, J. C., et al. (2020). Assessment of the Non-Technical Skills for Surgeons (NOTSS) framework in the USA. British Journal of Surgery. https://doi.org/10.1002/bjs.11607
Redjem, I. D., et al. (2025). Crisis management in the operating room: A systematic review of simulation training to develop non-technical skills. Nurse Education Today. https://doi.org/10.1016/j.nedt.2025.106583
Reis Filho, V. A., et al. (2024). Development and validation of a checklist for cardiopulmonary bypass. The Journal of ExtraCorporeal Technology. https://doi.org/10.1051/ject/2024030
Riem, N., et al. (2012). Do technical skills correlate with non-technical skills in crisis resource management. British Journal of Anaesthesia. https://doi.org/10.1093/bja/aes256
Sahin, T., et al. (2025). Evaluation of Knowledge, Attitudes, and Experiences of Perfusionists on the Safety of Cardiopulmonary Perfusion. Brazilian Journal of Cardiovascular Surgery. https://doi.org/10.21470/1678-9741-2024-0340
Sánchez-Marco, M., et al. (2021). Cross-cultural adaptation and validation of two crisis resource management scales. International Emergency Nursing. https://doi.org/10.1016/j.ienj.2021.101016
Scipion, C. E. A., et al. (2025). Barriers to and facilitators of clinician acceptance and use of artificial intelligence in healthcare settings. BMJ Open. https://doi.org/10.1136/bmjopen-2024-092624
Searles, B. E., et al. (2024). Simulated cardiopulmonary bypass: a high fidelity model for developing and accessing clinical perfusion skills. Advances in Simulation. https://doi.org/10.1186/s41077-023-00269-w
Stevens, L. M., et al. (2012). Educational program in crisis management for cardiac surgery teams. The Journal of Thoracic and Cardiovascular Surgery. https://doi.org/10.1016/j.jtcvs.2012.03.006
Sweller, J., et al. (2011). Cognitive Load Theory. Springer.
Tokaji, M., et al. (2012). An educational training simulator for advanced perfusion techniques using a high-fidelity virtual patient model. Artificial Organs. https://doi.org/10.1111/j.1525-1594.2012.01512.x
Venkatesh, V., et al. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540
Wang, C., et al. (2026). The impact of integrating generative artificial intelligence into medical education on short-term learning outcomes. BMC Medical Education. https://doi.org/10.1186/s12909-026-09320-6
Yilmaz, R., et al. (2024). Real-Time multifaceted artificial intelligence vs In-Person instruction in teaching surgical technical skills. Scientific Reports. https://doi.org/10.1038/s41598-024-65716-8
Yule, S., et al. (2006). Non-technical skills for surgeons in the operating room: A review of the literature. Surgery. https://doi.org/10.1016/j.surg.2005.06.017
Yurko, Y. Y., et al. (2010). Higher Mental Workload is Associated With Poorer Laparoscopic Performance as Measured by the NASA-TLX Tool. Simulation in Healthcare. https://doi.org/10.1097/sih.0b013e3181e3f329
Zamudio Burbano, M. A., et al. (2021). Validation in Spanish of the Ottawa scale for non-technical skills in health personnel in crisis situations. Revista Española de Anestesiología y Reanimación. https://doi.org/10.1016/j.redare.2021.02.003
Zhang, Y., et al. (2026). Effectiveness of non-technical skills training for healthcare professionals in emergency departments. Scandinavian Journal of Trauma, Resuscitation and Emergency Medicine. https://doi.org/10.1186/s13049-026-01574-9
Zhao, X., et al. (2025). Factors influencing medical students’ adoption of AI educational agents: an extended UTAUT model. BMC Medical Education. https://doi.org/10.1186/s12909-025-08234-z