What happens when medical students rely on AI – and never develop their own judgment? | Simar Bajaj and Joseph Sakran
En el ámbito de la salud, crece la preocupación sobre la dependencia de los médicos en las herramientas de inteligencia artificial (IA), lo que podría estar afectando su habilidad clínica. Sin embargo, el foco también debe dirigirse hacia los estudiantes de medicina, residentes y becarios que utilizan estas herramientas antes de desarrollar su propio juicio clínico. La idea de la ‘deshabilitación’ implica que alguien poseía una habilidad y luego la perdió. Aquí, el peligro no es solo deshabilitar, sino nunca habilitar. Aunque un médico que ha olvidado cómo razonar es recuperable, uno que nunca aprendió cómo puede no serlo.
OpenEvidence, esencialmente un chatbot de IA para clínicos, ha dado forma concreta a esta preocupación. Aproximadamente dos tercios de los médicos en EE.UU. utilizan activamente OpenEvidence para consultar síntomas desconcertantes, interacciones de medicamentos y guías clínicas, obteniendo respuestas en segundos, ancladas en la investigación más reciente. Los estudiantes, naturalmente, también han comenzado a usar esta herramienta de IA de maneras similares, pero en una etapa mucho más formativa.
Por ejemplo, los estudiantes que antes debían construir una lista de diagnósticos potenciales ahora pueden simplemente preguntar a OpenEvidence y obtener una respuesta casi perfecta, con posibilidades que tal vez nunca habrían considerado. Sin embargo, este rendimiento puede ocultar el déficit que la formación está destinada a revelar: que la lucha es el punto. La formación médica, más que la mayoría de las profesiones, es un aprendizaje. Un estudiante se convierte en residente, un residente en becario, y un becario en médico asistente, cada paso moldeado por el fracaso, la incertidumbre y la responsabilidad creciente.
La tecnología ha cambiado desde hace tiempo cómo las personas aprenden medicina, desde la imagen avanzada hasta los registros médicos electrónicos. Pero la IA es diferente, no solo expande lo que los médicos pueden ver, sino que se inserta en la maquinaria cognitiva que la formación está destinada a construir. Con el uso no controlado entre los estudiantes, corremos el riesgo de crear supervisores del razonamiento antes de crear razonadores.
Por eso, las escuelas de medicina y los programas de residencia deben moldear no solo si los estudiantes usan IA, sino cuándo. Los médicos supervisores pueden establecer una expectativa simple: razonar primero, consultar IA después, y evaluar en consecuencia. A medida que la IA se integre más profundamente en la medicina, esto puede parecer engorroso e ineficiente, pero tal fricción es intencional: las «dificultades deseables» ralentizan el rendimiento en el momento, pero mejoran la retención y transferencia de habilidades a lo largo del tiempo.
Fuente: https://www.theguardian.com/commentisfree/2026/aug/10/ai-medical-students-judgment