Libro de Actas del III Congreso Latinoamericano y del Caribe e Investigación en Educación Superior- LatinSoTL- 2025
626 facilitar la práctica deliberada en entornos virtuales accesibles y escalables. Modelos de lenguaje como Chat GPT o Mistral AI son capaces de generar texto en lenguaje natural con un alto grado de coherencia, simulando conversaciones que se adaptan a distintos escenarios clínicos. En este sentido, los LLMs han demostrado ser un elemento que contribuye en el aprendizaje, mediante la creación de casos dinámicos, el fortalecimiento del razonamiento clínico, la toma de decisiones y exploración de diagnósticos diferenciales (Meo et al., 2025; Safranek et al., 2023). No obstante, estas tecnologías aún presentan limitaciones que impiden replicar de forma completa la experiencia clínica real. Esto incluye aspectos como el entrenamiento que ejecutan sobre bases de datos cuya procedencia, calidad y validación no siempre son claras, o pueden variar dependiendo de contextos raciales y geográficos, lo que dificulta evaluar la confiabilidad del contenido generado. Esto puede derivar en respuestas incorrectas pero plausibles, conocidas como “alucinaciones”. Asimismo, su baja integración de elementos contextuales y no verbales reduce la calidad de la simulación, alejándose de una experiencia clínica auténtica (Ferreira Santos et al., 2025; Haider et al., 2025). Además, la calidad de la respuesta de un LLM depende principalmente de la calidad del prompt que se le ingresa, por lo que la posibilidad de tener un entorno de simulación clínica virtual estandarizada solo teniendo acceso a chats como Chat GPT, Deepseek y sus similares, es muy difícil. Aun con estas restricciones, la capacidad de los LLMs para generar experiencias interactivas, personalizadas y escalables los posiciona como herramientas prometedoras para reducir brechas formativas. En este sentido, el uso de pacientes simulados virtuales permite el ejercicio repetido de situaciones clínicas, con costos significativamente menores en comparación con la implementación de actividades presenciales con pacientes simulados humanos. Lo anterior resulta especialmente relevante en contextos de alta demanda, como la atención de urgencias, donde la escasez de pacientes disponibles para la enseñanza limita severamente las oportunidades de aprendizaje experiencial (Kononowicz et al., 2019). En este contexto surgió PRAXIA, un paciente virtual potenciado con un modelo LLM, diseñado para simular entrevistas clínicas en un servicio de urgencias de la Región Metropolitana de Santiago de Chile. PRAXIA responde a una necesidad concreta: ofrecer a los estudiantes de medicina oportunidades sistemáticas, accesibles y contextualizadas para entrenar el razonamiento clínico en situaciones críticas, de forma segura, repetible y con retroalimentación estructurada. Desarrollado por un equipo multidisciplinario, el proyecto se articula con una preocupación mayor por promover la equidad y mejorar la calidad en la formación médica mediante la integración ética y responsable de inteligencia artificial generativa. A diferencia de soluciones existentes como POE, MedDialog o iniciativas individuales basadas en IA generativa, PRAXIA fue particularmente diseñado para simular pacientes de urgencia en el contexto chileno, incorporando características epidemiológicas locales, lenguaje natural adaptado y una estructura pedagógica orientada al objetivo de mejorar el razonamiento clínico de los estudiantes en escenarios de urgencias. Esta aproximación permite un entrenamiento más realista y ajustado a las necesidades de la formación clínica pregrado en medicina en Chile. Problema o desafío abordado
Made with FlippingBook
RkJQdWJsaXNoZXIy Mzc3MTg=