Libro de Actas del III Congreso Latinoamericano y del Caribe e Investigación en Educación Superior- LatinSoTL- 2025
627 El acceso a prácticas clínicas es limitado, especialmente antes del internado y en contextos de urgencias, lo que dificulta el desarrollo del razonamiento clínico (Zargaran et al., 2022). Frente a este escenario, la simulación clínica surge como una estrategia formativa clave, al permitir el entrenamiento de habilidades técnicas y no técnicas en un entorno seguro y controlado. Así, el presente estudio busca garantizar oportunidades sistemáticas y equitativas de práctica clínica, incorporando retroalimentación efectiva que fortalezca el aprendizaje y el razonamiento clínico. Intervención aplicada El equipo de desarrollo de PRAXIA utilizó una estrategia basada en “design thinking” y metodologías ágiles, acogiendo la metodología “sprint”, para crear un producto mínimo viable (MVP por sus siglas en inglés) en seis semanas (Navarro Cadavid et al., 2013). PRAXIA se compone de tres módulos: creación de pacientes virtuales, interacción con el paciente y retroalimentación al usuario. Todos fueron desarrollados en Python, utilizando el modelo LLM “Mistral Medium” de Mistral AI, accedido vía API. Para la programación, se emplearon los asistentes de IA públicos DeepSeek y Gemini. La interfaz de usuario se implementó con Streamlit y se publicó en la web mediante Ngrok. El primer módulo se enfocó en la creación de pacientes virtuales generados por una LLM a partir de un archivo ".txt" con 16 historias clínicas reales de pacientes con cefalea, extraídas de bases de datos de acceso libre y gratuito. Cada paciente virtual, único y médicamente coherente, fue construido con información demográfica, motivo de consulta, antecedentes, examen físico y diagnóstico ficticio. En futuras versiones, estos casos serán reemplazados por datos reales de servicios de urgencia de la Región Metropolitana de Chile, para mayor contextualización local. Se seleccionó la cefalea como primer motivo de consulta por su relativa simplicidad diagnóstica y su tendencia al sobreestudio (Toledo et al., 2008), lo que facilita la validación inicial de la herramienta. Como guía para el reconocimiento de banderas rojas, se utilizó la mnemotecnia validada SNNOOP10 (Cáceres & Mora, 2023; Do et al., 2019). El segundo módulo corresponde a la interacción con el paciente. La simulación se inicia con los datos de TRIAGE generados por la LLM en coherencia con el caso clínico, junto con un mensaje inicial del paciente, como “Hola doctor, me duele mucho la cabeza”. A partir de ahí, el estudiante realiza la anamnesis y, cuando lo considere pertinente, accede al examen físico virtual, solicitando a la LLM los hallazgos relevantes. Posteriormente, debe decidir si el paciente requiere una tomografía computarizada (TC), justificando su decisión. En esta etapa, además, se genera un resumen clínico con fragmentos seleccionados de la conversación entre el estudiante y el paciente, lo que da paso a la fase final de la simulación. La tercera y última fase de la simulación corresponde a una retroalimentación docente cuantitativa, compuesta por seis ítems que evalúan el desempeño del estudiante en anamnesis, examen físico, decisión sobre TC, razonamiento clínico integrado, profesionalismo y comunicación con el paciente. Cada ítem se puntúa de 1 a 4, con ponderaciones diferenciadas que otorgan mayor peso a la anamnesis. Esta retroalimentación es generada por la LLM a partir de una pauta docente elaborada por el equipo, integrada al sistema mediante un prompt detallado que opera con
Made with FlippingBook
RkJQdWJsaXNoZXIy Mzc3MTg=