An intentional dual track curriculum model proposal to address technical readiness and concerns in healthcare AI education

El futuro de la medicina se está escribiendo en código. La inteligencia artificial ya está ayudando a los médicos a leer radiografías, predecir qué pacientes corren el riesgo de enfermar y sugerir los mejores tratamientos. A medida que estas herramientas se vuelven comunes en los hospitales, surge una pregunta crítica: ¿cómo enseñamos a la próxima generación de médicos a utilizarlas? Durante décadas, los expertos han confiado en una idea simple para explicar cómo las personas aceptan la nueva tecnología: cuanto más sabes sobre ella, menos la temes. Esta lógica sugiere que, si simplemente mostramos a los estudiantes cómo funciona la IA, se sentirán cómodos con ella, sus preocupaciones desaparecerán y la adoptarán con entusiasmo en su práctica. Es un camino directo de la ignorancia a la aceptación.

Sin embargo, la realidad de la formación de los médicos puede ser mucho más compleja. Las facultas de medicina se están apresurando ahora para añadir la inteligencia artificial a sus planes de estudio, pero lo hacen bajo el supuesto de que la familiaridad lo resuelve todo. Si un estudiante aprende los conceptos básicos de cómo un algoritmo toma una decisión, la teoría dice, confiará en la máquina y dejará de preocuparse por los riesgos. Esta creencia impulsa el diseño de muchos cursos nuevos, que se centran intensamente en la alfabetización técnica. Pero, ¿y si este supuesto es erróneo? ¿Qué pasa si aprender sobre la IA no hace que las profundas preocupaciones profesionales sobre la seguridad del paciente y la equidad desaparezcan? Comprender esta distinción es vital, porque si enseñamos a los médicos solo a usar las herramientas sin abordar sus temores legítimos, corremos el riesgo de crear una generación de clínicos que sean técnicamente hábiles pero éticamente despreparados.

Investigadores de la Universidad de Miami decidieron probar este supuesto directamente. Reunieron a un grupo de 389 estudiantes de primer año de medicina, justo antes de asistir a un taller sobre inteligencia artificial en la atención médica. Antes de que los estudiantes aprendieran algo nuevo en la sesión, los investigadores les hicieron una serie de preguntas. Querían saber si estos estudiantes habían tomado alguna clase o asistido a algún seminario sobre IA anteriormente. Preguntaron qué tan familiarizados se sentían con la tecnología. También preguntaron sobre sus actitudes hacia el futuro de la IA, qué tan preparados se sentían para usarla y, crucialmente, qué preocupaciones específicas mantenían. Los investigadores buscaron seis preocupaciones principales: el miedo a que la IA hiciera que la atención al paciente se sintiera fría e impersonal, el riesgo de sesgo injusto en los algoritmos, la seguridad de los datos privados de los pacientes, el peligro de que los médicos se vuelvan demasiado dependientes de las máquinas, la protección de la privacidad del paciente y la falta de confianza general entre pacientes y proveedores con respecto a estas herramientas.

Los resultados revelaron una división en la mente de los estudiantes que desafía la forma convencional en que pensamos sobre el aprendizaje. Por un lado, los investigadores encontraron que los estudiantes que tenían exposición previa a la IA, como una clase o taller previo, sí reportaban sentirse más familiarizados con la tecnología. Esta familiaridad, a su vez, estaba fuertemente vinculada a sentimientos positivos. Los estudiantes que sentían que entendían la IA eran más optimistas sobre su futuro, se sentían más preparados para usarla en sus carreras y era más probable que dijeran que tenían la intención de usarla. En este sentido, la vieja idea es cierta: saber más sobre la herramienta te hace estar más listo para usarla. La profundidad de su comprensión importaba más que el simple hecho de haber asistido a un evento; era la sensación de estar familiarizado con los conceptos lo que impulsaba su confianza.

Pero en el otro lado de la ecuación, surgió una historia diferente respecto a sus miedos. El estudio encontró que las preocupaciones sobre la IA no eran raras; eran casi universales. Entre el 53% y el 82% de los estudiantes expresaron preocupación por temas específicos, siendo el miedo a perder el toque humano en la atención al paciente el más común, citado por el 81.5% del grupo. Los investigadores esperaban que, a medida que los estudiantes se familiarizaran más con la IA, estas preocupaciones disminuirían. Esperaban que el conocimiento actuara como una cura para la ansiedad. En cambio, descubrieron que las preocupaciones no desaparecían. Ya fuera que un estudiante supiera muy poco sobre la IA o se sintiera extremadamente familiarizado con ella, su nivel de preocupación permanecía exactamente igual. Un estudiante que se sentía muy seguro de su conocimiento técnico estaba tan preocupado por el sesgo algorítmico y la privacidad de los datos como un estudiante que sabía muy poco.

Este hallazgo sugiere que el camino para convertirse en un médico que utiliza la IA no es un solo camino. Los investigadores proponen que existen dos vías separadas que corren paralelas entre sí. La primera vía trata sobre la construcción de la preparación. Este es el camino donde la educación ayuda a los estudiantes a entender cómo funciona la tecnología, cómo encaja en un hospital y cómo usarla de manera efectiva. Esta vía construye con éxito la confianza y el deseo de adoptar nuevas herramientas. La segunda vía trata sobre la gestión de las preocupaciones. Esta vía aborda las cuestiones pesadas y serias de la ética, la equidad y la relación humana en la medicina. El estudio demuestra que la familiaridad técnica no resuelve estos problemas. No se puede simplemente enseñar a un estudiante lo suficiente sobre código para que deje de preocuparse por si un algoritmo está tratando a un paciente de manera justa o si sus datos están seguros. Estos no son vacíos de conocimiento que la educación pueda llenar; son juicios profesionales que persisten independientemente de cuánto se sepa.

Las implicaciones para la forma en que enseñamos medicina son significativas. Si las escuelas continúan diseñando cursos de IA con la idea de que enseñar la tecnología resolverá automáticamente todos los temores, podrían estar descuidando la mitad del trabajo. Los investigadores sugieren un currículo de doble vía. Una parte de la educación debería centrarse en la alfabetización técnica, asegurando que los estudiantes sepan cómo operar y comprender las herramientas. La segunda parte debe ser una instrucción dedicada y estructurada sobre la ética, la gobernanza y el lado humano del cuidado. Esta segunda vía debe tratar las preocupaciones no como obstáculos que deban superarse mediante más aprendizaje, sino como obligaciones profesionales legítimas que deben abordarse directamente. Los estudiantes en el estudio fueron capaces de estar entusiasmados con el futuro de la IA y, simultáneamente, mantener preocupaciones profundas y razonadas sobre sus riesgos. No necesitaban elegir entre estar listos y estar preocupados; podían ser ambas cosas.

Este estudio no afirma que la inteligencia artificial sea mala o que deba evitarse. Simplemente muestra que la forma en que preparamos a los médicos para ella necesita cambiar. No podemos asumir que un estudiante que es bueno usando una máquina también es bueno navegando los dilemas éticos que esa máquina crea. La investigación sugiere que la verdadera preparación en la era de la IA requiere dos tipos distintos de aprendizaje. Uno construye la habilidad para usar la herramienta, y el otro construye la sabiduría para cuestionarla. Al separar estos objetivos, las facultades de medicina pueden asegurar que sus graduados no sean solo técnicamente competentes, sino también éticamente fundamentados, capaces de abrazar el poder de la inteligencia artificial sin perder de vista a los seres humanos a los que están allí para servir.