💻 computer science

Design and evaluation of a mobile app for artificial intelligence education among healthcare students: A before-and-after study

Este estudio de antes y después demuestra que la aplicación móvil en persa AIMedEdu mejoró significativamente la percepción de los estudiantes de atención médica sobre su preparación para la IA médica y recibió excelentes calificaciones de usabilidad, aunque se necesita investigación futura para confirmar la efectividad educativa a largo plazo y la generalizabilidad.

Autores originales: Seyyedeh Fatemeh Mousavi Baigi, Masoumeh Sarbaz, Khalil Kimiafar

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Seyyedeh Fatemeh Mousavi Baigi, Masoumeh Sarbaz, Khalil Kimiafar

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La inteligencia artificial se está convirtiendo rápidamente en una parte estándar de la atención médica moderna, apareciendo en todo, desde herramientas que ayudan a los médicos a leer radiografías hasta sistemas que predicen riesgos para los pacientes. A medida que estas tecnologías se vuelven más comunes, las personas que las utilizarán en el futuro —estudiantes de medicina y de ciencias de la salud— necesitan entender no solo cómo operarlas, sino cómo pensar críticamente sobre ellas. Deben aprender a reconocer las limitaciones de estos sistemas, detectar posibles errores o sesgos y navegar las cuestiones éticas que surgen cuando una máquina ayuda a tomar una decisión de vida o muerte. Actualmente, muchos estudiantes se sienten poco preparados para este cambio. A menudo mantienen visiones positivas sobre el potencial de la inteligencia artificial, pero admiten que carecen del conocimiento estructurado para utilizarla de forma segura y eficaz. Esta brecha entre el optimismo y la preparación crea la necesidad de nuevas formas de enseñar estas habilidades complejas.

Para abordar esta necesidad, investigadores de la Universidad de Ciencias Médicas de Mashhad en Irán desarrollaron una aplicación móvil llamada AIMedEdu, diseñada específicamente para enseñar conceptos de inteligencia artificial a estudiantes de ciencias de la salud en su lengua materna, el persa. El equipo no se limitó a adivinar qué contenido incluir; primero realizaron una investigación exhaustiva para determinar exactamente qué necesitaban aprender los estudiantes y cómo preferían aprenderlo. Esta base condujo a un marco de once temas educativos distintos, que van desde conceptos básicos y ciencia de datos hasta aplicaciones clínicas, ética y comunicación. La aplicación resultante fue construida para ser flexible, permitiendo a los estudiantes estudiar sin conexión a internet, realizar un seguimiento de su progreso y realizar cuestionarios interactivos. Los investigadores probaron esta herramienta con noventa y siete estudiantes durante un periodo de treinta días para ver si realmente mejoraba su confianza y comprensión.

Los resultados del estudio fueron impactantes. Antes de usar la aplicación, la puntuación media de los estudiantes en una prueba que medía su percepción de preparación para trabajar con la inteligencia artificial médica era relativamente baja, situándose alrededor de los cuarenta y cinco puntos de un máximo de ciento diez. Tras pasar un mes trabajando con los módulos de la aplicación, su puntuación media saltó a casi ciento ocho. Este enorme incremento sugiere que los estudiantes se sintieron significativamente más preparados para interactuar con la inteligencia artificial en sus futuras carreras. La mejora no se limitó a una sola área; se observó en las cuatro áreas clave medidas: su comprensión de los conceptos, su creencia en su capacidad para usar las herramientas, su visión de cómo estas herramientas encajan en la medicina y su comprensión de las implicaciones éticas. Los investigadores señalaron que las puntuaciones de los estudiantes tras la formación fueron tan altas que se agruparon cerca del límite superior de la escala, lo que indica que la aplicación logró llevar a casi todos a un alto nivel de competencia percibida.

Más allá de las ganancias educativas, la aplicación en sí misma tuvo mucho éxito en términos de experiencia de usuario. Cuando se pidió a los estudiantes que calificaran la facilidad y el placer de usar la aplicación, le otorgaron una puntuación excepcional, con un promedio de más de noventa y uno de cien. Esta calificación, conocida como puntuación de usabilidad, sitúa a la aplicación en el nivel superior de las herramientas digitales, lo que sugiere que es intuitiva y está bien diseñada. Los estudiantes consideraron que la aplicación era fácil de aprender, se sintieron seguros al usarla y no sintieron que requiriera un conocimiento previo extenso para comenzar. Un panel de cinco expertos, incluyendo especialistas en educación médica e inteligencia artificial, también revisó la aplicación antes de que los estudiantes la usaran y le otorgó una calificación igualmente alta, confirmando que el contenido era preciso y la estructura era sólida.

Uno de los hallazgos más interesantes fue que la aplicación funcionó igual de bien para todos, independientemente de su formación. Los investigadores analizaron si los estudiantes que ya estaban familiarizados con las herramientas de inteligencia artificial aprendieron más que aquellos que eran nuevos en el campo, o si los estudiantes en diferentes años de su formación o diferentes especialidades médicas respondían de manera distinta. Encontraron que no había diferencias significativas. Ya fuera un estudiante de fisioterapia, optometría o tecnología de la información de la salud, y ya fuera que hubiera utilizado la inteligencia artificial antes o no, todos mostraron mejoras similares y sustanciales. Esto sugiere que el diseño de la aplicación fue eficaz para cerrar la brecha de conocimiento para un grupo diverso de alumnos, convirtiéndola en una herramienta potencialmente valiosa para la educación médica en diferentes disciplinas.

A pesar de estos resultados positivos, los investigadores advierten cuidadosamente sobre los límites de lo que este estudio demuestra. Debido a que el estudio no incluyó un grupo de control de estudiantes que no utilizaran la aplicación, es imposible afirmar con absoluta certeza que la aplicación por sí sola causó la mejora, aunque los resultados están fuertemente asociados con su uso. Además, la prueba midió qué tan preparados se sentían los estudiantes, en lugar de evaluar su capacidad real para resolver problemas complejos o su conocimiento objetivo. El hecho de que las puntuaciones fueran tan altas después de la formación también significa que la prueba pudo haber alcanzado un punto en el que ya no podía distinguir entre niveles muy altos de preparación. Los investigadores concluyen que, si bien la aplicación es una herramienta prometedora y altamente utilizable que aumenta la confianza del estudiante, los estudios futuros deberán utilizar métodos más rigurosos y pruebas objetivas para confirmar que esta confianza se traduce en habilidades del mundo real y retención a largo plazo.

Resumen Técnico: Diseño y Evaluación de AIMedEdu para la Educación en IA en el Ámbito Sanitario

Planteamiento del Problema
Los estudiantes de ciencias de la salud encuentran cada vez más la inteligencia artificial (IA) en los entornos clínicos, pero a menudo carecen de la preparación estructurada necesaria para comprender, evaluar y utilizar estas tecnologías de manera responsable. Aunque los estudiantes mantienen generalmente actitudes positivas hacia la IA, las revisiones sistemáticas indican una brecha significativa en sus conocimientos, habilidades prácticas y experiencia directa. Las oportunidades educativas existentes son inconsistentes y no se identificó en la literatura previa ninguna aplicación móvil específica que proporcione una educación en IA estructurada para estudiantes de la salud basada en un marco validado. Esta brecha conlleva el riesgo de derivar en una dependencia acrítica de los resultados de la IA o en la renuencia a adoptar tecnologías beneficiosas.

Metodología
El estudio empleó un diseño de un solo grupo de antes y después, realizado entre mayo y julio de 2026 en la Universidad de Ciencias Médicas de Mashhad, Irán. La investigación siguió un proceso de tres etapas:

Desarrollo de Contenido y de la Aplicación:
- Marco de Trabajo: La aplicación, denominada AIMedEdu, se construyó sobre un marco estructural y de contenido previamente validado, derivado de una evaluación de necesidades de métodos mixtos. Este marco identificó 11 dominios de contenido educativo (p. ej., conceptos fundamentales, ciencia de datos, aplicaciones clínicas, ética) y 20 características estructurales.
- Revisión de Expertos: Antes de la implementación, un panel multidisciplinario de cinco expertos (educación médica, tecnología educativa, IA, informática médica, gestión de la información de salud) realizó dos rondas de revisión iterativas para validar la precisión científica, la relevancia y la usabilidad.
- Implementación Técnica: AIMedEdu se desarrolló como una aplicación Android utilizando Java y Android Studio con una arquitectura híbrida basada en WebView. Esto permitió que un contenedor nativo renderizara recursos educativos basados en la web, permitiendo el acceso sin conexión al contenido principal tras la instalación. También se creó una versión web responsiva para usuarios de iOS y escritorio. La interfaz utilizó un diseño de derecha a izquierda para usuarios de habla persa.
- Características: La aplicación incluyó 11 módulos con objetivos de aprendizaje, ejemplos de atención médica, resúmenes y cuestionarios interactivos. Contaba con seguimiento de progreso, marcadores, un asistente de aprendizaje local sin conexión, modo oscuro y generación de certificados al completar el curso.
Procedimiento de Intervención:
- Participantes: Se reclutaron 97 estudiantes de la salud (programas de salud aliada y rehabilitación) mediante un muestreo estratificado proporcional.
- Protocolo: Los participantes utilizaron la aplicación de forma independiente durante 30 días, completando los 11 módulos. Se les instruyó para evitar otras capacitaciones estructuradas en IA durante este periodo.
- Evaluaciones:
  - Resultado Primario: La percepción de la preparación para la IA médica se midió mediante la Escala de Preparación para la IA Médica para Estudiantes de Medicina (MAIRS-MS) en persa, validada, tanto al inicio como después de la intervención. Esta escala cubre cuatro dominios: Cognición, Capacidad, Visión y Ética.
  - Usabilidad: La usabilidad reportada por los estudiantes se evaluó post-intervención mediante la Escala de Usabilidad del Sistema (SUS). La usabilidad experta se evaluó antes del lanzamiento.
Análisis Estadístico:
- Los datos se analizaron utilizando IBM SPSS Statistics v27.0.
- Debido a la distribución no normal de las puntuaciones de cambio, se utilizó la prueba de los rangos con signo de Wilcoxon para comparar las puntuaciones pre y post-intervención.
- Se aplicó el ajuste de Holm a las comparaciones de nivel de dominio para controlar el error de Tipo I.
- Los tamaños del efecto se calcularon utilizando el estadístico de Wilcoxon estandarizado ( $r$ ).

Resultos Clave

Resultados Educativos: Los 97 participantes completaron el estudio. La puntuación media total de la MAIRS-MS aumentó significativamente de 45.25 ± 6.49 al inicio a 107.70 ± 5.75 tras la intervención (un incremento medio de 62.45 puntos, $p < 0.001$ ).
Mejoras en los Dominios: Se observaron mejoras significativas en todos los cuatro dominios (Cognición, Capacidad, Visión, Ética), con todos los valores $p$ ajustados por Holm $< 0.001$ . Los tamaños del efecto fueron grandes ( $r = 0.869–0.872$ ).
Efecto Techo: Las puntuaciones post-intervención se agruparon cerca del valor máximo de la escala, lo que indica un efecto de techo sustancial.
Análisis de Subgrupos: No se encontraron diferencias estadísticamente significativas en la mejora según sexo, nivel académico, campo de estudio o experiencia previa en IA.
Usabilidad: La aplicación recibió calificaciones de usabilidad excelentes. La puntuación SUS reportada por los estudiantes fue de 91.24 ± 5.10, y la puntuación SUS del panel de expertos previa al lanzamiento fue de 91.0 ± 2.85. Ambas puntuaciones entran en el rango de "excelente" de los parámetros de referencia establecidos.

Contribuciones Clave

Primer Producto Validado: Este estudio representa la primera aplicación móvil reportada para la educación en IA en el ámbito de la salud desarrollada a partir de un marco estructural y de contenido validado, y evaluada posteriormente tanto por la percepción de preparación como por la usabilidad.
Operacionalización del Marco: Logró traducir con éxito un marco teórico (11 dominios, 20 características) en un producto de aprendizaje funcional y evaluado.
Accesibilidad: La aplicación aborda las barreras en entornos con recursos limitados mediante su interfaz en lengua persa, diseño de derecha a izquierda y capacidades sin conexión.
Base de Evidencia: Proporciona evidencia empírica de que una intervención estructurada basada en dispositivos móviles puede mejorar significativamente la percepción de preparación de los estudiantes de la salud para interactuar con la IA médica a corto plazo.

Significancia y Reivindicaciones
Los autores afirman que AIMedEdu está asociada con mejoras sustanciales a corto plazo en la percepción de la preparación para la IA médica de los estudiantes de la salud y demuestra una excelente usabilidad. El estudio destaca que una aplicación móvil puede servir como una estrategia factible y complementaria para introducir una educación en IA estructurada, particularmente donde el tiempo del currículo formal es limitado.

Sin embargo, el artículo mantiene una postura modesta respecto a sus conclusiones:

Causalidad: Debido al diseño de un solo grupo de antes y después sin un grupo de control, los autores afirman que no se puede establecer la efectividad causal; los resultados representan cambios asociados con la intervención.
Competencia Objetiva: El estudio midió la preparación percibida (autoevaluación) en lugar del conocimiento objetivo o el desempeño clínico. Los autores señalan explícicamente que la competencia autoevaluada puede no corresponder con la competencia observada objetivamente.
Retención: La evaluación inmediata post-intervención impide sacar conclusiones sobre la retención de conocimientos o habilidades a largo plazo.
Generalización: Al haberse realizado en una sola universidad, los hallazgos pueden no ser generalizables a otras instituciones o sistemas educativos sin una validación multicéntrica adicional.

Los autores concluyen que, si bien AIMedEdu es prometedora, son necesarios estudios multicéntricos controlados que incorporen medidas de competencia objetiva y un seguimiento a más largo plazo para establecer la efectividad educativa y la generalizabilidad.

Más como este