Performance of Generative Artificial Intelligence and Medical Students on Undergraduate Ophthalmology Examinations: A Cross-Sectional Comparative Study
Este estudio transversal encontró que, si bien cinco sistemas de IA generativa superaron significativamente a estudiantes de medicina de cuarto año en preguntas de texto sobre oftalmología de pregrado, la mayoría tuvo dificultades con los ítems basados en imágenes, lo que destaca su potencial como herramientas educativas al tiempo que advierte contra el hecho de equiparar el rendimiento en exámenes con la competencia clínica.
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
En las aulas de la medicina moderna, un nuevo tipo de estudiante ha entrado silenciosamente en el aula de conferencias. No duerme, no olvida y puede leer miles de páginas en un segundo. Esta es la inteligencia artificial generativa, un tipo de programa informático diseñado para comprender el lenguaje y generar respuestas que suenan como si vinieran de un humano. Estos sistemas, a menudo llamados modelos de lenguaje extensos, se han convertido en herramientas comunes para el aprendizaje, ayudando a los estudiantes a explicar ideas complejas o a prepararse para exámenes. Pero mientras estas máquinas se vuelven mejores leyendo y razonando, una pregunta crítica permanece: ¿comprenden realmente el mundo visual de la medicina? En campos como la oftalmología, el estudio de los ojos, el diagnóstico a menudo depende de detectar patrones sutiles en fotografías de la retina o del interior de un ojo. Para un médico humano, ver es creer. Para una máquina, ver es un desafío mucho mayor. A medida que estas herramientas se integran más en la educación, los educadores necesitan saber si simplemente están imitando el conocimiento o si realmente pueden ver lo que un estudiante ve.
Para encontrar la respuesta, un equipo de investigadores de la Universidad de Oporto en Portugal sometió a cinco de los sistemas de inteligencia artificial más avanzados a una prueba frente a estudiantes de cuarto año de medicina. Los investigadores recopilaron 89 preguntas de opción múltiple de exámenes reales de oftalmología aplicados a estudiantes en 2025. Estas preguntas cubrían una amplia gama de afecciones oculares, desde el glaucoma hasta enfermedades de la retina. El conjunto incluía 77 preguntas que podían responderse leyendo solo texto, y 12 preguntas que requerían que el examinando mirara una fotografía o una imagen médica para encontrar la respuesta correcta. Luego, los investigadores introdujeron cada una de las preguntas, junto con su imagen correspondiente cuando aplicaba, en cinco sistemas de IA diferentes: GPT-4.1 Auto, GPT-5.2 Auto, Gemini 3 Flash, Grok 4.1 Auto y Claude Sonnet 4.5. Las computadoras no recibieron ayuda adicional, ni búsqueda en internet, ni la oportunidad de pedir aclaraciones; simplemente tenían que elegir la mejor respuesta entre las cinco opciones proporcionadas, tal como lo haría un estudiante.
Los resultados revelaron una división sorprendente entre qué tan bien manejaban las máquinas las palabras frente a las imágenes. En las preguntas de solo texto, los sistemas de inteligencia artificial se desempeñaron con una habilidad notable. Tres de los cinco sistemas obtuvieron más del 90 por ciento de las respuestas correctas, y el mejor de ellos, Gemini 3 Flash, alcanzó un 95.5 por ciento de precisión. En comparación, el estudiante de medicina promedio acertó aproximadamente el 73 por ciento de las preguntas. Esto significa que, en preguntas basadas en papel, los mejores sistemas de IA superaron a la gran mayoría de los estudiantes humanos, situándose en el percentil superior de la clase. Sin embargo, la historia cambió completamente cuando las preguntas incluían imágenes. Cuando la prueba requería mirar una foto de un ojo, el desempeño de cuatro de los cinco sistemas de IA cayó significamente. Mientras que los estudiantes humanos mantuvieron su nivel de precisión independientemente de si la pregunta era de texto o basada en imágenes, las máquinas tuvieron dificultades para interpretar los datos visuales. Por ejemplo, un sistema que puntuó un 98.7 por ciento en preguntas de texto cayó al 75 por ciento en preguntas de imágenes. Otro bajó del 96 por ciento al 67 por ciento. Solo un sistema, GPT-4.1 Auto, no mostró una diferencia significativa entre los dos formatos, pero también tuvo la puntuación general más baja de todas las máquinas.
Los investigadores también analizaron cómo las respuestas de las máquinas se comparaban con las de los estudiantes para ver si estaban cometiendo los mismos errores. Encontraron que los sistemas de IA no estaban simplemente copiando a los estudiantes. De hecho, los sistemas que obtuvieron más preguntas correctas fueron a menudo los que más discrepaban con la mayoría de los estudiantes. Estas máquinas de alto rendimiento respondieron correctamente muchas preguntas que la mayoría de los estudiantes erraron, lo que sugiere que estaban accediendo a un tipo diferente de conocimiento o proceso de razonamiento. Por el contrario, el sistema con la precisión general más baja, GPT-4.1 Auto, fue el que más se pareció al patrón de respuestas de los estudiantes. Esto indica que, si bien las máquinas son poderosas, no necesariamente piensan como los humanos, y sus errores no son los mismos que los errores humanos. El estudio también mostró que las máquinas eran mejores respondiendo preguntas que eran más fáciles de resolver para los estudiantes, lo que sugiere que la dificultad de la pregunta afecta tanto a humanos como a máquinas de manera similar.
A pesar de las altas puntuaciones, los investigadores advierten que estos resultados no significan que las máquinas estén listas para reemplazar a los médicos o que posean una verdadera competencia clínica. El estudio se realizó sobre un conjunto específico de preguntas de una sola universidad, y el número de preguntas basadas en imágenes era relativamente pequeño. Los autores enfatizan que, si bien estas herramientas pueden ser excelentes para revisar hechos y prepararse para exámenes escritos, aún no pueden confiarse para interpretar los complejos hallazgos visuales que son centrales para el cuidado ocular. La capacidad de mirar el ojo de un paciente y realizar un diagnóstico es una habilidad que requiere más que solo seleccionar la letra correcta en un examen. Por ahora, estos sistemas de inteligencia artificial sirven como poderosas ayudas de estudio que pueden ayudar a los estudiantes a aprender, pero siguen siendo distintos de la capacidad humana de ver y comprender el mundo de la medicina.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.