Design and Feasibility of a Large Language Model-Based Teaching Pathway for Clinical Pharmacy Practice Competencies

En el mundo de la atención médica, aprender a hablar con los pacientes es tan crítico como saber qué medicamento recetar. Para los nuevos farmacéuticos clínicos, el camino para dominar estas conversaciones suele estar bloqueado por una realidad simple: no hay suficientes pacientes reales disponibles para practicar, y los expertos que podrían guiarlos están demasiado ocupados para observar cada interacción. Tradicionalmente, las escuelas han utilizado "pacientes estandarizados" —actores entrenados para fingir que están enfermos con síntomas específicos— para crear entornos de práctica seguros. Aunque es efectivo, contratar a estos actores es costoso, difícil de programar y solo pueden repetir un guion un número limitado de veces antes de que se cansen o se vuelvan inconsistentes.

Para resolver esto, los investigadores han comenzado a recurrir a la inteligencia artificial, específicamente a un tipo de programa informático llamado modelo de lenguaje de gran tamaño. Estos modelos están entrenados en vastas cantidades de texto y pueden generar respuestas de apariencia humana, lo que los convierte en candidatos potenciales para crear pacientes virtuales que nunca se cansan. Sin embargo, los primeros intentos de utilizar esta tecnología en la medicina a menudo resultaron en conversaciones rígidas y robóticas que se sentían antinaturales o no proporcionaban comentarios útiles. El desafío ha sido enseñar a estos programas informáticos no solo a hablar, sino a actuar como una persona real con un historial médico, y también a enseñarles cómo calificar el desempeño de un estudiante de manera justa.

Un equipo de investigadores del Hospital Afiliado de Cáncer de la Universidad Médica de Nanjing se propuso construir y probar una nueva forma de entrenar a los farmacéuticos utilizando esta tecnología. Querían ver si podían crear un sistema de enseñanza virtual que se sintiera lo suficientemente real como para ser útil, pero lo suficientemente inteligente como para dar retroalimentación precisa sin necesidad de un profesor humano presente. Se centraron en la oncología, o el cuidado del cáncer, un campo donde la gestión de la medicación es compleja y los errores pueden ser peligrosos. El equipo creó tres escenarios específicos que involucraban a pacientes con diferentes tipos de cáncer y regímenes de quimioterapia. Luego invitaron a veintiún aprendices, incluyendo farmacéuticos novatos y estudiantes de posgrado, a practicar sus habilidades teniendo una conversación con un paciente virtual impulsado por un modelo de inteligencia artificial de código abierto.

Los investigadores diseñaron el sistema con dos objetivos principales: primero, hacer que el paciente virtual sonara y actuara como una persona real, y segundo, lograr que la computadora calificara automáticamente el desempeño del aprendiz. Para lograr el primer objetivo, utilizaron un conjunto estructurado de instrucciones, conocido como prompt, que le decía a la computadora exactamente cómo comportarse. Se le instruyó a la computadora para que mantuviera el personaje de un paciente, respondiera a las preguntas de forma natural y compartiera detalles médicos solo cuando se le preguntara o cuando sintiera que una persona real los ofrecería voluntariamente. Para lograr el segundo objetivo, le dieron a la computadora un conjunto separado de instrucciones para actuar como examinador, revisando el texto de la conversación para ver si el aprendiz hacía las preguntas correctas y recopilaba la información necesaria.

Cuando el estudio comenzó, los resultados fueron prometedores. Los pacientes virtuales fueron notablemente convincentes. Los expertos que revisaron las conversaciones calificaron muy alto la capacidad de la computadora para sonar como un humano real, señalando que el discurso se sentía natural y libre de rigidez robótica. Los aprendices estuvieron de acuerdo, reportando que se sintieron cómodos y menos tensos durante las interacciones de lo que podrían sentirse con un actor humano. Apreciaron que el paciente virtual proporcionaba un espacio seguro para practicar sin el miedo al juicio, permitiéndoles concentrarse enteramente en la conversación. El sistema simuló con éxito el flujo de una ronda hospitalaria real, pasando desde la toma de un historial médico hasta el asesoramiento al paciente y la respuesta a sus preguntas.

La computadora también demostró ser capaz de calificar a los aprendices. Cuando los investigadores compararon las puntuaciones otorgadas por la inteligencia artificial con las puntuaciones dadas por un panel de expertos humanos, encontraron un acuerdo muy sólido. La computadora y los humanos generalmente clasificaron a los aprendices en el mismo orden, identificando quién desempeñaba bien y quién necesitaba más práctica. Sin embargo, el estudio también reveló una falla específica en la lógica de calificación de la computadora. La inteligencia artificial tendía a dar puntuaciones más bajas que los expertos humanos, una diferencia de aproximadamente dos puntos y medio en una escala estándar.

La razón de esta brecha reside en cómo la computadora interpreta las reglas. En una conversación real, un paciente podría ofrecer información importante, como mencionar un efecto secundario que está experimentando, incluso si el farmacéutico aún no ha preguntado por ello. Los expertos humanos entienden esto como una interacción exitosa porque el farmacéico ahora posee la información. La computadora, sin embargo, fue programada para buscar estrictamente una pregunta específica seguida de una respuesta. Si el paciente entregaba la información sin haber sido preguntado, la computadora a veces deducía puntos, pensando que el aprendiz no había hecho la pregunta correcta. Esto sugiere que, si bien la computadora es excelente siguiendo reglas estrictas, todavía lucha con la naturaleza sutil y flexible de la conversación humana donde el contexto importa más que una lista de verificación.

A pesar de esta limitación en la calificación, el estudio concluyó que este enfoque es una herramienta poderosa para la formación. El sistema aún no está listo para reemplazar a los profesores humanos en exámenes de alto riesgo donde una sola puntuación determina una carrera, debido a la subestimación constante. Pero para la práctica diaria, la autoevaluación y la construcción de confianza, ofrece una solución que es de bajo costo, siempre disponible y altamente efectiva. Los investigadores demostraron que, mediante el uso de instrucciones claras para guiar a la inteligencia artificial, podían crear una vía de enseñanza que es tanto realista como escalable. Esto significa que los hospitales y escuelas con presupuestos limitados podrían potencialmente adoptar este método para dar a sus aprendices la práctica que necesitan, cerrando la brecha entre el aprendizaje en el aula y la atención al paciente en el mundo real. El trabajo sugiere que el futuro de la formación médica puede no depender de la contratación de más actores, sino de enseñar a las computadoras a escuchar y responder con la sutileza de un humano real.