Are AI knowledge and educational expectations homogeneous across clinical training stages and intended specialties?

Resumen Técnico: Conocimiento de la IA y Expectativas Educativas a través de las Etapas de Formación Clínica y Especialidades

Planteamiento del Problema
La inteligencia artificial (IA) está remodelando cada vez más la atención sanitaria y la educación médica, lo que requiere que los futuros médicos posean competencias en alfabetización de datos, evaluación crítica de algoritmos y aplicación ética. Sin embargo, los currículos actuales de pregrado en medicina carecen de un marco ampliamente adoptado para la educación en IA, lo que deja sin resolver si el conocimiento de la IA y las expectativas educativas evolucionan naturalmente a través de la formación clínica o varían según la especialidad prevista del estudiante. La literatura previa sugiere una brecha entre el entusiasmo de los estudiantes por la IA y su comprensión conceptual real, pero sigue sin explorarse suficientemente si la antigüedad clínica o la orientación de la especialidad (específicamente el interés en campos intensivos en imágenes o datos) se correlaciona con un mejor conocimiento de la IA o con necesidades educativas distintas.

Metodología
Este estudio es un análisis secundario de una encuesta nacional transversal en línea realizada entre estudiantes de medicina franceses en sus cuarto, quinto y sexto años de estudio (DFASM1, DFASM2 y DFASM3), correspondientes al periodo de prácticas clínicas. La muestra analítica comprendió 1,342 estudiantes.

• Variables:
  • Variables explicativas: Etapa de formación clínica (año de estudio) y orientación de la futura especialidad preferida. La orientación de la especialidad se categorizó ampliamente, con un enfoque específico en "especialidades intensivas en imágenes o datos" (que incluyen radiología, dermatología, oftalmología, patología, medicina nuclear, cardiología, genética y salud pública).
  • Resultado primario: Conocimiento conceptual de la IA, evaluado mediante una definición de texto libre de la IA. Las definiciones se categorizaron como desconocidas, incorrectas, parcialmente correctas o correctas. El "conocimiento adecuado de la IA" se definió como la provisión de una definición parcialmente correcta o correcta.
  • Resultados secundarios: Actitudes relacionadas con la IA (medidas en escalas de 0 a 10 respecto al optimismo, preocupación, necesidad percibida de formación, etc.) y expectativas educativas (integración curricular preferida, objetivos de aprendizaje y formatos de enseñanza).
• Análisis Estadístico: Las variables categóricas se compararon mediante las pruebas de chi-cuadrado o la prueba exacta de Fisher; las escalas de calificación numérica se analizaron mediante las pruebas de Kruskal–Wallis. Se emplearon modelos de regresión logística y lineal para explorar asociaciones, ajustando por edad, clasificación de clase y aspiraciones profesionales. Se reportaron tamaños del efecto (V de Cramer y epsilon-cuadrado), y se aplicó la corrección de la tasa de falso descubrimiento para los análisis exploratorios específicos de la especialidad.

Resultados Clave

1. Conocimiento de la IA y Antigüedad Clínica: No hubo una asociación significativa entre la etapa de formación clínica y el conocimiento de la IA. La proporción de estudiantes que proporcionaron una definición adecuada de la IA se mantuvo estable en todos los años: 37.6% en DFASM1, 37.4% en DFASM2 y 39.6% en DFASM3 ($P=.82$). Las definiciones incorrectas fueron la categoría más frecuente en todos los grupos (~56–58%), mientras que las definiciones correctas siguieron siendo escasas (3.3%–6.1%).
2. Actitudes y Antigüedad: Las puntuaciones de actitud fueron ampliamente similares a través de las etapas de formación. La única diferencia estadísticamente significativa fue una disminución insignificante del optimismo hacia la IA entre los estudiantes de último año, con un tamaño del efecto muy pequeño.
3. Orientación de la Especialidad y Conocimiento: El interés en especialidades intensivas en imágenes o datos no estuvo asociado con un mejor conocimiento de la IA. La tasa de conocimiento adecuado fue casi idéntica entre los estudiantes interesados en estas especialidades (37.7%) y aquellos con otros intereses (37.9%) ($P=.93$).
4. Orientación de la Especialidad y Expectativas Educativas: A pesar de niveles de conocimiento similares, los estudiantes interesados en especialidades intensivas en imágenes o datos reportaron una necesidad percibida significativamente mayor de aprender los conceptos básicos de la IA (diferencia de media ajustada +0.39 puntos) y una preocupación ligeramente mayor respecto al papel de la IA (diferencia de media ajustada +0.30 puntos). Este grupo también mostró una mayor preferencia por objetivos de aprendizaje avanzados, como la comprensión de los procesos tecnológicos subyacentes y la comunicación con ingenieros, y un mayor interés en cursar formación de nivel de Máster o Doctorado.

Significación y Reivindicaciones
Los autores concluyen que el conocimiento de la IA no mejora de forma pasiva durante la formación clínica; la progresión desde el cuarto al sexto año de la carrera de medicina no conduce intrínsecamente a una mejor comprensión conceptual de la IA. Por consiguiente, depender únicamente de la exposición clínica es insuficiente para desarrollar competencias en IA.

El estudio respalda la implementación de una educación explícita en IA dentro de los currículos de pregrado de medicina. Los autores proponen un modelo educativo híbrido:

• Un currículo fundacional común para todos los estudiantes que cubra conceptos básicos de IA, evaluación crítica y cuestiones éticas/regulatorias.
• Módulos opcionales orientados a la especialidad, adaptados a los estudiantes en campos intensivos en imágenes o datos que demuestran una mayor necesidad percibida de comprensión técnica avanzada y habilidades de colaboración interdisciplinaria.

El artículo enfatiza que, si bien las percepciones de los estudiantes sobre la IA pueden estar influenciadas por su contexto profesional anticipado (interés en la especialidad) más que por su exposición educativa, los currículos actuales no logran alinear la provisión educativa con estas necesidades percibidas. Los hallazgos abogan por diseñar la educación en IA como un componente intencional y estructurado de la educación superior profesional, en lugar de depender de la exposición informal o autodidacta.