Anales de la RANM

149 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 INTELIGENCIA ARTIFICIAL EN LA EDUCACIÓN MÉDICA Banegas JR, et al. An RANM. 2026;143(02): 145 - 159 datos; y 5) comunicación (incluyendo la empatía) y colaboración (16). La evaluación se debe centrar en el juicio crítico y la empatía humana, pasando de métodos tradicionales a evaluaciones de rendimiento basadas en simulaciones y feedback de IA (TABLA 2) (5,7,15,17). Esta orientación exige evaluar no solo si el estudiante alcanza una respuesta correcta, sino cómo llega a ella: qué pregunta formula a la IA, qué fuentes contrasta, cómo identifica sesgos o errores y cómo justifica su decisión final. Así, la evaluación se convierte en una herramienta para enseñar razona- miento, responsabilidad y profesionalismo, no solo para certificar conocimientos (5,7,15-18). Integridad académica: uso crítico y responsable de la IA Un modelo evaluativo que consideramos de especial interés es el uso de guías para hacer y valorar trabajos de calidad. Por ejemplo, una propuesta reciente aboga por fomentar la integridad académica mediante un uso crítico, ético e innovador de la IA, corrigiendo prácticas habituales como el uso sin cita, la aceptación acrítica de resultados y la falta de creatividad (18). Para ello, promueve el trabajo colaborativo visible, desincentiva el “copiar y pegar” y plantea la IA como herramienta de apoyo reflexivo, junto con una declaración explícita de uso responsable en los trabajos académicos. Finalmente, es importante resaltar que las unidades de educación médica y en ciencias de la salud son esenciales para estimular, coordinar y dirigir el proceso educativo moderno, IA incluida (5). ¿CUÁLES SON LOS MODELOS Y PROGRAMAS DE IA EN ALGU- NAS FACULTADES DE MEDICINA, SOBRE TODO EN ESPAÑA? La incorporación de la IA en Facultades de Medicina españolas avanza mediante tres vías principales: asignaturas transversales en el grado, programas de posgrado y formación continua. La TABLA 3 presenta un listado ilustrativo, no exhaustivo, de algunos programas, sus características y fuentes (15,19). Formación en grado Aunque la presencia de la IA en el currículo de grado es creciente, su integración sigue siendo limitada y heterogénea. La mayoría de las facultades examinadas la introducen mediante asignaturas optativas o transversales de 3–6 ECTS, centradas en fundamentos de IA, salud digital o análisis de datos. La transición hacia modelos longitudinales se encuentra aún en una fase inicial (15,19) y debería acelerarse. Como ilustración de curso de grado en el que tenemos experiencia, la asignatura “Introducción a la IA en Biomedicina” (Universidad Autónoma de Madrid [UAM]), aportó hallazgos relevantes para la innova- ción docente. Aunque optativa y transversal, atrajo sobre todo a estudiantes de cursos iniciales. Pese al escaso conocimiento basal, la implicación y el aprendi- zaje progresaron notablemente, como mostró la elevada calidad de los proyectos finales, centrados en aplicar IA a problemas reales de biomedicina. Formación en posgrado En contraste, la oferta de posgrado muestra una oferta más amplia, con orientación clínica, técnica y regula- toria. Los másteres oficiales y títulos propios, general- mente de 60 ECTS y modalidad online, concentran la mayor parte de la innovación formativa; y crecen algunas alianzas estratégicas con escuelas de bioinge- niería. Los programas se orientan principalmente a la aplicación clínica de la IA, el análisis de datos biomédicos y la medicina de precisión. Esta asimetría con el grado puede generar brechas formativas relevantes: dependencia del posgrado para adquirir competencias digitales esenciales, desigualdad en el acceso a formación avanzada y escasa preparación docente para integrar la IA en la enseñanza. Educación médica continua (EMC) Consta de cursos breves, flexibles y orientados a la práctica clínica, dirigidos a profesionales en ejercicio. Su expansión refleja la necesidad de actualización permanente en un entorno sanitario digitalizado. Se observa en especial un crecimiento paulatino de las microcredenciales. Por ejemplo, la microcredencial “Fundamentos de IA en el mundo sanitario” (UAM/ Fundación UAM [FUAM], 2025) formó profesionales de la salud en la aplicación clínica de algoritmos e IA generativa. Incluyó datos clínicos, apoyo a la decisión médica, bioética y reflexión sobre la opacidad tecnológica y la humanización asistencial. La valora- ción por parte de los alumnos fue muy satisfactoria. En conjunto, los datos de la tabla 3 muestran un ecosis- tema formativo dinámico pero desequilibrado. Para avanzar hacia una educación médica alineada con las necesidades del sistema sanitario, se requieren modelos de gobernanza claros y estrategias institu- cionales y regulatorias que impulsen la integra- ción estructurada de la IA en el grado, fortalezcan la capacitación docente y garanticen un acceso equita- tivo a competencias digitales. Además, la integración de la IA en la educación médica muestra una madurez heterogénea en distintos países ( TABLA 4 ). En una sucinta comparación, los países anglosajones (e.g., EE.UU ., Reino Unido y Canadá) lideran el desarrollo de marcos competenciales y la integración longitu- dinal en el currículo —respaldados por una sólida gobernanza institucional—, mientras el modelo español se encuentra aún en una fase inicial, con iniciativas fragmentadas y concentradas principalmente en posgrado y la EMC de forma heterogénea. Este contexto sugiere la necesidad de definir competencias nacionales básicas, promover la integración curricular longitudinal, impulsar la capacitación formal del profesorado y reforzar la gobernanza y coordinación institu- cional, incluyendo la nacional (15,16,20).