Desarrollo y validación de un sistema basado en un modelo de lenguaje amplio para la capacitación en toma de historia...

Área de la Ciencia:

• Tecnología de la educación médica
• Inteligencia artificial en el cuidado de la salud
• Capacitación clínica

Sus antecedentes:

• El entrenamiento tradicional de historial médico carece de retroalimentación consistente, evaluación estandarizada y acceso a pacientes estandarizados.
• Los pacientes simulados impulsados por inteligencia artificial (IA) presentan una solución potencial, pero la consistencia y la estabilidad de la evaluación entre humanos y IA requieren más investigación.

Objetivo del estudio:

• Desarrollar y validar el sistema de capacitación y evaluación de historial médico basado en IA (AMTES) utilizando DeepSeek-V2.5.
• Evaluar la estabilidad de AMTES, la coherencia entre humanos y IA y la transparencia en diversos escenarios clínicos.

Principales métodos:

• Desarrolló AMTES con estrategias para la calidad del diálogo y la evaluación automatizada.
• Se realizó un estudio prospectivo con 31 estudiantes de medicina que evaluaron 3 casos (simple, moderado, complejo).
• Se realizaron comparaciones sistemáticas de referencia y se probó la generalización con un modelo de lenguaje grande alternativo (LLM).

Principales resultados:

• AMTES logró una alta precisión de diálogo (97,9%-99,0%) y adecuación contextual (>99%).
• Las evaluaciones automatizadas mostraron una estabilidad excepcional (CVs ≤1,2%) y una alta consistencia entre humanos y IA (ICCs >0,923).
• El 87% de los estudiantes consideró que AMTES era útil, y el 83% estaba dispuesto a volver a utilizarlo.

Conclusiones:

• AMTES proporciona un valor educativo significativo a través de diálogos clínicos auténticos y retroalimentación consistente y transparente.
• El sistema es adaptable y generalizable para la formación en historia médica en varios entornos educativos.
• La fuerte aprobación de los usuarios respalda el potencial de AMTES como una valiosa herramienta de capacitación.