Un estudio bibliométrico

Ximena García Ocampo^[1]

Introducción

Para Rodríguez, Imbaquingo, Méndez y Loján (2024), la aplicación de la inteligencia artificial en la educación superior ha crecido exponencialmente en la última década, transformando los procesos de enseñanza y aprendizaje en diversas disciplinas, incluida la medicina. Los estudios bibliométricos permiten examinar este crecimiento mediante análisis exhaustivos de publicaciones científicas, que revelan tendencias significativas y colaboraciones internacionales en la investigación sobre IA educativa. El presente estudio bibliométrico tiene como objetivo analizar el panorama global de la investigación sobre la inteligencia artificial (IA) aplicada a la educación médica, utilizando la ecuación de búsqueda “Artificial Intelligence” y “Medical Education”. Esta investigación se llevó a cabo en la base de datos científica Scopus, con el fin de identificar tendencias de publicación, colaboración internacional, áreas temáticas emergentes y autores influyentes en el campo. El análisis abarcó artículos publicados desde el año 1972 hasta 2024, y ofrece una visión integral del impacto que la inteligencia artificial ha tenido en la evolución de la educación médica.

Este estudio bibliométrico pretende abordar el tema de la inteligencia artificial y la educación médica. Por ello, en la primera parte, se presenta inicialmente el análisis bibliométrico de la inteligencia artificial y la educación médica, reconociendo los aspectos más relevantes relacionados con esta temática. Es así como se plantean los siguientes interrogantes: ¿cómo ha evolucionado la producción científica en inteligencia artificial en la educación médica en Scopus en los últimos años en cuanto a volumen de publicaciones, autores, instituciones y países?, ¿cuál es el crecimiento anual de publicaciones en Scopus en relación con el tema?, ¿cuáles son los autores, las instituciones y los países más relevantes en esta área de conocimiento?, ¿cómo se distribuye la producción científica por tipo de publicación (artículos, revisiones, capítulos de documentos, etc.)?, ¿cuáles son los organismos financiadores más importantes en el tema?, y ¿qué colaboraciones entre autores se registran en el tema? A partir de estos interrogantes, se identifican las áreas del conocimiento, los tipos de documentos publicados y su relación con los países y los autores más representativos que han tocado el tema de la inteligencia artificial y la educación médica; con todo lo anterior, se reconocen las tendencias de investigación en esta área, de allí que se termine con el reconocimiento de la transformación de las escuelas de medicina al incorporar en sus currículos el uso de la inteligencia artificial.

El análisis de la producción científica revela un incremento significativo en el número de publicaciones relacionadas con la inteligencia artificial y la educación médica, especialmente en la última década. Este crecimiento refleja el interés creciente en la implementación de tecnologías avanzadas en la formación de futuros profesionales de la salud. Entre los años 2000 y 2010, las publicaciones relacionadas con el tema eran limitadas, y el enfoque se centraba principalmente en investigaciones teóricas o en la exploración de posibles aplicaciones de la inteligencia artificial en la educación médica. Sin embargo, a partir de 2011, se observa una aceleración considerable en el número de estudios empíricos y aplicaciones prácticas, impulsada por los avances tecnológicos y la adopción creciente de inteligencia artificial en el ámbito de la salud.

El aumento de la disponibilidad de datos, el desarrollo de algoritmos más sofisticados y la creciente demanda de métodos de enseñanza más personalizados han sido factores clave para impulsar este crecimiento. La pandemia de COVID-19 también jugó un papel importante, ya que los programas relacionados con la educación médica tuvieron que adaptarse rápidamente a modalidades de enseñanza remotas y basadas en tecnología, lo que aumentó el interés en soluciones innovadoras como la inteligencia artificial.

Marco conceptual/teórico

En el siglo XX, Flexner realizó comparaciones entre la formación médica en Norteamérica y en Europa, tras las cuales concluyó que hay necesidad de crear prácticas de laboratorio e integración teórico-práctica en los hospitales (González, 2015, citado por García, Peña y González, 2021). En los años 90, el aporte de Miller describe el enfoque evaluativo de las competencias del médico, complementado por el modelo de “competencias y desempeño” de la Universidad de Cambridge, el cual adiciona la influencia de factores relacionados con el sistema y con el individuo (González, 2015, citado por García, Peña y González, 2021). La Declaración de Edimburgo de 1988 resalta la importancia de las competencias sociales de los egresados, mientras que en la Declaración de Bolonia de 1999 se describen seis dominios y sus competencias (García, Peña y González, 2021). En el caso de la educación médica, existen componentes prácticos, ya sean los laboratorios de las ciencias básicas (biología, química, física) o los laboratorios de simulación clínica utilizados para brindar las herramientas necesarias con el fin de lograr las competencias que necesita el médico durante la interacción con los pacientes. No todas las actividades de formación pueden realizarse de forma remota, y ese hecho genera situaciones de ansiedad por parte de los estudiantes y profesores (Wong, 2020, citado por García, Peña y González, 2021). La respuesta de los gobiernos para mejorar la oferta de acceso digital ha sido amplia (CEPAL, 2020, citado por García, Peña y González, 2021), y las instituciones han hecho uso de diversas herramientas para suplir de alguna manera las necesidades demandantes de las dinámicas educativas actuales.

La intersección de la educación médica y la inteligencia artificial (IA) ha dado lugar a un nuevo paradigma en la formación de profesionales de la salud y la prestación de atención médica. Este marco teórico se basa en la comprensión de cómo la inteligencia artificial puede transformar los procesos de enseñanza-aprendizaje y la práctica clínica, al tiempo que considera las implicaciones éticas y los desafíos de esta integración.

Inteligencia artificial en la educación médica: un cambio de paradigma

La inteligencia artificial está redefiniendo la educación médica al proporcionar herramientas y enfoques innovadores que mejoran la adquisición de conocimientos, el desarrollo de habilidades y la formación de actitudes en los futuros profesionales de la salud. Entre ellos, la personalización del aprendizaje, debido a que la inteligencia artificial permite crear experiencias de aprendizaje individualizadas, adaptando el contenido, el ritmo y el estilo a las necesidades específicas de cada estudiante. De igual forma que permite la generación de contenido dinámico, la inteligencia artificial facilita la creación de simulaciones clínicas realistas y complejas, evaluaciones personalizadas y materiales educativos actualizados, lo que enriquece el proceso de aprendizaje. En cuanto a la evaluación y la retroalimentación, estas pueden ser optimizadas, dado que los sistemas de inteligencia artificial pueden evaluar el rendimiento de los estudiantes de manera objetiva y continua, de manera de proporcionar retroalimentación personalizada para guiar su progreso.

Análisis bibliométrico de la inteligencia artificial y la educación médica

Los análisis bibliométricos son una herramienta para describir y medir la literatura académica (Roemer y Borchardt, 2015; Gómez y Álvarez, 2016; Franco, 2018; Denyer y Tranfield, 2009). Así mismo, Wallin (2005), Gläser, Glänzel y Scharnhorst (2017), y Abad y González (2019) proponen indicadores relacionados con áreas de investigación, tipo de publicación, autores, años de publicación y países para llevar a cabo los análisis bibliométricos.

Para efectos de esta investigación, se utilizó la base de Scopus, que cuenta con más de 69.000.000 documentos, siendo una de las herramientas más utilizadas en la actualidad para identificar el nivel de avance de un área del conocimiento. Scopus es la mayor base de datos académica internacional y una de las de mayor prestigio. Es una producción del Grupo Elsevier, una de las editoriales científicas más importantes del mundo.

Objetivo general

Describir el estado actual de la producción científica relacionada con la inteligencia artificial y la educación médica a partir de la caracterización de los registros bibliográficos de documentos científicos relativos a la temática, indexados en la base de datos Scopus y publicados en el período 1972-2024.

Objetivos específicos

• Identificar la producción científica según tipo de publicación.
• Reconocer los autores más representativos del campo de la inteligencia artificial y la educación médica.
• Determinar los países que publican en torno al tema de la inteligencia artificial y la educación médica.
• Reconocer por medio del análisis bibliométrico la relación de la inteligencia artificial con la educación médica y las tendencias de investigación.

Metodología

La bibliometría se basa en el análisis cuantitativo de publicaciones científicas, lo que proporciona datos sobre la productividad de los investigadores, el impacto de las revistas y la colaboración entre autores (Flores-Fernández y Aguilera-Eguía, 2019). Estos indicadores son cruciales para comprender cómo se está utilizando la IA en la educación médica y para evaluar la calidad y relevancia de las investigaciones publicadas. Este estudio adoptó un enfoque de revisión bibliométrica para sintetizar la literatura existente sobre el uso de la IA en la educación médica. El diseño metodológico adoptado fue un estudio descriptivo-exploratorio, que permitió identificar y analizar las tendencias actuales en la educación médica. Este enfoque posibilita explorar fenómenos emergentes y proporcionar una visión general de las prácticas y tecnologías innovadoras en el campo de la educación médica.

Se realizó un análisis bibliométrico de las publicaciones relacionadas con la inteligencia artificial y la educación médica indexadas por la base de datos Scopus, correspondiente al período 1972-2024. Se identificaron un total de 27.423 documentos; se estudió la productividad por años y países.

La base de datos Scopus fue elegida por su capacidad para efectuar búsquedas avanzadas y su indexación de citas, lo que permite identificar estudios relevantes y evaluar su impacto (Burnham, 2006).

Los criterios de inclusión fueron los siguientes:

• Estudios publicados en revistas científicas revisadas por pares.
• Estudios que abordaran directamente la inteligencia artificial en la educación médica.
• Estudios escritos en inglés o español.

Los criterios de exclusión fueron los que siguen:

• Estudios no revisados por pares.
• Estudios que no abordaran directamente la inteligencia artificial en la educación médica.
• Estudios escritos en idiomas distintos al inglés o español.

Consideraciones éticas

Dado que esta es una revisión bibliométrica de literatura publicada, no se requirió la aprobación de un comité de ética. Sin embargo, se tomaron medidas para garantizar la integridad y la transparencia del proceso de revisión. Se llevó a cabo una búsqueda exhaustiva de la literatura, se aplicaron criterios de inclusión y exclusión claros y se realizó una extracción de datos rigurosa. Además, se citaron todas las fuentes de información de manera adecuada para evitar el plagio.

Resultados. La inteligencia artificial y la educación médica

La ecuación de búsqueda para este análisis fue “Artificial Intelligence” y “Medical Education”; se encontraron 27.423 documentos, los cuales se distribuyen por área del conocimiento, tal como se presenta en la gráfica 1.

Gráfica 1. Producción científica por área del conocimiento (1972-2024)

Nota: CS=Computer Science, Med=Medicine, SS=Social Sciences, Eng=Engineering, Mat=Mathematics, HP=Health Professions, BMA=Business, Management and Accounting, Psy=Psychology, BGMB=Biochemistry, Genetics and Molecular Biology DSc=Decision Sciences, AH=Arts and Humanities, Nurs=Nursing, PA=Physics and Astronomy, ES=Environmental Science, EEF=Economics, Econometrics and Finance, Multi=Multidisciplinary, MS=Materials Science, Neuro=Neuroscience, Energy, CE=Chemical Engineering, PTP=Pharmacology, Toxicology and Pharmaceutics, ABS=Agricultural and Biological Sciences, Dentis=Dentistry, IM=Immunology and Microbiology, Chem=Chemistry, EPS=Earth and Planetary Sciences, Vet=Veterinary.
Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus.

De acuerdo con la gráfica anterior, en cuanto a la temática de la inteligencia artificial y la educación médica, se destacan las publicaciones centradas en el área de ciencias de la computación y medicina, con un 21 %, seguida de ciencias sociales, con un 16 %, ingeniería, con 9 %, matemáticas, con 5 %, ciencias de la salud, con 6 %, y otras con un 11 %.

Asimismo, Suclupe et al. (2021) plantean que un elemento relevante que considerar en el análisis bibliométrico es identificar el tipo de documento publicado. Para efectos de esta investigación, en la gráfica 2, se describirán los tipos de documentos publicados desde 1972 hasta el 2024.

Gráfica 2. Producción científica según tipo de documento publicado (1972-2024)

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus.

Tabla 1. Producción científica según tipo de documento publicado 

Documento	Cantidad
Artículo	15335
Conferencia	5074
Artículo de revisión	3074
Capítulo de libro	1644
Editorial	673
Libro	552
Cartas	490
Notas	446
Encuesta corta	81
Retractados	48
Revista de congresos	22
Fe de erratas	10
Documento de datos	7

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus. 

Según los resultados presentados, se reconoce que el 56 % son artículos, el 11 % artículos de revisión, el 18 % conferencias, el 6 % capítulo de libro, el 2,5 % material editorial, el 1,8 % cartas, el 1,6% notas, y otros el 0,3 %; esto indica que el interés por el tema de la inteligencia artificial en la educación médica se refleja en presentar los resultados de las investigaciones en el formato de artículos científicos, siendo este una herramienta para actualizar y validar el conocimiento que se desarrolla sobre el tema en el mundo científico.

Otro indicador para tener en consideración es la cantidad de publicaciones realizadas por año, lo que permite reconocer el año en el cual ha sido mayor el interés por el tema de análisis; en la gráfica 3, se presenta la distribución de publicaciones por año.

Gráfica 3. Publicaciones por año

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus.

En correspondencia con los resultados anteriores, se identifica que, en los últimos seis años, se ha dado un crecimiento en el número de publicaciones por año, concentrándose el 88 % de las publicaciones de los últimos diez años. Algunas causas se relacionan con los cambios en el entorno empresarial, el cual ha experimentado cambios significativos en las últimas décadas, como la globalización, la digitalización y la aceleración del ritmo de cambio.

En cuanto al indicador para señalar los países en los cuales se da el mayor número de publicaciones, en la tabla 2, se presentan los países con mayor número de estas.

Tabla 2. Países con mayor número de publicaciones

País	Cantidad
Estados Unidos	7365
China	2847
Reino Unido	2598
India	1961
Alemania	1721
Canadá	1537
Australia	1387
Italia	1086
España	1054

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus.

En la gráfica 4, se presenta la distribución de publicaciones en el mundo.

Gráfica 4. Cantidad de publicaciones en el mundo

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus.

Sin embargo, Latinoamérica no es ajena al interés de reconocer la relevancia de las competencias gerenciales. En la gráfica 5, se presenta la distribución de publicaciones por países latinoamericanos.

Gráfica 5. Distribución de publicaciones por América Latina

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus.

De acuerdo con la gráfica anterior, se destacan los países de Brasil, México, Colombia, Chile, Argentina, Perú, Cuba. En la tabla 3, se presentan los datos por país.

Tabla 3. Distribución de publicaciones por país latinoamericano

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus.

El análisis de las palabras claves que más se repiten en los artículos en el período de tiempo del 2019 al 2023 se presenta en la siguiente gráfica.

Gráfica 6. Palabras clave

Fuente: elaboración propia, software WordArt.

Con respecto a la gráfica anterior, se resaltan las palabras “currículum”, “ChatGPT”, “tecnología digital”, “big data” y “simulación”.

Para el caso de autores con 21 documentos como mínimo, se presentan los siguientes resultados en la gráfica 7.

Gráfica 7. Publicaciones por autores

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus.

Tabla 4. Autores más relevantes

Autor	Cantidad de documentos
La Joie, S. P.	54
Patel, V. L.	46
Holzinger, A.	45
Hwang, G. J.	39
Lok, B.	37
Al-Saqr, M.	34
Bamidis, P. D.	33
Arias, Y.	32
Fischer, F.	30
Cohen, T.	29
Gašević, D.	29
Komalasari, R.	27
Arroyo, V.	25
Arias, N.	24
Al-Shurideh, M.	23
Fischer, S.	23
Konge, L.	23
López-Pernas, S.	23
Temsah, M. H.	23
Shortliffe, E. H.	22
Suebnukarn, S.	22
Cheungpasitporn, W.	21
Hadawy, P.	21
Triassi, M.	21
Yu, Z.	21
Fernández-Manjón, B.	20
Ochoa, Y.	20

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus. 

De acuerdo con la gráfica anterior, se destacan los autores La Joie, con 54 documentos, Patel, con 46 documentos, Holzinger, con 45 documentos, y Hwang, con 39 documentos. El análisis de fuentes de financiación se presenta en la siguiente gráfica.

Gráfica 8. Entidades financiadoras

Fuente: elaboración propia, resultados obtenidos de la base de datos Scopus.

La gráfica anterior indica que los principales financiadores son Instituto Nacional de Salud, Fundación Nacional de Ciencias Naturales de China, Departamento de Salud y Servicios Humanos de EE. UU., Fundación Nacional de la Ciencia Comisión Europea, Ministerio de Ciencia y Tecnología de la República Popular China, Programa Marco Horizonte 2020, Biblioteca Nacional de Medicina de EE. UU., Sociedad Japonesa para la Promoción de la Ciencia, Ministerio Federal de Educación e Investigación, Deutsche Forschungsgemeinschaft (Comunidad Alemana de Investigación), Fondo Europeo de Desarrollo Regional, Fundación Nacional de Investigación de Corea, Consejo de Investigación de Ciencias Naturales e Ingeniería de Canadá, Ministerio de Ciencia y Tecnología de Taiwán, Instituto Nacional del Cáncer, Investigación e Innovación del Reino Unido, Programa Nacional Clave de Investigación y Desarrollo de China, Gobierno de Canadá, Consejo de Investigación en Ingeniería y Ciencias Físicas.

Al analizar las áreas temáticas, se identificaron varias subáreas de investigación clave que han surgido dentro de la intersección entre inteligencia artificial y educación médica. Algunas de las más destacadas son las simulaciones clínicas basadas en inteligencia artificial, que permiten a los estudiantes de medicina practicar escenarios clínicos complejos en un entorno virtual. Estas simulaciones, impulsadas por algoritmos de inteligencia artificial, proporcionan retroalimentación instantánea y pueden ajustarse automáticamente según el nivel de habilidad del estudiante. Un ejemplo de esta aplicación es el uso de simuladores quirúrgicos inteligentes, que permiten a los estudiantes realizar procedimientos quirúrgicos en pacientes virtuales, ajustando la dificultad de la simulación en tiempo real para reflejar situaciones clínicas variadas y desafiantes.

Por otro lado, se encuentran los tutores inteligentes para el aprendizaje personalizado, que han ganado relevancia como herramientas que utilizan inteligencia artificial para adaptar el contenido educativo y los métodos de enseñanza a las necesidades individuales de los estudiantes. Estos tutores pueden evaluar el rendimiento del estudiante, identificar áreas de mejora y ofrecer recomendaciones personalizadas para optimizar el aprendizaje. Un caso destacado es el uso de algoritmos de aprendizaje automático para evaluar el progreso de los estudiantes en tiempo real y ajustar el plan de estudios en función de sus fortalezas y debilidades.

Otra aplicación prometedora de la inteligencia artificial es la creación de modelos predictivos para evaluar el rendimiento académico de los estudiantes de medicina. Estos modelos analizan grandes conjuntos de datos, como el historial académico, patrones de aprendizaje y resultados de exámenes, para predecir el éxito académico y ayudar a los docentes a identificar a estudiantes que puedan necesitar apoyo adicional. Un ejemplo de este enfoque es el uso de algoritmos de inteligencia artificial para predecir la probabilidad de que un estudiante apruebe los exámenes de certificación médica, lo que permite a los educadores intervenir de manera oportuna.

Los algoritmos de inteligencia artificial también se están utilizando para automatizar la evaluación de las habilidades clínicas y ofrecer retroalimentación inmediata a los estudiantes. Esto incluye el uso de tecnologías de procesamiento del lenguaje natural (NLP) para evaluar las interacciones médico-paciente simuladas, así como sistemas basados en visión por computadora para evaluar el desempeño en procedimientos clínicos. Estas evaluaciones objetivas proporcionan un enfoque más justo y consistente en comparación con las evaluaciones humanas tradicionales.

El análisis bibliométrico identificó a los principales países, instituciones y autores que han liderado la investigación en inteligencia artificial aplicada a la educación médica. Estados Unidos, Reino Unido y China emergen como los países con mayor volumen de publicaciones, lo que refleja su liderazgo en tecnología educativa y en investigación médica de vanguardia. Estos países no solo publican más artículos, sino que también colaboran de manera frecuente en proyectos internacionales, lo que ha facilitado el desarrollo de soluciones de inteligencia artificial aplicables en diversos contextos clínicos y educativos.

La colaboración internacional ha sido un factor crucial en el desarrollo de esta área. El análisis muestra un número creciente de publicaciones en coautoría entre instituciones de diferentes países, particularmente en proyectos que involucran el desarrollo de plataformas educativas basadas en inteligencia artificial y la evaluación de su efectividad en contextos multiculturales. Esto ha permitido una mayor difusión de las mejores prácticas y ha facilitado la adaptación de tecnologías innovadoras a diversas realidades educativas.

Conclusiones

Se reconoce que el ámbito principal para divulgar los avances en investigación relacionada con la IA en educación médica son los artículos, seguidos por las conferencias. Así mismo, países como Estados Unidos, China, Reino Unido, India y Alemania son quienes lideran el abordaje del tema dada la cantidad de publicaciones, mientras que, en el caso de Latinoamérica, se destacan Brasil, México y Colombia. Estos países muestran cómo se ha ido reconociendo la importancia y el impacto de la IA en la educación médica.

Por otro lado, se resaltan como principales financiadores de las investigaciones al Instituto Nacional de Salud, la Fundación Nacional de Ciencias Naturales de China, el Departamento de Salud y Servicios Humanos de EE. UU., la Fundación Nacional de la Ciencia Comisión Europea, y el Ministerio de Ciencia y Tecnología de la República Popular China, lo que demuestra la relación de las fuentes de financiación con los países que más documentos producen. Así mismo, se destacan autores como La Joie, Patel, Holzinger y Hwang por su volumen de producción de documentos relacionados con la IA en la educación médica.

A pesar del crecimiento de la investigación en inteligencia artificial aplicada a la educación médica, persisten desafíos importantes. Uno de los principales es la resistencia al cambio por parte de educadores y estudiantes, quienes pueden mostrarse reacios a adoptar nuevas tecnologías debido a la falta de familiaridad o a la percepción de que la inteligencia artificial podría deshumanizar el proceso de aprendizaje. Además, la falta de formación técnica en inteligencia artificial entre los educadores médicos es una barrera significativa para la adopción generalizada de estas herramientas.

Otro desafío es la escasez de estudios longitudinales que evalúen el impacto a largo plazo de la inteligencia artificial en la formación médica. Aunque los estudios actuales muestran resultados prometedores, se necesita más investigación para comprender cómo estas tecnologías influyen en la adquisición de competencias clínicas y en el desarrollo profesional a lo largo del tiempo.

Otro aspecto que resaltar es que la inteligencia artificial impulsa simuladores virtuales que reproducen situaciones médicas del mundo real, permitiendo a los estudiantes practicar procedimientos de manera segura antes de enfrentarse a situaciones reales.

En relación con la evaluación, la inteligencia artificial habilita una evaluación más precisa y personalizada del rendimiento de los estudiantes, adaptándose a las necesidades individuales de cada uno. Herramientas como ChatGPT enriquecen la resolución de problemas y la comprensión de conceptos médicos, permitiendo a estudiantes y profesionales interactuar de manera activa y contextual con la tecnología. Es así como la inteligencia artificial contribuirá a la formación de “doctores aumentados”, profesionales capacitados en disciplinas diversas, como la ingeniería y la informática, que podrán aprovechar al máximo estas herramientas en la práctica clínica para proporcionar de esta forma una atención más personalizada y centrada en el paciente, al facilitar la recopilación y el análisis de grandes cantidades de datos, lo que mejora la toma de decisiones clínicas. Esto conlleva que la integración de la inteligencia artificial en la atención médica requerirá una mayor colaboración entre educadores médicos, profesionales de la salud y expertos en inteligencia artificial para abordar los desafíos emergentes y diseñar estrategias para un desarrollo sostenible y ético.

Sin embargo, es importante tener en cuenta los riesgos asociados con la inteligencia artificial en la atención médica. Por ejemplo, es crucial garantizar la precisión y validez de la información generada por la inteligencia artificial, especialmente en el campo de la medicina, por lo que su empleo plantea preguntas éticas sobre el origen y el uso de los datos, la privacidad y la confidencialidad de los pacientes, y la posible reducción del contacto humano en la educación médica. Por otro lado, la incorporación de la inteligencia artificial requerirá la adaptación de los métodos de enseñanza y una inversión en la capacitación de los profesores; es fundamental proteger la privacidad y seguridad de los datos de los pacientes utilizados por la inteligencia artificial.

Se resalta que la convergencia de la educación médica y la inteligencia artificial tiene el potencial de revolucionar la atención médica, lo que resultaría en una atención más precisa, personalizada, eficiente y centrada en el paciente. La inteligencia artificial brinda a los futuros profesionales de la salud las habilidades y los conocimientos necesarios para fortalecer el entorno médico en constante evolución, caracterizado por la innovación tecnológica y la digitalización. Así mismo, se puede ayudar a reducir las disparidades en la atención médica al facilitar el acceso a especialistas, mejorar la precisión del diagnóstico en poblaciones diversas y brindar herramientas de apoyo a la toma de decisiones para profesionales en áreas remotas.

Abordar los desafíos y aprovechar al máximo las oportunidades que ofrece la inteligencia artificial en la educación médica y la práctica clínica requiere una colaboración interdisciplinaria entre educadores médicos, profesionales de la salud, expertos en inteligencia artificial, en ética y reguladores para desarrollar marcos éticos y directrices para su uso responsable en la atención médica, diseñar planes de estudio y programas de formación que preparen a los futuros profesionales de la salud para una era de medicina aumentada, y fomentar la investigación y la innovación en inteligencia artificial aplicada a la salud.

En resumen, este estudio bibliométrico destaca el crecimiento exponencial de la investigación en inteligencia artificial aplicada a la educación médica y señala áreas clave de innovación, como las simulaciones clínicas y los tutores inteligentes. Sin embargo, también identifica desafíos importantes, como la resistencia al cambio y la falta de formación técnica en inteligencia artificial. A medida que esta continúa revolucionando la educación médica, es fundamental que se realicen más estudios que evalúen su impacto a largo plazo y que los programas de formación incluyan capacitación en tecnologías emergentes para asegurar su adopción eficaz en la práctica docente.

Referencias bibliográficas

Abad, E. y González. M.-D. (2019). Effects of Financial Education and Financial Literacy on Creative Entrepreneurship: A Worldwide Research. Education Sciences, 9(3), 238.

Burnham, J. F. (2006). Scopus database: a review. Biomedical Digital Libraries, 3, 1-8.

Corrales, I. E., Fornaris, Y., y Reyes, J. J. (2018). Análisis bibliométrico de la revista Investigación en Educación Médica. Período 2012-2016. Investigación en Educación Médica, 7(25), 18-25. En doi.org/10.1016/j.riem.2017.02.003.

Denyer, D. y Tranfield, D. (2009). Realización de una revisión sistemática. En D. Buchanan y A. Bryman (Eds.), Manual de métodos de investigación organizacional (pp. 671-689).

Ejaz, H., McGrath, H., Wong, B. L. H., Guise, A., Vercauteren, T., y Shapey, J. (2022). Artificial intelligence and medical education: A global mixed-methods study of medical students’ perspectives. Digital Health, 8, SAGE Journals. En https://tinyurl.com/47c7c6vk.

Flores-Fernández, C., y Aguilera-Eguía, R. (2019). Indicadores bibliométricos y su importancia en la investigación clínica. Revista de la Sociedad Española del Dolor, 26(5), 365-370. En doi.org/10.20986/resed.2018.3659/2018.

Franco, F. (2018). Investigación documental: una revisión teórica y conceptual. Revista Científica y Tecnológica de la Facultad de Humanidades y Ciencias Sociales, (10), 91-102.

García, X., Peña, G. y González, C. (del 28 al 30, septiembre, 2021). Educación médica durante la pandemia: una mirada desde los estudiantes [Presentación de la ponencia]. 19 Convención Anual y Simposio Internacional “Vida saludable y promoción del bienestar”. México.

Gläser, J., Glänzel, W., y Scharnhorst, A. (2017). Same data—different results? Towards a comparative approach to the identification of thematic structures in science. Scientometrics, 111, 981-998. En doi.org/10.1007/s11192-017-2296-z.

Gómez, J., y Álvarez, J. (2016). Investigación documental. Revista Científica de Administración, 5(2), 47-55.

Harley, J. M., Poitras, E. G., Jarrell, A., Duffy, M. C., y Lajoie, S. P. (2016). Comparing virtual and location-based augmented reality mobile learning: emotions and learning outcomes. Educational Technology Research and Development, 64, 359-388.

Hausleitner, C., Mueller, H., Holzinger, A. et al. (2024). Collaborative weighting in federated graph neural networks for disease classification with the human-in-the-loop. Scientific Report, 14, 21839. En doi.org/10.1038/s41598-024-72748-7.

Hernández, C. E., y Medrano, Y. (2024). La integración de la inteligencia artificial en la educación médica y su impacto en la práctica clínica. FEM, 27(2), 59-61. En doi:10.33588/fem.272.1327.

Holzinger, A., Kargl, M., Kipperer, B., Regitnig, P., Plass, M., y Müller, H. (2022). Personas for artificial intelligence (AI) an open-source toolbox. IEEE Access, 10, 23732-23747.

Holzinger, A., Schweier, J., Gollob, C. et al. (2024). From Industry 5.0 to Forestry 5.0: Bridging the Gap with Human-Centered Artificial Intelligence. Current Forestry Reports, 10(6), 442-455. En doi.org/10.1007/s40725-024-00231-7.

Jackson, P., Ponath Sukumaran, G., Babu, C., Tony, M. C., Jack, D. S., Reshma, V. R., Davis, D., Kurian, N., y John, A. (2024). Artificial intelligence in medical education – perception among medical students figshare. En doi.org/10.6084/M9.FIGSHARE.C.7369661.

Jing, X., Cimino, J. J., Patel, V. L., Zhou, Y., Shubrook, J. H., De Lacalle, S., et al. (2024). Data-driven hypothesis generation among inexperienced clinical researchers: A comparison of secondary data analyses with visualization (VIADS) and other tools. Journal of Clinical and Translational Science, 8(1), e13. En doi:10.1017/cts.2023.708.

Lajoie, S. P. (2008). Metacognition, self regulation, and self-regulated learning: A rose by any other name? Educational Psychology Review, 20(4), 469-475.

Lajoie, S. P., y Azevedo, R. (2006). Teaching and learning in technology-rich environments. En P. A. Alexander y P. H. Winne (Eds.), Handbook of educational psychology (pp. 803-821). Lawrence Erlbaum Associates Publishers.

Lajoie, S. P., y Derry, S. J. (Eds.) (1993). Computers as Cognitive Tools: 1 (Vol. 1). Routledge.

Li, S., Huang, X., Wang, T., Zheng, J., y Lajoie, S. P. (2024). Using text mining and machine learning to predict reasoning activities from think-aloud transcripts in computer-assisted learning. Journal of Computing in Higher Education, 1-20.

Martínez, J. Á. M. (2023). Inteligencia artificial generativa y educación médica. Educación Médica, 24(4), 1.

Osorio, I. A. S. (2023). Inteligencia artificial en la educación superior: Un análisis bibliométrico. Educación Superior y Sociedad (ESS), 35(2), 156-173.

Patel, V. (2023). Cognitive science in the evaluation of medical AI systems. BMJ Health & Care Informatics, 30(1).

Patel, V. y Shortliffe, E. (2023). Designing and implementing mHealth technology: the challenge of meeting the needs of diverse communities. BMJ Health & Care Informatics, 30(1).

Rodríguez, A. L., y Pereira, C. (2024). Artificial Intelligence Chatbots in Higher Education: Challenges for an Active and Transformative Learning Among Young Adults. En M. Lytras et al. Digital Transformation in Higher Education, Part A: Best Practices and Challenges (pp. 45-64). Emerald Publishing Limited.

Rodríguez, Á., Imbaquingo, S., Méndez, Y., y Loján, E. (2024). Inteligencia artificial en educación superior: Análisis bibliométrico. Polo del Conocimiento, 9(9), 477-497. En doi.org/10.23857/pc.v9i9.7946.

Roemer, R. y Borchardt, R. (2015). Meaningful Metrics: A 21st-Century Librarian’s Guide to Bibliometrics, Altmetrics, and Research Impact. Chicago, Illinois: Association of College and Research Libraries. En https://tinyurl.com/4xh9ka6t.

Suclupe, P., Limaymanta, C., Holmes, N. y Guillén, H. (2021). Producción científica sobre ansiedad bibliotecaria: un análisis bibliométrico y cienciométrico desde Scopus. Revista Española de Documentación Científica, 44(2), e291. En doi.org/10.3989/redc.2021.2.1753.

Tozsin, A., Ucmak, H., Soyturk, S., Aydin, A., Gozen, A. S., Fahim, M. A., Güven, S., y Ahmed, K. (2024). The Role of Artificial Intelligence in Medical Education: A Systematic Review. Surgical Innovation, 31(4), 415-423. En doi.org/10.25384/SAGE.C.7188997.V1.

Tranfield, D., Denyer, D. y Smart, P. (2003). Hacia una metodología para el desarrollo de conocimientos de gestión informados por la evidencia mediante la revisión sistemática. British Journal of Management, 14(3), 207-222.

Wallin, J. A. (2005). Bibliometric methods: pitfalls and possibilities. Basic & Clinical Pharmacology & Toxicology, 97(5), 261-275. DOI 10.1111/j.1742- 7843.2005.pto_139.x.

Wang, T., y Lajoie, S. P. (2023). ¿Cómo interactúa la carga cognitiva con el aprendizaje autorregulado? Un modelo dinámico e integrador. Educational Psychology Review, 35(3), 69.

Wang, T., Ruiz‐Segura, A., Li, S., y Lajoie, S. P. (2024). The relationship between students’ self‐regulated learning behaviors and problem‐solving efficiency in technology‐rich learning environments. Journal of Computer Assisted Learning, 40(6), 2886-2900.

Zhou, J., Müller, H., Holzinger, A., y Chen, F. (2024). Ethical ChatGPT: Concerns, Challenges, and Commandments. Electronics, 13(17), 3417. En doi.org/10.3390/electronics13173417.

---