Enseñando IA en salud: Esbozo de un programa. Parte I.

Por Luis Eduardo Pinto, médico y docente de la Universidad Von Humboldt de Armenia, miembro de AIpocrates.

Siglas utilizadas en esta entrada

ChGML: Chatbots basados en GML; DL: Deep Learning; GML: Grandes modelos de lenguaje; IA: Inteligencia Artificial; IAG: Inteligencia Artificial Generativa; ML: del inglés Machine Learning: Aprendizaje Automático; PLN: Procesamiento de Lenguaje Natural; RA: Resultados de aprendizaje.

Resumen

El impacto de la IA en la investigación, la atención y la educación en salud es cada vez mayor, redefiniendo tanto el modelo de rol de los profesionales de la salud como su trayectoria formativa. Aunque existe poco consenso sobre qué y cómo enseñar IA en el pregrado de los profesionales de la salud, en esta entrada no se propone un plan de estudios específico. En su lugar, se abordan dos aspectos clave: 1. Se mapean las competencias identificadas en la literatura científica en relación con los objetivos educativos y tipos de conocimiento de la taxonomía de Bloom, y 2. Se sugieren actividades que pueden ofrecer contextos problemáticos significativos y estimulantes para que estudiantes y docentes se aproximen a la IA.

Introducción: El clínico de hoy en vía de extinción

Las facultades de ciencias de la salud deben ajustar sus perfiles de egreso y procesos curriculares a las tendencias actuales, necesidades sociales y avances tecnológicos.

El Clínico del Futuro trabajará colaborativamente con pacientes informados y empoderados, mejorará desenlaces utilizando datos y tecnologías de salud digital, y tendrá un mejor equilibrio entre su vida profesional y personal. También manejará un alto volumen de información, lidiará con la desinformación y la escasez de clínicos (1).

Una encuesta a 2,212 estudiantes de 91 países y mesas redondas con líderes mostró que el 25% de los estudiantes de medicina en EE. UU. y el 21% en el Reino Unido consideran dejar su carrera o explorar horizontes más amplios en el sector salud, como la gestión de salud pública, investigación y consultoría empresarial (1).

Actualmente, el 11% de las decisiones clínicas son asistidas por herramientas de IA generativa (IAG) y los estudiantes están adoptando estos desarrollos para navegar el mundo digital en el que se desempeñarán (1).

Casi la mitad de los encuestados considera deseable que los médicos utilicen IA en la toma de decisiones clínicas, más del 70% cree que los profesionales de la salud deben ser expertos digitales, y una proporción similar opina que los datos de pacientes deben informar las decisiones (1).

El avance rápido de la IA deja rezagada su adopción. Recientemente se lanzaron los modelos multimodales Gemini para Medicina (2), Alpha Fold 3 (3) para predecir interacciones biomoleculares y GPT-4 omni (4), que reduce las barreras de interacción entre usuarios e IA, todo en menos de dos semanas. Latinoamérica, sin embargo, muestra rezago en la adopción de la IA (1).

La IA en salud y educación médica no son simplemente tópicos adicionales. Desde sus inicios, la IA fue concebida para resolver problemas complejos y hoy es un estándar. Los programas en ciencias de la salud deben replantearse perfiles, horizontes pedagógicos, tipos de conocimiento, niveles cognitivos y nuevas estrategias didácticas y evaluativas. AIpocrates ha recibido inquietudes acerca de cómo incorporar IA en la educación y educación en IA en los pregrados de salud y esta entrega es un enfoque para lograrlo.

A diferencia de disciplinas consolidadas, la IA está en constante desarrollo y expansión. En lugar de definir un temario definitivo, es más razonable desarrollar en los estudiantes actitudes y destrezas para resolver problemas complejos y considerar la IA como una caja de herramientas.

Hay poco consenso sobre qué y cómo enseñar IA en el pregrado de los profesionales de la salud (5). Para diseñar programas que fomenten competencias en IA, es esencial evaluar inicialmente el estado de alfabetismo en IA de docentes y estudiantes (6). Long y Magerko (7) lo definen como «un conjunto de competencias que permite a las personas evaluar críticamente las tecnologías de IA; comunicarse y colaborar eficazmente con la IA; y utilizar la IA como herramienta en línea, en el hogar y en el lugar de trabajo». Un punto de partida crítico es comprender qué es, y qué no es, la IA.

El objeto de conocimiento de la IA

Definición de IA

Diversas definiciones han intentado abordar el concepto de inteligencia artificial (IA), reflejando su evolución y complejidad. La IA se puede definir como el campo de estudio que busca dotar a las máquinas de capacidades perceptivas, de razonamiento y de acción (8), con el objetivo de que puedan sensar, procesar información y actuar de manera autónoma e inteligente (9) emulando en cierta medida las capacidades cognitivas y funcionales humanas e incluso superándolas. Para lograr este objetivo, la IA se apoya en la disponibilidad y procesamiento de datos masivos, junto con algoritmos de ML corridos en máquinas con poder de cómputo avanzado.

Grandes ideas de IA

En línea con lo anterior, el grupo «IA para K-12» ha identificado cinco «grandes ideas» de IA para guiar el desarrollo de los estándares en la enseñanza de la IA (10):

1) «Las computadoras perciben el mundo utilizando sensores»;

2) «Los agentes mantienen modelos/representaciones del mundo y los utilizan para razonar»;

3) «Las computadoras pueden aprender a partir de datos»;

4) «Hacer que los agentes interactúen con humanos es un desafío sustancial para los desarrolladores de IA»; y

5) «Las aplicaciones de IA pueden impactar a la sociedad de maneras tanto positivas como negativas».

Presaberes

El dominio de presaberes es ventajoso para que cualquier aprendiz participe más efectivamente de los desarrollos de IA/ML. El pensamiento computacional se refiere a la capacidad de resolver problemas complejos, descomponiéndolos en partes manejables, formulando y expresando su solución de modo que una máquina o un humano pueda tratarlo, tan útil dentro del contexto de las ciencias de la computación como fuera de él. (11). La programación al primero materializando las instrucciones humanas mediante códigos que una computadora pueda entender y ejecutar. La competencia estadística es esencial para análisis de datos, modelado probabilístico, validación y optimización de modelos y la toma de decisiones informadas por datos.

En un diseño curricular convergen el perfil pretendido del egresado, el objeto de conocimiento de las asignaturas relevantes y los RA, con el fin de facilitar la planificación efectiva del proceso educativo y asegurar que los estudiantes adquieran las habilidades y conocimientos necesarios para alcanzar dicho perfil.

Al integrar los objetivos educativos de la taxonomía de Bloom (recordar, comprender, aplicar, analizar, evaluar y crear) con el objeto de conocimiento (factual, conceptual, procedimental y metacognitivo) de un contenido (12), se crea un marco sólido que guía el diseño y desarrollo curricular, y promueve un aprendizaje significativo y relevante para los estudiantes.

Así por ejemplo, un estudiante que aprecia críticamente los métodos de una investigación que involucra IA/ML en salud está demostrando que es capaz de evaluar (nivel cognitivo) los procedimientos (tipo de conocimiento) en un reporte de investigación (contexto) presentado en un club de revistas (actividad).

A continuación, se proponen RA y se sugieren actividades para alcanzarlos, recordando que no existe aún un consenso al respecto.

Resultados de aprendizaje en IA/ML en pregrados profesionales de salud

En general, un marco conceptual de las competencias en IA responde a preguntas como ¿qué es IA?, ¿qué puede hacer?, ¿cómo funciona?, ¿cómo debe ser usada? y ¿cómo las personas la perciben? Aunque estas preguntas deben servir como eje para el diseño curricular, las competencias o los RA deben explicitarse en un plan de estudios que incluya actividades para alcanzarlos.

Long y Magerko (7) identificaron competencias en IA con base en la literatura revisada hasta entonces. Al mapear estas competencias en los niveles cognitivos de los objetivos educativos de la taxonomía de Bloom (12) se pueden concebir los RA en AI en programas de pregrado en ciencias de la salud (tabla 1). Cada programa decide el nivel cognitivo de los RA aprendizaje que espera, el tipo de conocimiento y las actividades para alcanzarlos.

En un mismo nivel y tipo de conocimiento, se puede seleccionar uno o dos RA posibles. Se recomienda comenzar con los niveles cognitivos básicos (recordar y comprender) y tipos de conocimiento fundamentales (hechos y conceptos), avanzando progresivamente hacia niveles más avanzados, como aplicar procedimientos, analizar datos, evaluar resultados y ajustar procesos.

Así, por ejemplo, al principio es poco factible que sus estudiantes diseñen una solución basada en IA/ML. En cambio, puede incentivarlos a reflexionar cómo reformular un prompt para lograr un determinado resultado con un GML (metacognición).

Tabla 1. RA esperados de un currículo básico de IA/ML para un pregrado en salud, mapeadas según los niveles cognitivos de la taxonomía de Bloom, adaptados a partir de las competencias identificadas en (12).

Resultados de Aprendizaje

Conoce o reconoce:

diferentes definiciones de IA y ML, su evolución histórica e hitos en el desarrollo de tecnologías posibilitadoras.

que existen muchas formas de pensar y desarrollar máquinas «inteligentes».

una variedad de tecnologías que utilizan IA, incluyendo tecnologías que abarcan sistemas cognitivos, robótica y ML.

las tareas cognitivas en las que la IA se desempeña peor, casi igual o mejor que el humano en la actualidad.

que las computadoras aprenden a partir de datos.

que los humanos desempeñan un papel importante en la programación, la elección de modelos y el ajuste fino de los sistemas de IA.

que diferentes sensores admiten diferentes tipos de representación y razonamiento sobre el mundo.

mitos, limitaciones, alcances y exageraciones relacionadas con las capacidades, funcionalidades y agencia de la IA/ML en el contexto de su continuo desarrollo.

Comprende:

conceptos básicos de alfabetismo de datos.

cómo las computadoras razonan y toman decisiones apoyadas en algoritmos matemáticos.

qué es una representación del conocimiento y algunos ejemplos de representaciones del conocimiento.

los pasos involucrados en el ML, las prácticas y desafíos que cada paso conlleva.

que los datos requieren interpretación y cómo los ejemplos de entrenamiento proporcionados en un conjunto de datos inicial pueden afectar los resultados de un algoritmo.

que las computadoras perciben el mundo utilizando sensores y los identifica en una variedad de dispositivos.

que algunos sistemas de IA tienen la capacidad de actuar físicamente en el mundo como por ejemplo, seguir un camino o saltar para evitar un obstáculo.

Aplica:

conceptos de IA estrecha, general y superinteligencia para distinguir entre ellas y reconocer su desarrollo.

conceptos de IA/ML para distinguir entre artefactos tecnológicos que utilizan y no utilizan IA.

aplica e integra conocimientos, conceptos, técnicas y procedimientos de AI/Data Science-ML/PLN y prompting de GML en educación médica, investigación, atención y gestión en salud y salud pública. Analiza: críticamente las características que hacen que una entidad sea «inteligente», incluyendo las diferencias entre la inteligencia humana, animal y artificial. la contribución de disciplinas como la filosofía, la ética, las matemáticas, la estadística, las ciencias de la computación, la ciencia de datos, la lingüística, las ciencias cognitivas y otras sobre el desarrollo de la IA/ML en el contexto de la salud. los factores que inciden en la selección de un modelo o sistema de IA así como en su implementación. los factores que determinan la efectividad de un sistema de IA y los que implican riesgo.

Evalúa:

cuándo es apropiado usar IA y cuándo aprovechar las habilidades humanas.

críticamente los desarrollos e implementaciones de AI/ML en diferentes escenarios, ámbitos y procesos relacionados con la educación, investigación, atención y gestión en salud y salud pública.

integralmente el impacto técnico, ético y social de las aplicaciones de IA/ML en la salud, considerando aspectos como seguridad, equidad, privacidad y transparencia, así como su influencia en la economía, cultura, medio ambiente y bienestar humano.   Crea:   Imagina posibles aplicaciones futuras de la IA/ML y considera los efectos de dichas aplicaciones en el mundo. Selecciona o diseña aplicaciones de AI/ML para la educación, investigación, atención y gestión en salud y salud pública.

Los objetivos educativos operan sobre tipos de conocimiento (hechos, conceptos, procedimientos y metacognición) a través de actividades de aprendizaje como las sugeridas en la tabla 2, a continuación:

Tabla 2. Posibles actividades orientadas al alcance de RA de IA/ML en pregrados de salud.

Actividades de aprendizaje

Para conocer y reconocer conceptos y características propias de los sistemas de IA, los estudiantes:

crearán un glosario interactivo que incluya definiciones y ejemplos de conceptos clave de AI/ML/DL/PLN, así como una línea de tiempo que ilustre los hitos históricos en el desarrollo de estas tecnologías.

realizarán un estudio de caso donde identificarán la aplicación de IA/ML en la resolución de problemas complejos en un contexto específico de salud.

analizarán noticias y artículos sobre IA/ML en la cobertura mediática, para identificar mitos, limitaciones y exageraciones.

Para comprender conceptos, desarrollos, inputs, procesamiento de datos, representaciones de conocimiento, algoritmos y outputs de sistemas de IA, los estudiantes:

utilizarán aplicaciones impulsadas por IA para resolver casos clínicos o tomar decisiones clínicas, explicando cómo estas aplicaciones aprenden de los datos y exhiben comportamiento inteligente.

Para aplicar procedimientos básicos de manejo de datos, los estudiantes:

aplicarán diferentes técnicas de prompting para lograr el mejor desempeño posible de GML.realizarán prácticas simuladas utilizando bases de datos para aplicar e integrar conocimientos de AI/ML a problemas de salud.

Para analizar y evaluar si es adecuado utilizar IA y qué clase de algoritmos utilizar, y  evaluar íntegramente un desarrollo de IA en salud, los estudiantes:

presentarán un club de revistas de reportes de investigación en salud que utilicen IA/ML/DL/PLN/LLM, evaluando críticamente su metodología, aspectos técnicos, éticos, transparencia, explicabilidad y resultados.   Para concebir una solución sencilla basada en AI/ML para un problema específico en educación, investigación, atención y gestión en salud o salud pública, los estudiantes:   participarán en la selección o diseño de una aplicación simple de IA/ML para abordar un problema específico en salud, trabajando en un anteproyecto o proyecto de investigación.

Conclusiones

La enseñanza de IA en pregrados de salud es una tarea desafiante que se beneficia de una estructura básica, que considere presaberes, objeto de conocimiento, alfabetización en IA, conceptos clave de IA, habilidades cognitivas y tipos de conocimiento y actividades para alcanzar resultados de aprendizaje. Este documento debe ser visto como un marco provisional en esta dirección. En una próxima entrega, abordaremos la pregunta de ¿cómo incorporar IA al currículo?, ¡Atentos!.

Declaraciones:

• Se utilizó ChatGPT para optimizar la redacción del texto.
• No se declara conflicto de intereses.

Bibliografía

1. Elsevier Health. Clinician of the Future 2023: Education Edition. 2023
2. Saab, Khaled, et al. Capabilities of Gemini Models in Medicine. arXiv preprint arXiv:2404.18416 (2024).
3. Abramson et al. Accurate Structure Prediction of Biomolecular Interactions with AlphaFold 3. Nature, 2024.
4. OpenAI. Spring Update | OpenAI. OpenAI, 13 May 2024, openai.com/blog/spring-update/. Accessed 14 Nov. 2024.
5. Lee, J. et al. Artificial Intelligence in Undergraduate Medical Education: A Scoping Review. Academic Medicine, vol. 96, no. 11S, 2021.
6. Hornberger, Marie, et al. What Do University Students Know about Artificial Intelligence? Development and Validation of an AI Literacy Test. Computers and Education: Artificial Intelligence, 2023.
7. Long, D., and B. Magerko. What Is AI Literacy? Competencies and Design Considerations. 2020 CHI Conference on Human Factors in Computing Systems, Honolulu, USA, 2020.
8. Winston, P. Artificial Intelligence. Addison-Wesley, 1992.
9. Nilsson, N. Artificial Intelligence: A New Synthesis. Morgan Kaufmann, 1998.
10. Touretzky, David et al. Envisioning AI for K-12: What Should Every Child Know about AI? Proceedings of the 2019 Conference on Artificial Intelligence, 2019.
11. Wing, J. M. Computational Thinking. Communications of the ACM, vol. 49, 2006, pp. 33-35,
12. Anderson, Lorin W., and David R. Krathwohl. A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives: Complete Edition. Addison Wesley Longman, Inc., 2001.