Esta revisión de alcance concluye que la VR y la GenAI ofrecen nuevas formas de evaluar el razonamiento clínico en la formación oncológica. Sin embargo, ambos requieren marcos de validación y ética más sólidos antes de su uso educativo generalizado, ya que la evidencia actual es preliminar.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de revisión
El panorama de la realidad virtual y la IA generativa en la educación oncológica: una revisión de alcance de las herramientas de evaluación del razonamiento clínico
En este artículo
Resumen
Resumen
La oncología es un entorno en el que el razonamiento clínico es una competencia fundamental que requiere la síntesis de información clínica compleja en un entorno de alto riesgo. Los métodos convencionales de evaluación, como las pruebas escritas, los Exámenes Clínicos Estructurados Objetivos (OSCE) y las evaluaciones basadas en el lugar de trabajo, ofrecen conocimientos valiosos, pero aún así no son efectivos para reflejar la calidad dinámica e iterativa del razonamiento clínico. Las tecnologías digitales emergentes, especialmente la Realidad Virtual (VR) y la Inteligencia Artificial Generativa (GenAI) presentan nuevas oportunidades para superar estas limitaciones. La VR facilita entornos basados en simulación, que pueden ser inmersivos y que permiten la evaluación de factores de razonamiento procedimentales y situacionales basándose en acciones clínicas observables. GenAI, a su vez, proporciona una interacción más basada en el diálogo, que permite evaluar procesos cognitivos y analíticos, incluidos procesos cognitivos clave. La literatura muestra que estas tecnologías tienen ventajas complementarias pero están conceptualmente desconectadas. La realidad virtual principalmente registra el rendimiento conductual, pero GenAI enfatiza los procesos cognitivos, y ambos no están tan integrados. Además, la base de evidencia actual se caracteriza por la heterogeneidad metodológica, la dependencia de la investigación preliminar y la falta de evidencia válida, especialmente en lo que respecta a la fiabilidad y el impacto en el mundo real. Otros factores a tener en cuenta son el efecto de la carga cognitiva, la variabilidad del usuario y cuestiones éticas, por ejemplo, el sesgo algorítmico y la transparencia. La viabilidad de la implementación está además influenciada por factores organizativos como la infraestructura y la preparación institucional. En general, la VR y la GenAI son alentadoras, pero están desarrollando métodos para evaluar el razonamiento clínico en oncología. En el futuro, la evolución del campo requerirá marcos de evaluación coherentes, validación rigurosa y estructuras éticas claras.
Introducción
El razonamiento clínico, los procesos cognitivos y metacognitivos que subyacen al diagnóstico y la gestión, constituye la piedra angular de una práctica oncológica seguray eficaz 1. Es un proceso distintivamente complejo en el contexto de la oncología, ya que los clínicos deben navegar la toma de decisiones probabilísticas ante la incertidumbre, sintetizar evidencias de terapias que cambian rápidamente y participar en debates multidisciplinares en los consejos de tumores. Además, los oncólogos deben encontrar un equilibrio entre el pensamiento biomédico y el centrado en el paciente, incluyendo informar a los pacientes sobre sus malos pronósticos, abordar cuestiones éticas y ajustar los planes de tratamiento a los cambios en las trayectorias de laenfermedad 2,3. Estas exigencias en capas hacen que el desarrollo y la evaluación del razonamiento clínico sean especialmente críticos en la educación oncológica. Tradicionalmente, el razonamiento clínico se ha evaluado mediante exámenes escritos, Exámenes Clínicos Estructurados Objetivos (OSCE) y evaluaciones basadas en el lugar de trabajo como el Mini-Ejercicio de Evaluación Clínica (Mini-CEX)4. Aunque estos métodos pueden proporcionar información de fondo sobre la competencia del alumno, presentan desventajas significativas. Las pruebas escritas tienden más a aplicar conocimiento estático en lugar de procesos dinámicos; Las OSCE demandan recursos y pueden ser ecológicamente inválidas; así como las pruebas basadas en el lugar de trabajo suelen ser episódicas y subjetivas, y propensas a sesgos contextuales. Todas estas limitaciones juntas dificultan el estudio del carácter iterativo, dependiente del contexto y longitudinal del razonamiento clínico, especialmente en especialidades que implican grandes riesgos y carga cognitiva, comooncología 5. En conjunto, estas limitaciones dificultan la capacidad de captar la naturaleza iterativa, dependiente del contexto y longitudinal del razonamiento clínico, especialmente en especialidades de alto riesgo y demandas cognitivas como laoncología 6.
Los nuevos desarrollos en tecnologías digitales en los últimos tiempos presentan buenas oportunidades para superar estos desafíos. Dos de ellas incluyen la Realidad Virtual (VR) y la Inteligencia Artificial Generativa (GenAI), que se han convertido en poderosas herramientas educativas médicas. La VR proporciona entornos basados en simulaciones que son inmersivos, altamente espaciales y contextuales, y que recrean el complejo escenario clínico. En la educación oncológica, estas simulaciones pueden simular escenarios como emergencias oncológicas, complicaciones durante la quimioterapia e interacciones sensibles con pacientes, y permiten a los alumnos practicar la toma de decisiones de manera experiencial en un entorno seguro ycontrolado 7,8,9. Es importante destacar que los sistemas de RV pueden capturar datos detallados de comportamiento —como secuencias de acción, tiempos y vías de decisión— permitiendo así la evaluación de las dimensiones procedimentales y situacionales del razonamiento clínico.
Simultáneamente, la GenAI, especialmente los grandes modelos de lenguaje (LLMs), ha abierto nuevas oportunidades para evaluar la arquitectura cognitiva del razonamiento. Los sistemas GenAI tienen la capacidad de interactuar con los aprendices a través del lenguaje natural para involucrarlos en entornos adaptativos basados en el diálogo que cuestionan la generación de hipótesis, la formación de diagnósticos diferenciales y la justificación de la gestión. Estos sistemas pueden examinar las respuestas de los aprendices basándose en técnicas de procesamiento del lenguaje natural que proporcionan una evaluación potencialmente personalizada y escalable de procesos de razonamiento que antes resultaban difíciles de medirobjetivamente 10,11,12.
Además, la literatura existente es fragmentada y heterogénea en cuanto a metodología. Gran parte de la evidencia existente se basa en estudios piloto, informes técnicos o aplicaciones que están principalmente orientadas a la formación en lugar de a una evaluación real. En consecuencia, la mayoría de los argumentos sobre las capacidades de evaluación de la VR y la GenAI se basan en la funcionalidad tecnológica y no en una validación empírica rigurosa. La evidencia reportada de validez es variada, con la validez del contenido predominantemente reportada y una referencia mínima a la estructura interna, fiabilidad o correlaciones con medidas de evaluación previamente establecidas.
Estas limitaciones se ven agravadas por los nuevos problemas relacionados con la usabilidad, la carga cognitiva y los aspectos éticos. Por ejemplo, los sistemas GenAI ofrecen una solución interactiva y escalable; Sin embargo, los problemas de redundancia de información, variabilidad de la respuesta del sistema y familiaridad del usuario pueden afectar la interacción y el rendimiento del aprendiz. Del mismo modo, la falta de transparencia, equidad y responsabilidad en los escenarios de evaluación puede considerarse un problema de la naturaleza de caja negra de la puntuación impulsada por IA. En cuanto a la implementación, los sistemas de VR requieren una inversión masiva en infraestructura, mientras que la adopción de GenAI se basa en la preparación institucional, la gobernanza y la alineación con los objetivos educativos. Estos factores subrayan la importancia de un marco más conceptual y organizativo para evaluar cómo estas tecnologías pueden incorporarse en la educación oncológica.
En línea con esto, esta revisión ofrecerá una síntesis narrativa en profundidad de la literatura actual sobre VR y GenAI en la educación oncológica, con un interés especial en su aplicación en la evaluación del razonamiento clínico. En particular, su objetivo es (1) describir diseños tecnológicos y contextos de implementación de estas herramientas; (2) revisar la evidencia de la validez reportada y los resultados educativos; y (3) exponer los principales desafíos, como preocupaciones cognitivas, éticas y organizativas, así como las futuras líneas de investigación y práctica. Se buscaron sistemáticamente en las principales bases de datos académicas para encontrar literatura pertinente, pero como es habitual revisar artículos, este artículo se centra en la interpretación, la síntesis y no en la elaboración de informes procedimentales.
Figura 1 : modelo integrado que combina la evaluación de acciones clínicas basada en VR con la evaluación de la cognición clínica basada en GenAI. Este enfoque dual captura tanto las dimensiones conductuales como analíticas del razonamiento clínico para una evaluación y retroalimentación integrales.
Figura 1: Modelo integrado de evaluación del razonamiento clínico usando VR y GenAI. Esta figura muestra un modelo integrado que combina la Realidad Virtual (VR) para evaluar el razonamiento clínico basado en la acción (por ejemplo, flujo de trabajo, procedimientos, trabajo en equipo) con IA generativa (GenAI) para evaluar el razonamiento cognitivo y dialógico (por ejemplo, diagnóstico, justificación, reflexión). Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Revisión y perspectiva
Tipología e implementación tecnológica
La situación actual en el campo de las tecnologías digitales de evaluación del razonamiento clínico en la educación oncológica se caracteriza por dos paradigmas de tecnologías digitales. Los enfoques actuales se basan en sistemas basados en VR y GenAI. Aunque ambos métodos buscan mejorar la evaluación de competencias clínicas complejas, presentan diferencias significativas en cuanto a fundamentos tecnológicos, interacción y lógica de evaluación13,14. Estos sistemas sitúan a los alumnos en entornos oncológicos realistas, ya sea en consultas ambulatorias, en la gestión hospitalaria de emergencias oncológicas o en un contexto multidisciplinar de toma de decisiones mediante pantallas montadas en la cabeza e interfacesinteractivas 6.
Una ventaja de los sistemas de realidad virtual es que pueden registrar datos de comportamiento granulares utilizando análisis embebidos. Estos datos comprenden una serie de acciones, un calendario de decisiones, navegación y cumplimiento de las directrices clínicas. Estas medidas permiten a los educadores evaluar los elementos procedimentales del razonamiento clínico, como la obtención de datos, la priorización de acciones diagnósticas y la implementación de vías de gestión15. Sin embargo, la implementación de herramientas de evaluación basadas en VR va acompañada de importantes desafíos infraestructurales y logísticos. Los altos costes iniciales asociados a la adquisición de hardware, desarrollo de software y mantenimiento pueden limitar la accesibilidad, especialmente en entornos con recursoslimitados 16. Además, la necesidad de espacios físicos dedicados, soporte técnico y formación del profesorado complica aún más el despliegue a gran escala. Estas limitaciones suelen limitar las aplicaciones de VR a centros de simulación especializados, restringiendo su escalabilidad y su integración generalizada en los planes de estudio de oncología.
Por el contrario, las herramientas basadas en GenAI se ejecutan mediante interacción en lenguaje natural, proporcionando un nuevo método de evaluación. Desarrollados a partir de grandes arquitecturas de modelos de lenguaje, involucran a los estudiantes en conversaciones interactivas, basadas en texto o voz, que imitan mecanismos de razonamiento clínico. Se anima a los alumnos a describir los diagnósticos diferenciales, la lógica detrás de las decisiones de gestión y responder a las situaciones clínicas cambiantes, ofreciendo el sistema retroalimentación formativa y evaluación10,11.
El principal beneficio de los sistemas GenAI es que pueden evaluar los aspectos cognitivos y analíticos del razonamiento clínico. Estas herramientas pueden evaluar la estructura, coherencia y profundidad del razonamiento del aprendiz observando la salida del lenguaje y yendo más allá de la corrección para obtener información cualitativa sobre el proceso de pensamiento. Además, las soluciones GenAI tienen beneficios significativos de escalabilidad y accesibilidad. También pueden implementarse en contextos de aprendizaje remoto y asíncrono, a diferencia de los sistemas de realidad virtual, que solo pueden implementarse en interfaces web5.
A pesar de las ventajas, existen desventajas significativas en las herramientas de evaluación basadas en GenAI. La dependencia del procesamiento del lenguaje natural conlleva problemas relacionados con la fiabilidad de la puntuación, la interpretabilidad y la transparencia. Muchos sistemas son cajas negras, es decir, la lógica de la decisión de puntuación no siempre está disponible para los educadores oalumnos. El tema principal que se observa en la literatura es el compromiso intrínseco entre la validez ecológica y la escalabilidad entre ambos paradigmas tecnológicos. Los sistemas de VR son buenos en su capacidad para recrear entornos clínicos realistas y capturar la toma de decisiones incorporada, pero requieren muchos recursos y, por tanto, limitan su escalabilidad. Los sistemas GenAI, por otro lado, pueden utilizarse para evaluar los procesos cognitivos de forma escalable y basada enel diálogo 7.
De forma crucial, hay una falta significativa de la literatura existente que implica plataformas integradas o híbridas que alineen las ventajas tanto de la realidad virtual como de la IA. Este tipo de integración puede facilitar la medición concomitante del rendimiento procedimental y el razonamiento cognitivo, ya que la naturaleza de la toma de decisiones clínicas estáinterconectada 18. Desde la perspectiva de la implementación, las capacidades técnicas no son los únicos factores que determinan la adopción tecnológica; Los factores organizativos y medioambientales también influyen. Modelos como el modelo Tecnología-Organización-Entorno (TOE) son una buena perspectiva para explicar estasdinámicas 19.
En general, la tipología de las herramientas de VR y GenAI ilumina un espacio discontinuo pero en rápida evolución. Aunque ambas tecnologías tienen beneficios únicos para medir un aspecto concreto del razonamiento clínico, su separación actual no ofrece la oportunidad de evaluarlas completamente. Cerrar esta brecha mediante integración conceptual, innovación tecnológica y estrategias de implementación sensibles al contexto será necesario para llevar el campo hacia modelos de evaluación más completos y efectivos.
Constructos de razonamiento clínico y evaluación iterativa
El razonamiento clínico es un concepto multidimensional que implica procesos cognitivos, metacognitivos y conductuales que apoyan la toma de decisiones diagnósticas y terapéuticas. En oncología, la incertidumbre, la evidencia dinámica y la necesidad de coordinación interdisciplinar complican aún más estos procesos. La literatura conceptualiza cada vez más el razonamiento clínico como un continuo que implica la adquisición de información, la generación de hipótesis, el refinamiento del diagnóstico, el proceso de toma de decisiones y la evaluaciónreflexiva 20,21.
Los sistemas basados en VR son en su mayoría consistentes con la evaluación de los aspectos observables y orientados a la acción del razonamiento clínico. Colocando a los alumnos en entornos clínicos simulados, estas plataformas permiten evaluar cómo las personas adquieren conocimientos, se centran en los procesos diagnósticos y realizan una serie de operaciones. Se centra en la traducción del razonamiento a la acción, en la que las decisiones clínicas se basan en patrones de interacción en el entornosimulado 22.
Los sistemas basados en GenAI, en cambio, se concentran en los procesos de evocación y análisis de procesos cognitivos internos que subyacen al razonamiento clínico. La interacción con el lenguaje natural anima a los alumnos a expresar los diferentes diagnósticos, a justificar elecciones de gestión clínica y a reflexionar sobre las incertidumbres clínicas. Estos sistemas determinan el razonamiento midiendo la coherencia semántica, la estructura lógica y la profundidad de las respuestas del aprendiz, normalmente aplicando métodos de procesamiento del lenguaje natural para proporcionar una aproximación al juicioexperto 13,10.
Aunque estas son fortalezas complementarias, una debilidad que se ha encontrado como la más crítica en toda la literatura es la fragmentación adversarial de la evaluación entre los dominios cognitivo y conductual. Una práctica real del razonamiento clínico es inherentemente iterativa, lo que significa una retroalimentación constante entre el pensamiento y la acción. Este es un proceso cíclico clave en una toma de decisiones clínicas eficaz, especialmente en oncología, por el cual las condiciones y reacciones de los pacientes al tratamiento cambian con eltiempo 11.
Esta interacción dinámica a menudo no se refleja en las herramientas actuales de VR y GenAI. Los sistemas de VR generalmente derivan el razonamiento a partir de comportamientos observables sin necesariamente alcanzar los procesos mentales subyacentes, mientras que los sistemas GenAI analizan el razonamiento articulado fuera del contexto del comportamiento clínico. En consecuencia, ambas estrategias presentan imágenes sesgadas de la competencia clínica y no pueden evaluar adecuadamente toda la gama de actividades de razonamiento. La otra debilidad significativa asociada al uso de la analítica automatizada como principal herramienta de evaluación. En la RV, se emplea el análisis de archivos de registro para entender el comportamiento de los usuarios, pero estas mediciones pueden no ser suficientes para comprender el razonamiento detrás de las elecciones clínicas. Igualmente, la interpretación algorítmica del lenguaje se utiliza comúnmente para puntuar sistemas GenAI y podría ignorar matices del lenguaje como la intuición clínica, el manejo de la incertidumbre o el razonamiento específicodel contexto 23.
Además, la literatura señala la ausencia de métodos estandarizados para mapear los resultados tecnológicos con modelos conocidos de razonamiento clínico. Aunque existen estudios que conectan implícitamente la VR con el razonamiento procedimental y la GenAI con el razonamiento cognitivo, no muchos estudios sitúan estas herramientas en el contexto de constructos teóricos validados. Esta disparidad restringe las posibilidades de hacer comparaciones con los resultados de otros estudios y de formar una estructura coherente de evaluación mejoradapor tecnología 24.
El enfoque de la investigación futura en esta área debería centrarse en integrar las modalidades cognitivas y conductuales de evaluación. Sistemas híbridos combinados Los sistemas híbridos que integran simulación inmersiva con diálogo en tiempo real mediado por IA pueden adoptar mejor el carácter iterativo del razonamiento clínico. Con estos, el comportamiento de los aprendices en un entorno virtual puede provocar una respuesta interrogativa por parte de un agente de IA, y así permitir evaluar tanto lo que hacen los aprendices como por qué lo hacen al mismotiempo 25,26.
En conjunto, aunque las tecnologías de VR y GenAI ofrecen información útil sobre aspectos específicos del razonamiento clínico, su aplicación sigue siendo fragmentada por el momento. Se necesitará la integración de conceptos, el rigor metodológico y la innovación tecnológica para abordar esta fragmentación y desarrollar estrategias de evaluación integrales y significativas en la educación oncológica. La Tabla 1 destaca las diferencias clave entre la Realidad Virtual (VR) y la IA Generativa (GenAI) para evaluar el razonamiento clínico, comparando sus respectivos focos, interacciones, fortalezas, limitaciones y salidas de datos. Además, la Figura 2 ilustra el ciclo iterativo de razonamiento clínico, que muestra cómo la VR apoya la recogida, acción y reflexión de datos, mientras que GenAI ayuda en la generación, refinamiento y explicación de hipótesis. Juntos, permiten un ciclo continuo de toma de decisiones informada y aprendizaje experiencial.
| Dimensión | Realidad Virtual (VR) | IA generativa (GenAI) |
| Enfoque de la evaluación | Procedimental / conductual | Cognitivo / analítico |
| Modo de interacción | Simulación inmersiva | Basado en diálogos |
| Fuerza | Alta validez ecológica | Alta escalabilidad |
| Limitaciones | Intensiva en recursos | Transparencia limitada |
| Tipo de datos | Registros de comportamiento | Respuestas en lenguaje natural |
Tabla 1: Comparación de VR vs GenAI en la evaluación de razonamiento clínico. Comparación de la Realidad Virtual (VR) y la IA Generativa (GenAI) para la evaluación del razonamiento clínico en dimensiones clave, incluyendo el enfoque de la evaluación, el modo de interacción, fortalezas, limitaciones y tipo de datos.
Figura 2: Ciclo iterativo de razonamiento clínico: Contribuciones de la VR y la GenAI. El ciclo iterativo de razonamiento clínico ilustra cómo la VR captura acciones y rendimiento durante tareas basadas en simulación (recopilación de información y toma de decisiones), mientras que GenAI soporta la generación de hipótesis, el diagnóstico diferencial, la explicación y el refinamiento, permitiendo en conjunto la reflexión continua y el aprendizaje de la experiencia. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Evidencia de validez y limitaciones de medición
Desarrollar evidencia sólida de validez es fundamental para implementar cualquier herramienta de evaluación, especialmente en áreas de alto riesgo como la educación oncológica. La conceptualización moderna de la teoría de la validez considera la validez como un único constructo respaldado por varias fuentes de evidencia como el contenido, el proceso de respuesta, la estructura interna, las relaciones con otras variables y las consecuencias de laevaluación 27,28.
La mayoría de los estudios se centran en la validez del contenido, que suele demostrarse mediante revisiones expertas de situaciones clínicas, diseño de tareas o criterios de puntuación. Aunque estos métodos aseguran que el material de evaluación sea pertinente y coherente con la práctica oncológica, no proporcionan mucha información sobre la capacidad de las herramientas para medir los constructos subyacentes del razonamiento clínico. En la mayoría de las situaciones, la validación del contenido se considera evidencia suficiente de efectividad, aunque faltan prácticas psicométricas másrigurosas 29.
Hay menos consistencia en la presentación de la evidencia sobre la validez del proceso de respuesta, es decir, cómo los alumnos perciben e interactúan con las actividades de evaluación. Otros estudios utilizan pruebas de usabilidad, retroalimentación de los alumnos o protocolos de pensamiento en voz alta para implicar que los participantes interactúan con entornos de realidad virtual o sistemas GenAI de la manera deseada. Además, aún no está claro hasta qué punto estas interacciones pueden capturar con precisión el razonamiento clínico real, especialmente en escenarios simulados o mediados porIA 30.
Una de las limitaciones más importantes tanto para las modalidades de VR como de GenAI es la falta de evidencia sobre la estructura interna. Las medidas de fiabilidad, incluyendo la consistencia interna, el acuerdo entre evaluadores o la estabilidad entre pruebas, rara vez se reportan. Esto resulta especialmente problemático para herramientas basadas en puntuación automatizada. Los sistemas GenAI son además variables en cuanto a algoritmos de puntuación impulsados por el procesamiento del lenguaje natural, donde los resultados pueden variar en función del diseño del prompt, los parámetros del modelo o la interpretación contextual31.
Del mismo modo, hay evidencia limitada de relaciones con otras variables. No muchos estudios han intentado relacionar el rendimiento en plataformas de VR o GenAI con técnicas de evaluación existentes, incluyendo OSCEs, pruebas escritas o evaluaciones en el lugar de trabajo. Sin tales comparaciones, resulta difícil saber si estas tecnologías miden los constructos coherentes con los marcos actuales de competencia clínica. Tal deficiencia en la validez convergente y discriminante limita la interpretación y credibilidad de los resultados dela evaluación 32.
Sin embargo, la mayor carencia en la literatura es su falta de validez en las transferencias. Pocos o ningún dato apoya el concepto de que la práctica en simulaciones de VR o pruebas basadas en GenAI esté correlacionada con un mejor razonamiento clínico en la práctica oncológica real. Dado que el objetivo final de la formación médica es mejorar la atención al paciente, esta restricción es uno de los mayores obstáculos para implementar estas herramientas en programas formales de evaluación. En ausencia de estudios longitudinales o de resultados, el efecto educativo de estas tecnologías se limita a la situación simulada o experimental en la que seimplementan 33.
Junto con estos inconvenientes psicométricos, existen otros desafíos derivados del creciente uso de análisis automatizados. Tanto la VR como la GenAI dependen en gran medida de la interpretación algorítmica del comportamiento o lenguaje del usuario, lo que plantea dudas sobre la transparencia y la interpretabilidad. La naturaleza de caja negra de los grandes modelos de lenguaje en el contexto de evaluaciones basadas en GenAI complica la comprensión de cómo se producen las puntuaciones y cómo garantizar puntuaciones imparciales. Tal inexplicabilidad puede destruir la confianza entre profesores y alumnos, especialmente en entornos de alto riesgo34.
Otro tema esencial es el sesgo en la evaluación basada en IA. Los datos de entrenamiento utilizados para crear modelos de lenguaje podrían capturar diferencias en el conocimiento clínico, los patrones de comunicación o las prácticas culturales, lo que conduce a diferencias sistemáticas en la puntuación entre grupos de aprendices. Si no se abordan, tales sesgos pueden tener graves consecuencias en los aspectos de la equidad y la equidad en la educación médica35.
Además, las implicaciones de la evaluación, otro aspecto importante de la validez, rara vez se discuten en la literatura existente. Muy poca investigación examina los efectos del uso de herramientas de VR o GenAI en el comportamiento, los trayectos educativos o la toma de decisiones de los estudiantes en entornos clínicos. La falta de estudios sobre los efectos posteriores restringe el conocimiento sobre los efectos positivos y posibles no deseados de estastecnologías 36.
Para concluir, las tecnologías de VR y GenAI son prometedoras para proporcionar nuevos métodos para evaluar el razonamiento clínico, pero la base de evidencia existente es insuficiente para implementarlas en situaciones de alto riesgo. En todas las áreas, mejorar la validez garantizará el siguiente paso: transformar estas herramientas de uso experimental a elementos efectivos de evaluación de la educación oncológica. La Tabla 2 resume la evidencia de validez para la VR y la GenAI en cuatro dominios: contenido, estructura interna, relaciones con otras variables y consecuencias, destacando las limitaciones clave, incluyendo diseños impulsados por expertos, pruebas de fiabilidad limitadas, estudios comparativos escasos y la ausencia de datos de resultados a largo plazo.
| Dominio de validez | Evidencia VR | Evidencia GenAI | Limitación clave |
| Contenido | Fuerte | Moderado | Mayormente impulsado por expertos |
| Estructura interna | Limitada | Limitada | Falta de pruebas de fiabilidad |
| Relaciones con otras variables | Escaso | Escaso | Pocos estudios comparativos |
| Consecuencias | Minimal | Minimal | Sin resultados a largo plazo |
Tabla 2: Evidencia de validez entre tecnologías. Esta tabla muestra la validez de la VR y la GenAI en la evaluación del razonamiento clínico en contenidos, estructura interna, relaciones con otras variables y dominios de consecuencias
Resultados educativos y precaución interpretativa
La creciente adopción de la Realidad Virtual (VR) y la Inteligencia Artificial Generativa (GenAI) en la educación oncológica ha sido recibida con la literatura que documenta resultados positivos en la educación en general. Estos son una mayor implicación, motivación, realismo percibido de los entornos de aprendizaje y la capacidad de recibir retroalimentación inmediata ypersonalizada 37,38,39. Estos hallazgos sugieren que estas tecnologías tienen potencial para enriquecer experiencias educativas y apoyar el desarrollo de habilidades de razonamiento clínico.
Un porcentaje significativo de los resultados reportados son auto-reportados, como la satisfacción del alumno, la confianza percibida o la evaluación subjetiva del aprendizaje. Aunque estos indicadores sirven como información esclarecedora sobre la experiencia del usuario, no siempre se asocian con razonamientos clínicos tangibles ni mejoras en el rendimientoclínico 40. En el caso de la información objetiva, tienden a centrarse en los resultados del rendimiento en la propia plataforma tecnológica. Aunque estos resultados pueden sugerir que la herramienta fue utilizada con éxito, no determinan si dicha interacción puede traducirse aún más en competencia general en razonamiento clínico. Los avances obtenidos en entornos controlados o simulados pueden asociarse con la familiaridad con el sistema en lugar de con el crecimiento cognitivo o conductualreal 53. La otra limitación está asociada a las características metodológicas de los estudios existentes. Gran parte de la literatura comprende estudios a pequeña escala, de una sola institución, que tienen tamaños de muestra limitados y periodos de intervención cortos. Estas limitaciones disminuyen el poder estadístico y restringen la generalización de los resultados a una amplia variedad de entornoseducativos 33.
El problema de la transferibilidad es de especial preocupación en la educación sobre el cáncer. El razonamiento clínico oncológico es un proceso de toma de decisiones complejo y longitudinal que ocurre dentro de un marco temporal y en contextos clínicos. No obstante, falta literatura sobre si las habilidades entrenadas en intervenciones de VR o GenAI permanecen tras el contexto de aprendizaje inmediato o afectan a la práctica clínica real. Además, la literatura tiende a mezclar resultados de formación y evaluación. La mayoría de las aplicaciones de VR y GenAI tienen como objetivo principal la facilitación del aprendizaje como herramienta educativa, pero su éxito a veces se considera un signo de validez de la evaluación. Para interpretar con precisión, es importante diferenciar los beneficios del aprendizaje formativo y la utilidad de la evaluaciónsumativa 42.
También existen razones cognitivas que complican la interpretación de los resultados educativos. Las tecnologías avanzadas presentan una variedad de cargas cognitivas y pueden afectar al rendimiento de los alumnos. Por ejemplo, los sistemas de VR inmersiva pueden tener una carga cognitiva extra en términos de navegación, interacción con la interfaz o procesamiento sensorial. Con el diseño adecuado y familiaridad con el usuario, estos factores pueden estar facilitando o dificultando el aprendizaje36. La experiencia del usuario y la experiencia previa con la tecnología también son factores. Los estudiantes más acostumbrados a interfaces informáticas o sistemas impulsados por IA pueden rendir mejor, no necesariamente porque tengan un razonamiento más clínico, sino por una interacción más cómoda con elsistema 43.
La posibilidad de consecuencias no deseadas es otro factor que debe tenerse en cuenta. Por ejemplo, una dependencia excesiva de la retroalimentación desarrollada por IA puede disminuir las posibilidades de pensamiento lógico o análisis crítico. Del mismo modo, situaciones de realidad virtual bien articuladas pueden, sin querer, restringir la toma de decisiones al reducir el número de acciones potenciales. La literatura actual no investiga extensamente estos efectos, pero tienen implicaciones significativas en el diseño educativo44.
Aunque existen estas restricciones, no se pueden ignorar las tendencias positivas que se registraron en cuanto a la implicación del alumno y el aprendizaje experiencial. Los entornos de práctica segura, la retroalimentación en tiempo real y la posibilidad de exponerse una y otra vez a situaciones complejas son ventajas de las tecnologías de VR y GenAI. Estas características pueden asociarse con las teorías educativas actuales, como el aprendizaje experiencial y la práctica deliberada, que priorizan el aprendizaje activo y la mejora continua45.
En general, aunque las tecnologías de VR y GenAI muestran un potencial significativo para transformar la educación oncológica, la base de evidencia es actualmente limitada en metodología e interpretación. Por tanto, es necesaria una actitud crítica y cautelosa para evitar una generalización excesiva de los hallazgos y asegurarse de que las afirmaciones sobre la eficacia de la educación tengan una sólida evidencia empírica.
Consideraciones cognitivas, éticas y organizativas
Cognitivamente, el desarrollo de estas tecnologías y su aplicación pueden tener un impacto significativo en cómo los estudiantes perciben la información y practican el razonamiento clínico. La teoría de la carga cognitiva ofrece un marco práctico para comprender estos efectos con tres tipos de carga cognitiva: carga cognitiva intrínseca, extraña y carga cognitivarelevante 43. Aunque los entornos de realidad virtual son inmersivos y atractivos, pueden suponer una carga cognitiva significativa y extra para los usuarios, requiriendo navegación, estimulación sensorial y la complejidad de la interfaz. A menos que se planifiquen bien, estos factores pueden desplazar los recursos cognitivos a otras áreas distintas a los procesos esenciales de razonamiento, anulando así el rendimiento en el aprendizaje y la evaluación38.
De la misma manera, los sistemas GenAI presentan nuevos desafíos cognitivos en cuanto a la presentación de la información y la dinámica de interacción. Un ejemplo es que la retroalimentación excesiva o redundante producida por los sistemas de IA puede provocar una sobrecarga de información, lo que puede dificultar el aprendizaje exitoso. Por otro lado, una retroalimentación adaptativa bien diseñada puede aumentar la carga cognitiva relevante mediante la formación de esquemas y el pensamientoreflexivo 46. Por tanto, el equilibrio entre la orientación y la autonomía cognitiva es, ya que la dependencia excesiva de las respuestas generadas por IA puede reducir las oportunidades para la resolución independiente de problemas y el pensamiento crítico.
El compromiso cognitivo con estas tecnologías también está mediado por la familiaridad del usuario y la alfabetizacióndigital 44.
La ética también es un aspecto clave en la implementación de la VR y la GenAI en la evaluación educativa. Entre los temas más relevantes está el concepto de sesgo algorítmico en sistemas basados en IA. Los modelos de aprendizaje automático, como los grandes modelos de lenguaje, se entrenan con grandes cantidades de datos que pueden estar sesgados hacia las normas sociales, culturales o profesionales existentes. En consecuencia, los resultados de las evaluaciones pueden llevar a una discriminación no deseada contra grupos específicos de estudiantes, y la equidad y la equidad se ponen en cuestión35. Otros temas éticos son la transparencia y la explicabilidad. La mayoría de los sistemas GenAI son cajas negras, sin descripciones explícitas del proceso de toma de decisiones. Esta interpretabilidad en las evaluaciones puede causar una falta de confianza entre alumnos y educadores, especialmente cuando el resultado final tiene serias implicacionesacadémicas 34.
La seguridad y privacidad de los datos también es un factor importante a tener en cuenta, ya que los datos educativos y, posiblemente, clínicos, son sensibles. La VR puede usarse para registrar datos detallados de comportamiento, mientras que las plataformas GenAI pueden gestionar grandes cantidades de datos textuales. Para mantener los estándares éticos y la confianza en la institución, es importante garantizar que se cumplan las normas de protección de datos y que la información de los usuarios permanezcaprotegida 47.
Además de los problemas a nivel individual, las cuestiones organizativas son decisivas para la adopción exitosa de estas tecnologías. La implementación de la VR y la GenAI en la educación oncológica debe ser coherente con los objetivos de las instituciones, el acceso a recursos y los marcos de gobernanza de apoyo. El modelo Tecnología-Organización-Entorno (TOE) es una herramienta valiosa para examinar estos factores y centrarse en la interacción entre la preparación tecnológica, las capacidades organizativas y el impacto del entorno externo48.
La preparación organizativa incluye la competencia del profesorado, la formación y la aceptación de nuevas tecnologías. La posible resistencia a la adopción puede estar relacionada con el temor a la fiabilidad, la sobrecarga de trabajo o simplemente la falta de familiaridad con los sistemas impulsados por IA. Estas limitaciones pueden superarse mediante programas de desarrollo de profesores enfocados y mediante reglas explícitas sobre cómo se utiliza la tecnología en la evaluación49.
Un nuevo enfoque del campo se centra en la idea de la autonomía ilustrada, en la que los sistemas de IA se crean para ayudar y no sustituir el juicio humano. Este método propone la combinación armoniosa de análisis automatizado y control humano, donde la tecnología mejoraría la toma de decisiones sin interferir con la responsabilidad o elprofesionalismo 50. En el contexto de la evaluación del razonamiento clínico, esto puede implicar combinar conocimientos generados por IA con evaluaciones expertas para lograr un proceso de evaluación más completo y fiable.
En general, la introducción de la VR y la GenAI en la educación oncológica implica más que mera innovación técnica; También explora aspectos cognitivos, éticos y organizativos complejos. Estas consideraciones son cruciales para garantizar que estas tecnologías se aprovechen al máximo en términos de su valor educativo y reducción de riesgos. Una estrategia interdisciplinar que tenga en cuenta el diseño centrado en el usuario, las preocupaciones éticas y la preparación institucional será fundamental para el desarrollo del uso responsable de la tecnología en la evaluación del razonamiento clínico. Figura 3 Marco Tecnología-Organización-Entorno (TOE) que identifica los factores clave de implementación para integrar la VR y la GenAI en la educación oncológica. La adopción exitosa requiere alineación entre las capacidades del sistema, el apoyo organizativo y las condiciones ambientales externas.
Figura 3: Marco Tecnología-Organización-Entorno (TOE) para implementar la VR y la GenAI en la educación oncológica. El marco Tecnología-Organización-Entorno (TOE) se aplicaba a la integración de la VR y la GenAI en la educación oncológica, destacando factores clave en la capacidad del sistema, liderazgo y currículo, así como consideraciones regulatorias, de financiación y culturales para una implementación exitosa. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Conclusiones
El razonamiento clínico en oncología es un tema en expansión y desafío que ha sido durante mucho tiempo un aspecto complejo, dinámico, de alto riesgo y específico del contexto en la toma de decisiones oncológicas. Esta revisión ha analizado las nuevas funciones de la Realidad Virtual (VR) y la Inteligencia Artificial Generativa (GenAI) como soluciones innovadoras a las limitaciones de las técnicas convencionales de evaluación. En conjunto, la evidencia sugiere que estas tecnologías ofrec...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Agradecimientos
Financiación: Fondo: Proyecto General de Investigación (Categoría de Ciencias Naturales) del Departamento de Educación de la Provincia de Zhejiang (Subvención nº Y202558353).
Fondo: Proyecto de Investigación sobre Educación Superior Proyecto Especial: Inteligencia Artificial que Empodera la Educación y las Aplicaciones Docentes (KT2025426)
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Referencias
- Shimizu, H., Nakayama, K. I. Artificial intelligence in oncology. Cancer Sci. 111 (5), 1452-1460 (2020).
- Ginsburg, K. B., Curtis, G. L., Timar, R. E., George, A. K., Cher, M. L. Delayed radical prostatectomy is not associated with adverse oncologic outcomes: implications for men experiencing surgical delay due to the COVID-19 pandemic. J Urol. 204 (4), 720-725 (2020).
- Egbuna, I., Olatokun, T., Ozo-Ogueji, P., Ekechi, C., Akinbo, O., et al. Revolutionizing cancer surgery: Harnessing artificial intelligence and augmented reality for next-generation precision oncology. Int J Life Sci Res Arch. 9 (1), 147-176 (2025).
- Sminia, P., et al. Clinical radiobiology for radiation oncology. Radiobiology textbook. , (2023).
- Wood, E. A., Ange, B. L., Miller, D. D. Are we ready to integrate artificial intelligence literacy into medical school curriculum? Students and faculty survey. J Med Educ Curric Dev. 8, 23821205211024078 (2021).
- Kok, D. L., Dushyanthen, S., Peters, G., Sapkaroski, D., Barrett, M., et al. Virtual reality and augmented reality in radiation oncology education: A review and expert commentary. Tech Innov Patient Support Radiat Oncol. 24, 25-31 (2022).
- Rahimi, F., Sadeghi-Niaraki, A., Choi, S. M. Generative AI meets virtual reality: A comprehensive survey on applications, challenges, and future directions. IEEE Access. 13, 1-20 (2025).
- von Ende, E., Ryan, S., Crain, M. A., Makary, M. S. Artificial intelligence, augmented reality, and virtual reality advances and applications in interventional radiology. Diagnostics (Basel). 13 (5), 892 (2023).
- Esmail, S., Concannon, B. Immersive virtual reality and AI (generative pretrained transformer) to enhance student preparedness for objective structured clinical examinations: Mixed methods study. JMIR Serious Games. 13, e69428 (2025).
- Gilson, A., Safranek, C. W., Huang, T., Socrates, V., Chi, L., et al. How does ChatGPT perform on the United States Medical Licensing Examination (USMLE)? The implications of large language models for medical education and knowledge assessment. JMIR Med Educ. 9 (1), e45312 (2023).
- Kung, T. H., Cheatham, M., Medenilla, A., Sillos, C., De Leon, L., et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLoS Digit Health. 2 (2), e0000198 (2023).
- Xu, L., Sanders, L., Li, K., Chow, J. C. Chatbot for health care and oncology applications using artificial intelligence and machine learning: Systematic review. JMIR Cancer. 7 (4), e27850 (2021).
- Pottle, J. Virtual reality and the transformation of medical education. Future Healthc J. 6 (3), 181-185 (2019).
- Farina, E., Nabhen, J. J., Dacoregio, M. I., Batalini, F., Moraes, F. Y. An overview of artificial intelligence in oncology. Future Sci OA. 8 (4), FSO787 (2022).
- Hamilton, A. Artificial intelligence and healthcare simulation: The shifting landscape of medical education. Cureus. 16 (5), e00000 (2024).
- Siddiqui, F. M., Jabeen, S., Alwazzan, A., Vacca, S., Dalal, L., et al. Integration of augmented reality, virtual reality, and extended reality in healthcare and medical education: A systematic review. J Med Educ Curric Dev. 12, 23821205251342315 (2025).
- Wang, S., Zhang, H. Industrial information integration through autonomous AI agents: Paradoxical effects on transparency, dehumanization, and responsible operations. J Ind Inf Integr. 51, 101089 (2026).
- Tortora, A., Amaro, I., Della Greca, A., Barra, P. Exploring the role of generative artificial intelligence in virtual reality: Opportunities and future perspectives. , 125-142 (2025).
- Wang, S., Zhang, H. Generative AI in international hotel marketing: Impacts on employee creativity and performance. Int J Contemp Hosp Manag. 37 (8), 2601-2626 (2025).
- Christensen, N., Jones, M. A., Rivett, D. A., Jones, M. A., Rivett, D. A. Strategies to facilitate clinical reasoning development. Clinical reasoning in musculoskeletal practice. , 562-582 (2019).
- Cook, D. A., Sherbino, J., Durning, S. J. Management reasoning: Beyond the diagnosis. JAMA. 319 (22), 2267-2268 (2018).
- Croskerry, P. A universal model of diagnostic reasoning. Acad Med. 84 (8), 1022-1028 (2009).
- Norman, G. Research in clinical reasoning: Past history and current trends. Med Educ. 39 (4), 418-427 (2005).
- Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
- Durning, S. J., Artino, A. R., Pangaro, L. N., van der Vleuten, C., Schuwirth, L. Redefining context in the clinical encounter: Implications for research and training in medical education. Acad Med. 85 (5), 894-901 (2010).
- Bickmore, T. W., Giorgino, T. Health dialog systems for patients and consumers. J Biomed Inform. 39 (5), 556-571 (2006).
- Messick, S. Validity. educational measurement. , 13-103 (1989).
- Cook, D. A., Beckman, T. J. Current concepts in validity and reliability for psychometric instruments: Theory and application. Am J Med. 119 (2), 166.e7-166.e16 (2006).
- Downing, S. M. Validity: On meaningful interpretation of assessment data. Med Educ. 37 (9), 830-837 (2003).
- Artino, A. R., La Rochelle, J. S., Dezee, K. J., Gehlbach, H. Developing questionnaires for educational research: AMEE Guide No. 87. Med Teach. 36 (6), 463-474 (2014).
- Gwet, K. L. . Handbook of inter-rater reliability. , (2021).
- Norcini, J., Anderson, M. B., Bollela, V., Burch, V., Costa, M. J., et al. Criteria for good assessment: Consensus statement and recommendations from the Ottawa 2010 Conference. Med Teach. 33 (3), 206-214 (2011).
- Cook, D. A., Hatala, R., Brydges, R., Zendejas, B., Szostek, J. H., et al. Technology-enhanced simulation for health professions education: A systematic review and meta-analysis. JAMA. 306 (9), 978-988 (2011).
- Topol, E. J. . Deep medicine: How artificial intelligence can make healthcare human again. , (2019).
- Obermeyer, Z., Powers, B., Vogeli, C., Mullainathan, S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 366 (6464), 447-453 (2019).
- van der Vleuten, C. P. M., Schuwirth, L. W. T. Assessing professional competence: From methods to programmes. Med Educ. 39 (3), 309-317 (2005).
- Radianti, J., Majchrzak, T. A., Fromm, J., Wohlgenannt, I. A systematic review of immersive virtual reality applications for higher education: Design elements, lessons learned, and research agenda. Comput Educ. 147, 103778 (2020).
- Makransky, G., Petersen, G. B. Immersive virtual reality and learning: A meta-analysis. Educ Psychol Rev. 31 (4), 915-943 (2019).
- Luckin, R., Holmes, W., Griffiths, M., Forcier, L. B. . Intelligence unleashed: An argument for AI in education. , (2016).
- Sitzmann, T., Ely, K., Brown, K. G., Bauer, K. N. Self-assessment of knowledge: A cognitive learning or affective measure?. Acad Manag Learn Educ. 9 (2), 169-191 (2010).
- Reeves, S., Fletcher, S., Barr, H., Birch, I., Boet, S., et al. A BEME systematic review of the effects of interprofessional education. Med Teach. 38 (7), 656-668 (2016).
- Issenberg, S. B., McGaghie, W. C., Petrusa, E. R., Lee Gordon, D., Scalese, R. J. Features and uses of high-fidelity medical simulations that lead to effective learning: A meta-analysis. Med Teach. 27 (1), 10-28 (2005).
- Sweller, J. Cognitive load theory. Psychol Learn Motiv. 55, 37-76 (2011).
- Liaw, S. S., Huang, H. M. Perceived satisfaction, perceived usefulness and interactive learning environments as predictors to self-regulation in e-learning environments. Comput Educ. 60 (1), 14-24 (2013).
- Carr, S. AI gone wild: Implications of artificial intelligence for education. Educ Technol. 60 (2), 3-10 (2020).
- Wang, S., Sun, Z. Roles of artificial intelligence experience, information redundancy, and familiarity in shaping active learning. Educ Inf Technol. 30 (2), 2525-2546 (2025).
- European Parliament and Council. General Data Protection Regulation (GDPR). Off J Eur Union. L119, 1-88 (2016).
- Tornatzky, L. G., Fleischer, M. . The processes of technological innovation. , (1990).
- Rogers, E. M. . Diffusion of innovations. , (2003).
- Floridi, L., Cowls, J. A unified framework of five principles for AI in society. Harv Data Sci Rev. 1 (1), 1-15 (2019).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.