Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de revisión
* These authors contributed equally
Esta revisión narrativa y perspectiva examina cómo la privación de sueño y la fatiga de decisión afectan al rendimiento clínico y evalúa la monitorización basada en EEG y fNIRS como herramientas conceptuales para la interpretación y retroalimentación conscientes de la fatiga en la formación médica.
La privación de sueño y la fatiga por decisión son factores importantes pero a menudo poco reconocidos del rendimiento clínico diurno. En entornos de formación médica, estos factores dependientes del estado pueden afectar la atención, el control ejecutivo y la toma de decisiones, complicando la interpretación de la competencia observada durante la vigilia. Esta revisión narrativa y perspectiva sintetiza evidencias de la ciencia del sueño, la neurofisiología, la psicología y la educación médica para examinar cómo la pérdida de sueño y la fatiga de decisión influyen en el rendimiento clínico y cómo los enfoques de monitorización no invasivos pueden ayudar a contextualizar esta variabilidad. Se presta atención a la electroencefalografía (EEG) y a la espectroscopía funcional en infrarrojo cercano (fNIRS) como herramientas de investigación candidatas para caracterizar los cambios relacionados con la fatiga en la carga de trabajo cognitiva y la vigilancia. La literatura revisada apoya fuertes vínculos entre la pérdida de sueño, la fatiga y el deterioro del funcionamiento neurocognitivo, pero el uso de la monitorización neurofisiológica en tiempo real para una evaluación accionable de la preparación en la formación médica sigue siendo conceptual y requiere validación empírica. Proponemos el marco CBME-BCI-Fatiga como un modelo de perspectiva generador de hipótesis para integrar información del estado fisiológico con la evaluación basada en competencias, al tiempo que enfatizamos limitaciones relacionadas con la validez del constructo, el valor incremental, la variabilidad individual, la viabilidad y la gobernanza. Este marco podría informar futuras investigaciones basadas en simulaciones y de bajo riesgo sobre la retroalimentación consciente de la fatiga y apoyo al alumno en entornos de formación clínica vulnerables al sueño.
La educación médica en todo el mundo sigue avanzando hacia modelos orientados a resultados, especialmente la educación médica basada en competencias (CBME), que enfatiza las habilidades demostrables en lugar de la progresión dependiente del tiempo. El concepto de competencia profesional se ha discutido durante mucho tiempo en relación con la capacidad observable, el razonamiento clínico, la comunicación, el profesionalismo y la atención segura al paciente 1,2. El Proyecto de Resultados del Consejo de Acreditación para la Educación Médica de Posgrado (ACGME), los enfoques informados por CanMEDS y la teoría posterior de la CBME han animado aún más a los educadores a definir explícitamente los resultados de la formación y a evaluarloslongitudinalmente 3,4. Las discusiones recientes han enfatizado el CBME en la primera línea de la atención alpaciente 5. El trabajo en la implementación en entornos de desarrollo profesional de grado, posgrado y continuo también pone de relieve los desafíos persistentes en viabilidad, cultura de evaluación y desarrollo delprofesorado 6,7,8,9,10.
Dentro de la CBME, las actividades profesionales confiables (EPA) y las decisiones de encomiendos han desplazado la evaluación hacia las sentencias basadas ensupervisión 11, 12, 13, 14 y 15. Las curvas de aprendizaje y el análisis de aprendizaje han apoyado además la interpretación longitudinal del progreso delalumno 16,17. La educación de precisión, los pasaportes educativos, los entornos de aprendizaje orientados al dominio y el coaching enfatizan la retroalimentación, el apoyo al alumno y la supervisiónadaptativa 18,19,20,21. Estos enfoques reconocen que la competencia se infiere a partir de patrones de desempeño a lo largo del tiempo y el contexto, en lugar de una sola prueba. Sin embargo, persiste un punto ciego: el rendimiento observado no siempre refleja una competencia subyacente estable. También está moldeada por estados fisiológicos y cognitivos temporales, incluyendo falta de sueño, desalineación circadiana, carga de trabajo, estrés emocional y fatiga de decisión22.
Este problema es especialmente relevante en entornos clínicos donde los becarios trabajan durante la noche, gestionan altos volúmenes de pacientes, realizan procedimientos y toman decisiones repetidas bajo incertidumbre. La pérdida de sueño y la fatiga se han asociado con una vigilancia deteriorada, control ejecutivo, velocidad psicomotora, regulación del estado de ánimo y riesgo de errormédico 23,24,25,26,27. El rendimiento quirúrgico y procedimental puede ser especialmente vulnerable porque depende de la atención sostenida, la precisión motora fina y el juicio situacional rápido. Las revisiones y estudios en simuladores relacionan la privación de sueño con cambios en la destreza quirúrgica y el rendimiento en la gestión de crisis 28,29,30. Los estudios a nivel de paciente y procedimiento muestran hallazgos más heterogéneos, lo que subraya la necesidad de una interpretación cautelosa 31,32,33. La investigación en horas de servicio, incluyendo iCOMPARE y ensayos aleatorizados relacionados, muestra que el sueño, los traspasos, la carga de trabajo, la seguridad del paciente y los resultados educativos son interdependientes y no reducibles a una única variablede programación 34,35,36,37,38.
La variabilidad del rendimiento dependiente del estado suele ser transitoria, situacional y difícil de captar utilizando herramientas convencionales de evaluación basadas en el lugar de trabajo. Un episodio de bajo rendimiento tras un turno de noche puede reflejar una necesidad de aprendizaje duradera, una pérdida de fatiga transitoria, una carga de trabajo excesiva, una supervisión inadecuada o una combinación de estos factores. Se ha propuesto la monitorización neurofisiológica como un enfoque complementario para caracterizar el estado cognitivo durante el aprendizaje y la práctica. La electroencefalografía (EEG) puede capturar respuestas oscilatorias neuronales rápidas y relacionadas con eventos, mientras que la espectroscopía funcional en infrarrojo cercano (fNIRS) puede rastrear cambios hemodinámicos corticales, especialmente en regiones prefrontales implicadas en el control ejecutivo. Estas modalidades pueden proporcionar indicadores contextuales de carga de trabajo, vigilancia y fatiga. Sin embargo, no deben interpretarse como medidas validadas de competencia ni utilizarse como desencadenantes directos para decisiones de supervisión o encargos.
Esta revisión narrativa y perspectiva sintetiza la evidencia que vincula la privación de sueño y la fatiga de decisión con el rendimiento clínico, resume características del EEG y el fNIRS relevantes para la fatiga y la carga cognitiva, y propone un marco CBME-BCI-Fatiga. El objetivo no es presentar un sistema de evaluación establecido, sino aclarar una agenda de investigación para la interpretación consciente del estado sobre el rendimiento de los alumnos en entornos médicos vulnerables al sueño. La Figura 1 presenta el marco propuesto, ilustrando cómo los moduladores de rendimiento dependientes del estado, la monitorización neurofisiológica y multimodal, la interpretación basada en competencias, la integración de datos apoyada por IA y la retroalimentación adaptativa pueden estar vinculados en futuras investigaciones médicas conscientes de la fatiga.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Enfoque de búsqueda
Este artículo se desarrolló como una revisión narrativa y perspectiva, más que como una revisión sistemática, una revisión de alcance o un metaanálisis. Buscamos en PubMed, PsycINFO, Web of Science Core Collection y ERIC desde el inicio de la base de datos hasta el 31 de diciembre de 2025. Los términos de búsqueda combinaban conceptos relacionados con la privación de sueño, la restricción del sueño, la fatiga, la fatiga de decisión, el rendimiento clínico, la educación médica basada en competencias (CBME), la carga de trabajo cognitiva, la electroencefalografía (EEG), la espectroscopía funcional en el infrarrojo cercano (fNIRS), las interfaces cerebro-ordenador (BCIs) y la formación médica. También se realizó una actualización dirigida para incorporar la literatura reciente de fNIRS relevante para el monitoreo del sueño y la fatiga.
Se seleccionaron fuentes y priorizaron cuando informaron directamente una de cuatro áreas: cambios relacionados con el sueño o la fatiga en el rendimiento neurocognitivo y clínico; Marcadores derivados de EEG o fNIRS de fatiga, carga de trabajo, vigilancia o vulnerabilidad relacionada con el sueño; trabajo conceptual o aplicado relevante para integrar información del estado fisiológico en el CBME; y cuestiones éticas o de implementación relevantes para el uso educativo. No se seleccionaron fuentes para proporcionar una cobertura exhaustiva de toda la literatura sobre sueño, BCI o neurotecnología. No priorizamos estudios que fueran principalmente artículos básicos de neurociencia, ingeniería de dispositivos o neuromodulación terapéutica a menos que informaran directamente la interpretación consciente de la fatiga sobre el rendimiento de los becarios. No se realizó ninguna evaluación formal de riesgo de sesgo ni agrupación metaanalítica; Los hallazgos se sintetizaron de forma descriptiva y crítica para apoyar un marco conceptual de perspectiva generador de hipótesis.
Contribución de la novela y público objetivo
La novedad de esta revisión radica en conectar varios cuerpos de literatura relacionados pero a menudo discutidos por separado—fatiga de residentes, privación de sueño, fatiga de decisión, carga de trabajo cognitivo, monitorización neurofisiológica y evaluación CBME—en torno a un problema educativo específico: cómo los educadores deben interpretar el rendimiento clínico observado cuando el estado cognitivo de un becario puede verse temporalmente alterado por la pérdida de sueño, la fatiga de decisión, O carga de trabajo. El público objetivo son educadores médicos, clínicos-educadores, directores de programas e investigadores interesados en la interpretación consciente de la fatiga sobre el rendimiento de los becarios. El marco propuesto CBME-BCI-Fatiga está destinado a organizar futuras preguntas de investigación y aclarar los requisitos de validación, no a validar un sistema operativo de monitorización ni a apoyar decisiones actuales de evaluación de alto riesgo.
Competencia como rendimiento dinámico en CBME
La justificación original del CBME no era simplemente crear nuevos formularios de evaluación, sino alinear la educación médica con las necesidades de los pacientes y los sistemas sanitarios. La CBME enfatiza la progresión basada en la competencia, trayectorias de aprendizaje individualizadas y evidencia de que los estudiantes pueden realizar actividades clínicas significativas con supervisiónadecuada 5,6. Los marcos de competencias nacionales y regionales, incluidos los marcos de competencias de residencia basados en China y las discusiones sobre desarrollo de talento i-FIRST, proporcionan un lenguaje estructurado para el diseño curricular, el desarrollo del alumnado y la rendición de cuentas educativa 7,8. Al mismo tiempo, la literatura sobre la implementación de la CBME señala preocupaciones persistentes sobre la viabilidad, el desarrollo del profesorado, la carga de evaluación y el riesgo de reducir la práctica profesional compleja para hacer una lista decomportamientos 9,10.
Las EPAs y las decisiones de encargo han sido especialmente influyentes porque relacionan la evaluación con la cuestión clínica de cuánta supervisión necesita un aprendiz para una actividad profesionaldefinida 11,12,13,14. La implementación de la EPA también destaca que la confianza es un juicio sobre el aprendiz, una tarea, un contexto y un nivel de supervisión; No es simplemente un rasgo fijo incrustado en elaprendiz 15. De manera similar, las curvas de aprendizaje y la analítica pueden ayudar a los educadores a identificar trayectorias a lo largo del tiempo en lugar de sobreinterpretar puntos de datosindividuales 16,17. La educación de precisión, los pasaportes educativos, los entornos de aprendizaje orientados al dominio y el coaching refuerzan aún más la idea de que la evaluación debe apoyar el desarrollo, la retroalimentación y el apoyoadaptativo 18,19,20,21.
Una perspectiva dependiente del estado extiende esta lógica. Si un aprendiz rinde mal tras una vigilia prolongada o un cambio cognitivamente intenso, la cuestión de evaluación no es solo si carece de competencia. También es cuestión de si el comportamiento observado refleja vulnerabilidad relacionada con la fatiga, carga excesiva de trabajo, mala supervisión, diseño del sistema o una descoordinación entre las demandas de la tarea y el estado cognitivo. Una brecha de competencia estable puede requerir práctica y entrenamiento deliberados; Una falla relacionada con la fatiga puede requerir planificación de recuperación, rediseño de la carga de trabajo, ajuste de supervisión o intervención a nivel de horario. Por tanto, la evaluación consciente del Estado no redefine la competencia. Más bien, mejora el contexto en el que se interpretan los datos de rendimiento y reduce el riesgo de clasificar erróneamente la discapacidad transitoria como incapacidad duradera.
Privación de sueño, alteración circadiana y fatiga de decisión
La privación de sueño y la fatiga son factores generalizados pero poco valorados del rendimiento médico. En la formación clínica, los turnos de larga duración, el trabajo nocturno, la carga de trabajo impredecible y los frecuentes traspasos exponen a los alumnos a condiciones que pueden degradar la alerta y la toma de decisiones. Los estudios sobre el sueño y el bienestar de los médicos han relacionado con el sueño y el agotamiento con errores médicos clínicamentesignificativos 23. Los desplazamientos de larga duración también se han asociado con un aumento de fallos de atención, errores médicos y eventosadversos 24. La fatiga y el malestar de los residentes pueden influir aún más en errores médicos autoreportados, lo que sugiere que el riesgo de rendimiento es en parte conductual, en parte cognitivo y en parte a nivelsistémico 25.
Los estudios observacionales y experimentales en médicos y médicos refuerzan esta preocupación. Los internos y residentes que trabajan turnos prolongados muestran una reducción de la oportunidad de sueño y patrones de alertaalterados 26. La reducción de las horas de trabajo de los internos en unidades de cuidados intensivos se asoció con menos errores médicos graves en un ensayo histórico27. Estudios quirúrgicos y procedimentales muestran que la privación de sueño puede afectar la destreza del simulador y el rendimiento en la gestión de crisis 28,29,30. Los estudios a nivel de paciente y procedimiento siguen siendo más heterogéneos y no deben simplificarseen exceso 31,32,33. Las diferencias entre especialidad, nivel de formación, complejidad de casos, supervisión, estructura del equipo y tipo de resultado pueden explicar por qué las disminuciones relacionadas con la fatiga son más claras para la vigilancia, el rendimiento simulado y las medidas de proceso que para los resultados posteriores de los pacientes.
Los ensayos de las horas de trabajo ilustran por qué la educación consciente de la fatiga no puede basarse únicamente en la duración del turno. El ensayo iCOMPARE encontró que las políticas flexibles de horario de trabajo no eran inferiores a las políticas estándar para resultados educativos seleccionados y de seguridaddel paciente 34,35. Los análisis de acompañantes informaron que el sueño y la alerta no empeoraron necesariamente bajo las reglas de horario flexiblede servicio 36. En contraste, un ensayo aleatorizado con horarios sin turnos de 24 horas mostró que eliminar los turnos prolongados no mejoró uniformemente la seguridad delpaciente 37. Un estudio relacionado sobre turnos de trabajo prolongados encontró efectos en el rendimiento neuroconductual en médicosresidentes 38. En conjunto, estos hallazgos muestran que la oportunidad de sueño, la carga de trabajo, la continuidad, los traspasos y la supervisión interactúan de manera compleja.
La literatura más amplia sobre ciencia del sueño proporciona un contexto mecanicista. La interrupción del sueño afecta la atención sostenida, la memoria de trabajo, la inhibición de respuestas, la regulación emocional y el rendimiento en tareascomplejas 39,40,41,42. Los horarios de sueño irregulares o inestables también pueden afectar a los resultados académicos y cognitivos, lo que sugiere que la estabilidad del sueño es importante además de la duración delsueño 43,44. La restricción crónica del sueño con la recuperación de fin de semana puede dejar efectos residuales en el rendimiento y el bienestar45. En la educación médica, estos hallazgos son importantes porque las evaluaciones de formación suelen realizarse durante la vigilia, pero rara vez documentan el estado del aprendiz en el que se expresa el rendimiento.
La fatiga de decisión añade un mecanismo relacionado pero distinto. Se refiere a un deterioro de la calidad de la decisión tras elecciones repetidas o esfuerzadas, especialmente cuando las decisiones requieren autocontrol, gestión de la incertidumbre o compensaciones de valor46. Las decisiones clínicas suelen implicar triaje, prescripción, escalada de atención, documentación y entregas bajo presión de tiempo. Investigaciones recientes sobre la prescripción sugieren que el tiempo dedicado a la tarea y las exigencias acumuladas de decisión pueden afectar las eleccionesclínicas 47. La fatiga por los turnos nocturnos también puede alterar los patrones de búsqueda y el rendimiento diagnóstico enradiología 48. Sin embargo, la fatiga de decisión debe interpretarse con cautela porque la literatura es metodológicamente heterogénea y los efectos pueden variar según las tareas, los entornos y los clínicos.
Marcadores EEG y fNIRS de fatiga y carga cognitiva
El EEG se ha utilizado ampliamente para estudiar la vigilancia, la presión del sueño, la fatiga y la carga mental de trabajo. En estudios médicos, el EEG cuantitativo tras un turno nocturno de guardia ha mostrado cambios en la actividad theta, alfa y beta consistentes con fatigamental 49,50. Estos estudios son importantes porque acercan la evaluación neurofisiológica al trabajo clínico real, en lugar de basarse únicamente en paradigmas de privación de sueño en laboratorio. Sin embargo, siguen siendo observacionales y no pueden establecer por sí solos que el EEG pueda determinar si un becario está preparado para realizar una tarea clínica concreta.
La interpretación a nivel de características del EEG es más amplia que los cambios comúnmente citados en theta o alfa/beta. Los estudios de carga de trabajo del EEG frontal apoyan el uso de patrones espectrales y regionales para la estimación de la cargade trabajo 51. Los estudios EEG de privación de sueño han examinado los cambios en la actividad espectral tras la pérdidade sueño 52. La banda theta también tiene una doble interpretación: puede reflejar la presión del sueño, pero también puede participar en el control cognitivo, un punto que complica la clasificación simple defatiga 53. Estudios de monitorización de memoria de trabajo en tiempo real y trabajos de clasificación de estados de controlador muestran además cómo las características EEG pueden incrustarse en pipelines de estilo BCI, pero estas pipelines siguen siendo sensibles al diseño de tareas, preprocesamiento y variabilidad individual54,55. Los estudios de fiabilidad y los trabajos de validación neuroergonómica enfatizan que la configuración de electrodos, las elecciones de preprocesamiento, las métricas subjetivas y el diseño de tareas influyen en los índices de cargade trabajo 56,57. Trabajos más recientes de predicción de carga cognitiva multinivel sugieren que combinar firmas espaciales, temporales y espectrales puede mejorar la clasificación58.
La espectroscopía funcional en infrarrojo cercano fNIRS proporciona información complementaria midiendo cambios hemodinámicos, incluyendo hemoglobina oxigenada, hemoglobina desoxigenada y hemoglobina total. La literatura de fNIRS sobre fatiga y privación de sueño respalda su relevancia para medir correlatos corticales del esfuerzo cognitivo, la reducción de la alerta y los cambiossociocognitivos 59. Las revisiones de fNIRS centradas en el sueño muestran además cómo las señales hemodinámicas ópticas pueden contribuir a la investigación del sueño y la detección defatiga 60. Un estudio reciente de 2026 sobre biomarcadores fNIRS en banda cardíaca para diferenciación del sueño no rápida por movimientos oculares con validación EEG ilustra el creciente interés en las características del dominio de la frecuencia y de la banda cardíaca más allá de la simple amplitudHbO 61. En conjunto, esta literatura apoya una discusión a nivel de características que incluye HbO, HbR, HbT, respuestas en el dominio del tiempo, conectividad y biomarcadores en el dominio de la frecuencia.
Los estudios de fNIRS prefrontal son especialmente relevantes porque el control ejecutivo, la inhibición de la respuesta y la regulación de la carga de trabajo dependen en gran medida de los sistemas frontales. La privación de sueño se ha asociado con una conectividad funcional alterada relacionada con tareas en la cortezafrontal 62. Trabajos relacionados han encontrado pérdida de conectividad funcional frontal tras la privación de sueño63. Los estudios en adultos jóvenes con poco sueño también sugieren que las respuestas hemodinámicas prefrontales pueden variar con el comportamiento del sueño y la actividadfísica 64. El fNIRS portátil se ha utilizado para la detección automática de fatiga cognitiva con aprendizajeautomático 65. Los sistemas híbridos EEG-fNIRS pueden mejorar la clasificación de la carga de trabajo integrando la conectividad funcional cerebral y las propiedades de señalcomplementaria 66,67. En conjunto, estos estudios apoyan el uso del EEG y el fNIRS como herramientas de investigación y como indicadores contextuales candidatos, pero aún no como medidas validadas de preparación en la formación médica.
Por tanto, la Tabla 1 pretende ser un mapa a nivel de característica en lugar de una jerarquía de biomarcadores validados. Distingue las características espectrales, relacionadas con eventos, temporales y de conectividad del EEG de las características basadas en amplitud, en el dominio temporal, conectividad y en el dominio de la frecuencia o en banda cardíaca. Esta distinción es importante porque cada familia de características captura diferentes dimensiones del constructo de carga de trabajo de fatiga y conlleva distintos riesgos de artefacto e interpretación. Por ejemplo, una mayor relación theta/alfa, una reducción de la amplitud P300 o una HbO prefrontal más baja pueden ser compatibles con la fatiga, pero también pueden reflejar la dificultad de la tarea, el esfuerzo compensatorio, el estrés, la configuración del sensor o diferencias basales individuales. La tabla está destinada a apoyar el diseño de estudios, la alineación de construcción y la interpretación cautelosa, no para definir umbrales operativos de competencia, confianza o preparación clínica.
BCI, fusión multimodal y aplicaciones educativas
Los BCIs no invasivos y las tecnologías neurofisiológicas portátiles se han expandido rápidamente en los ámbitos médico, de ingeniería y educativos. Las revisiones de dispositivos BCI portátiles basados en EEG destacan los avances en portabilidad y aplicacionesmédicas 68. Revisiones más amplias y de vanguardia enfatizan que los sistemas BCI no invasivos están mejorando, pero aún enfrentan limitaciones en calidad de señal, usabilidad, calibración yrobustez 69,70,71,72. Estas limitaciones son importantes para la educación médica porque una herramienta educativa debe ser no solo precisa en un entorno controlado, sino también factible, aceptable, interpretable y alineada con los conceptos educativos.
Las aplicaciones educativas más defendibles son la simulación, la investigación y la retroalimentación de bajo riesgo. El entrenamiento laparoscópico en VR puede sincronizar los datos de rendimiento con señales relacionadas con la carga de trabajo para estudiar cómo la demanda cognitiva se relaciona con el aprendizajeprocedimental 73. Las tareas neuroquirúrgicas simuladas han utilizado IA y EEG para distinguir niveles de experiencia, sugiriendo una vía para estudiar la adquisición de habilidades en lugar de reemplazar el juiciodel profesorado 74. Los entornos de juegos serios y de realidad mixta han utilizado análisis de biosensores para estimar el compromisoafectivo 75. Los sistemas pasivos de BCI que adaptan la velocidad de aprendizaje a la carga cognitiva ilustran cómo la retroalimentación sensible al estado podría funcionar en contextos educativos de menor riesgo76. El trabajo de detección ambulatoria del sueño muestra cómo los datos de series temporales multimodales pueden soportar la monitorización longitudinal fuera dellaboratorio 77. Estos ejemplos se interpretan mejor como pruebas de apoyo o pruebas de concepto, no como validación para decisiones de encomiendo o remediación de alto riesgo.
Los estudios de staging del sueño asistido por IA muestran cómo los métodos de aprendizaje automático pueden clasificar series temporales fisiológicasrelacionadas con el sueño 78,79,80. La reactivación dirigida de la memoria, la neuromodulación portátil, las intervenciones contra la fatiga y los sistemas inalámbricos de fNIRS ilustran aún más cómo las señales fisiológicas pueden ser rastreadas o utilizadas en arquitecturas de retroalimentaciónadaptativa 81,82,83,84,85. Estos estudios son técnicamente informativos, pero su relevancia educativa directa es limitada salvo que estén vinculados al rendimiento diurno, el momento de retroalimentación, las decisiones de supervisión o el apoyo al alumno en contextos formativos. Por tanto, deben interpretarse como puentes metodológicos más que como evidencia de que la evaluación consciente de la fatiga dentro del CBME está lista para su uso rutinario.
La traducción en el lugar de trabajo requiere mayor precaución que la simulación. Los entornos clínicos auténticos introducen artefactos de movimiento, interrupciones, estrés emocional, exigencias de trabajo en equipo, agudeza del paciente, objetivos variables de tareas y dinámicas de poder implícitas entre alumnos y supervisores. Por tanto, los datos fisiológicos en la evaluación en el lugar de trabajo deben ser voluntarios, de bajo riesgo y contextuales. Las aplicaciones razonables incluyen el mapeo agregado de riesgo de fatiga, la evaluación de horarios, el informe de simulación o la retroalimentación controlada por el alumno. Las aplicaciones irrazonables incluirían el uso de EEG, fNIRS o umbrales multimodales como evidencia independiente para la confianza, promoción, remediación o sanción.
Evidencia establecida frente a extensiones conceptuales
Una distinción central en esta revisión es entre la evidencia establecida y la extensión conceptual. La evidencia establecida indica que la privación de sueño, la interrupción circadiana, la vigilia prolongada y la fatiga afectan los dominios neurocognitivos que importan para el trabajoclínico 23,24,25,26,27. El trabajo metaanalítico y experimental apoya además los efectos sobre la atención, el control ejecutivo, la regulación del estado de ánimo y el desempeño de tareascomplejas 39,40,41,42. Los estudios médicos y procedimentales indican que la fatiga puede afectar al riesgo de error, la búsqueda diagnóstica, la gestión de crisis y el rendimiento técnico 28,29,30,48. Sin embargo, los estudios a nivel de procedimiento y de resultados también muestran heterogeneidad, lo que argumenta en contra de la interpretación sencilla uno a uno de la fatiga y el dañoclínico 31,32,33. Los ensayos sobre horas de trabajo demuestran que la política consciente de la fatiga debe considerar el diseño de las horas de trabajo junto con la oportunidad de sueño, la carga de trabajo, los traspasos, la continuidad y las consecuenciaseducativas 34,35,36,37,38. Los estudios EEG en médicos y paradigmas de carga de trabajo apoyan la sensibilidad neuronal a la fatiga y la cargacognitiva 49,50,51, mientras que los estudios fNIRS, vestibles e híbridos EEG-fNIRS proporcionan evidencia hemodinámica complementaria y multimodal 59,60,61,62,63,64,65,66, 67.
La extensión conceptual es la propuesta de que los indicadores del estado fisiológico podrían ayudar a contextualizar el rendimiento de los alumnos dentro de la CBME. Esta extensión es plausible pero no está validada. La evidencia de que la pérdida de sueño modifica la actividad neuronal no implica automáticamente que la monitorización en tiempo real pueda generar decisiones de supervisión o educativas accionables. Actualmente, no se ha demostrado que un patrón generalizable en tiempo real de actividad neural o hemodinámica identifique de forma fiable la inestabilidad cognitiva o la preparación clínica entre individuos, tareas, especialidades y entornos operativos. El mismo patrón fisiológico puede reflejar fatiga, esfuerzo cognitivo, ansiedad, motivación, dificultad en la tarea, compromiso compensatorio, artefacto sensorial, estrés ambiental o diferencias basales individuales.
Por tanto, el marco CBME-BCI-Fatiga debe interpretarse como un modelo de investigación en lugar de un sistema de evaluación implementado. Su propósito es aclarar cómo podrían estudiarse conjuntamente los moduladores dependientes del estado, la monitorización fisiológica y conductual, y la interpretación basada en competencias del rendimiento observado. En simulación u otros entornos de investigación de bajo riesgo, se pueden recopilar características de EEG o fNIRS junto con errores de tarea, tiempo de respuesta, calificaciones de carga de trabajo, historial de sueño, pruebas de vigilancia psicomotora y retroalimentación del supervisor para comprobar si los indicadores de estado ayudan a explicar la variabilidad del rendimiento. En contextos de evaluación laboral, los datos fisiológicos requieren aún más precaución. En la base de evidencia actual, estos datos pueden ser más apropiados para la investigación agregada sobre riesgo de fatiga, el diseño de horarios o el apoyo voluntario al alumno. No deben utilizarse como base independiente para encargos, promociones, remediaciones o decisiones disciplinarias. La Tabla 2 resume estas distinciones separando la evidencia establecida, las extensiones conceptuales, los requisitos de validación y las referencias representativas de apoyo dentro del marco CBME-BCI-Fatiga.
Construir validez, valor incremental, líneas base individuales y gobernanza
La validez de los constructos es el principal desafío metodológico para el monitoreo neurofisiológico consciente de la fatiga. Las señales EEG y fNIRS no son específicas de fatiga o preparación; También pueden reflejar dificultad en la tarea, ansiedad, motivación, esfuerzo cognitivo, compromiso compensatorio, estrés ambiental, artefactos sensores o diferencias basales individuales. Por tanto, los estudios futuros deberían predefinir el constructo educativo que se mide, especificar la relación esperada entre el estado fisiológico y el rendimiento, y triangular las señales fisiológicas con datos conductuales, contextuales y educativos, en lugar de interpretar una sola señal como un marcador directo de competencia.
También debe demostrarse el valor incremental. El monitoreo EEG/fNIRS debe evaluarse frente a comparadores más simples y viables, incluyendo registros de sueño, actigrafía, pruebas de vigilancia psicomotora, cribado cognitivo breve, valoraciones de carga de trabajo, telemetría de rendimiento y observación experta. Un enfoque neurofisiológico solo estaría justificado si mejora la explicación, la predicción, el momento de retroalimentación o el apoyo al alumno más allá de estas medidas. Sin tales evidencias, la monitorización multimodal puede añadir complejidad sin mejorar la toma de decisiones educativas.
La modelización individual de la línea base es esencial. La variación interindividual en la actividad neuronal, la vulnerabilidad al sueño, el cronotipo, la respuesta al estrés, la experiencia clínica y el ajuste del sensor limita el valor de los umbrales universales. Una línea base específica para el aprendiz puede ayudar a distinguir desviaciones inusuales relacionadas con la fatiga respecto a la variación fisiológica normal, pero esto requiere mediciones repetidas, colocación fiable de sensores, anclajes estandarizados para tareas y modelos analíticos transparentes. El aprendizaje automático puede ayudar a integrar señales multimodales, pero no puede resolver constructos inválidos, datos sesgados, mala calidad de señal ni supuestos causales poco claros. La adaptación al dominio, los algoritmos que preservan la privacidad y el modelado generativo pueden reducir parte de la carga de calibración, pero requieren una validación más amplia antes de usarse para apoyar decisioneseducativas 86,87.
Las barreras técnicas y ecológicas siguen siendo considerables. El EEG es vulnerable a artefactos de movimiento, impedancia de electrodos, ruido ambiental, dependencia del montaje y opciones de preprocesamiento. El fNIRS se ve afectado por la colocación de optodos, el flujo sanguíneo del cuero cabelludo, el movimiento, el cabello, la penetración limitada en profundidad y la menor resolución temporal. Los sistemas portátiles están mejorando, incluyendo dispositivos fNIRS inalámbricos compactos para monitorización de la actividadcognitiva 85, pero la comodidad y la viabilidad no establecen la validez educativa. El despliegue también requiere una configuración compatible con el flujo de trabajo, informes interpretables, seguridad de datos y aceptación por parte del usuario final. Los estudios de aceptación social nos recuerdan que la confianza del usuario y el propósito percibido son centrales para la adopción88.
La gobernanza ética debe tratarse como una condición límite del marco en lugar de una idea secundaria. Los datos neurofisiológicos pueden revelar o implicar información sobre fatiga, atención, emociones o estado de salud. El desarrollo responsable de la neurotecnología requiere limitación de propósitos, minimización de datos, almacenamiento seguro, transparencia, controles de acceso y una atención cuidadosa a la autonomía y el consentimiento89,90. Los sistemas BCI en red también plantean preocupaciones de ciberseguridad, especialmente si los resultados decodificados influyen en retroalimentación, oportunidades de formación o decisiones relevantes para laseguridad 91. En la educación, los estudiantes pueden sentir presión implícita para participar, y las métricas fisiológicas podrían amplificar involuntariamente el sesgo si los modelos funcionan de forma desigual entre poblaciones o contextos. La investigación futura debería priorizar la participación voluntaria cuando sea posible, una clara separación entre retroalimentación de apoyo y juicio de alto riesgo, mecanismos de apelación y una gobernanza informada por los interesados.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
La privación de sueño y la fatiga de decisión son contribuyentes establecidos a la variabilidad dependiente del estado en la atención, el control ejecutivo, el rendimiento psicomotor y la toma de decisiones clínicas. En la formación médica, estas fluctuaciones pueden complicar la interpretación de la competencia observada, especialmente en entornos de alta demanda como la medicina de urgencias, cuidados críticos, anestesia y cirugía. Por tanto, la educación médica basada en competencias ...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Los autores declaran no haber conflicto de intereses.
Los autores agradecen mucho a los colegas del Departamento de Medicina de Cuidados Críticos y del Departamento de Educación de nuestra institución por su apoyo y sus debates durante la preparación de esta revisión. Este trabajo fue apoyado por el Proyecto General de Investigación Científica del Departamento de Educación de la Provincia de Zhejiang (Subvención nº Y202557476).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.