El curso «Inteligencia artificial en la Educación Médica 2026: usos en la educación de las profesiones de la salud» ofrece un recorrido claro, práctico y basado en evidencia para integrar la Inteligencia Artificial en la formación y la práctica clínica de manera segura, ética y pedagógicamente sólida. Está diseñado para quienes desean mejorar la enseñanza, fortalecer la evaluación, enriquecer la supervisión y liderar innovaciones educativas en un entorno donde la inteligencia humana y la inteligencia artificial se complementan para mejorar el aprendizaje y el cuidado.
Organizado por la Red de Educación Médica Continua en Iberoamérica (redEMC), en asociación con la Universidad del Hospital Italiano de Buenos Aires y con el liderazgo académico a cargo de los Dres. Melchor Sánchez Mendiola (México), Roberta Ladenheim (Argentina), Analía Baum (Argentina) y Juan José Beunza (España), el curso está dirigido a educadores clínicos, docentes de ciencias de la salud, jefes de servicio, coordinadores académicos, tutores, residentes con roles docentes y profesionales de la salud interesados en incorporar Inteligencia Artificial en la enseñanza, la evaluación y la práctica clínica.
Su desarrollo será:
- del 23 de abril al 17 de junio de 2026,
- de manera online y asincrónico,
- contando con tutoría docente,
- con el uso de Foros de intercambio,
- con Certificado incluido, y
- duración de 40 horas de estudio
- implica pago
Los temas diseñados de manera curricular son:
Fundamentos de Inteligencia Artificial para educadores clínicos:
- Qué es y qué no es Inteligencia Artificial; Clásica vs. Generativa (LLMs, RAG, agentes).
- Capacidades y límites: alucinaciones, veracidad, trazabilidad, explicabilidad.
- “Human-in-the-loop” (participación humana) y toma de decisiones clínicas/educativas.
Herramientas de Inteligencia Artificial:
- Herramientas de Inteligencia Artificial disponibles.
Diseño instruccional con Inteligencia Artificial:
- Alineamiento: objetivos → actividades → evaluación.
- Ingeniería de prompts orientada a docencia clínica.
- Creación de materiales: casos, viñetas, guías de discusión, bancos de preguntas, escenarios de simulación, mapas conceptuales.
- Aprendizaje colaborativo con Inteligencia Artificial.
Tutoría y retroalimentación con Inteligencia Artificial:
- Inteligencia Artificial como co-tutor: feedback específico, andamiaje, metacognición y reflexión.
- Diseños para promover pensamiento crítico y evitar respuestas superficiales (desirable difficulties, compare-and-contrast, contra-argumentos).
- Estrategias para reducir dependencia y “comodidad cognitiva”.
Evaluación del aprendizaje y de la competencia:
- Blueprinting, calidad de ítems, análisis psicométrico básico.
- Cuándo usar Inteligencia Artificial para generar/depurar reactivos; controles de sesgo y de contaminación.
- Evaluación del razonamiento clínico (script concordance, explicaciones), OSCE/mini-CEX asistidos por IA (rubricación y notas cualitativas).
- Establecimiento de estándares (Angoff/Hofstee): ventajas, riesgos y salvaguardas cuando se usa IA.
- Integridad académica: límites de detectores, transparencia y declaración de uso.
Aplicación de Inteligencia Artificial en la práctica clínica:
- Aplicaciones en diagnóstico, terapéutica y pronóstico.
- Expediente clínico electrónico, notas médicas.
- Educación médica de precisión.
- Uso de IA por pacientes y familiares.
Investigación clínica con Inteligencia Artificial:
- Búsqueda de literatura, evaluación crítica de artículos.
- Diseño de investigación, análisis y visualización de datos con Inteligencia Artificial.
- Publicación académica con Inteligencia Artificial.
Ética, equidad y aspectos legales:
- Sesgos y justicia algorítmica en contextos latinoamericanos.
- Privacidad y datos sensibles en clínica; principios de gobernanza de datos.
- Propiedad intelectual, citación del uso de Inteligencia Artificial, licencias abiertas, derechos de imagen/voz.
- Lineamientos institucionales: de la prohibición a la regulación.
Gestión del cambio y liderazgo académico:
- Estrategias de adopción docente (p. ej., Kotter simplificado, comunidades de práctica).
- Capacitación escalable, soporte y evaluación de impacto (Moore/Kirkpatrick/RE-AIM).
- Elaboración de una política local de uso de Inteligencia Artificial para una asignatura o programa.