Espacio editorial virtual

2024 - Volumen 4 Octubre - Diciembre

La importancia de la formación y docencia en medicina: pregrado y posgrado

La medicina, como disciplina fundamental para la salud y el bienestar de la sociedad, exige una formación académica rigurosa y continua, tanto en la etapa de pregrado como en el posgrado. Ambas fases de la educación médica son pilares esenciales en la construcción de profesionales capacitados para enfrentar los desafíos que plantea la atención sanitaria moderna. El esfuerzo para sostener esta formación de calidad recae en gran medida sobre profesores, la mayoría compaginan actividad clínica y docente, y médicos adjuntos, lo que exige una alta dedicación y organización.

La etapa de pregrado es el primer contacto formal de los estudiantes con la medicina y juega un papel crucial en la adquisición de los conocimientos fundamentales, las habilidades clínicas básicas y el desarrollo de la ética profesional. La docencia en este nivel no solo debe enfocarse en la transferencia de conocimientos teóricos, sino que actualmente también se recalca la importancia de la formación de competencias prácticas y de la investigación fomentando la curiosidad científica y el pensamiento crítico.

El posgrado en medicina representa la etapa de especialización y perfeccionamiento de los conocimientos adquiridos en pregrado. Es en esta fase donde los médicos profundizan en áreas específicas de la medicina y desarrollan competencias avanzadas que les permitirán enfrentarse de manera efectiva a las complejidades de su especialidad.

El papel del médico adjunto en la formación de los residentes es igualmente crucial y representa un esfuerzo considerable. Los adjuntos no solo son responsables de la atención de sus pacientes, sino que también deben dedicar tiempo a la enseñanza y supervisión de los residentes. En esta etapa, se fomenta el liderazgo clínico y la capacidad de trabajar en equipos multidisciplinarios, competencias esenciales en la medicina moderna. A su vez los médicos responsables de la formación deben de proporcionar estrategias de trabajo que busquen no solo mejorar la capacidad de los residentes médicos para afrontar entornos complejos y emocionalmente desafiantes, sino que también para proteger su salud mental a lo largo de su carrera profesional.

La docencia en medicina, tanto en pregrado como en posgrado, es crucial para garantizar que los futuros médicos estén preparados para enfrentar los retos de la atención sanitaria. Sin embargo, como he referido anteriormente, este proceso formativo está marcado por un esfuerzo constante de los docentes y médicos adjuntos, quienes deben equilibrar sus responsabilidades clínicas con su labor educativa.

Abordar las sobrecargas laborales y los desequilibrios en la participación docente es fundamental para mejorar la calidad de la educación médica y, en última instancia, la atención a los pacientes.

El equilibrio entre teoría y práctica, el acceso equitativo a recursos de calidad, y la promoción del bienestar de los estudiantes, residentes, médicos adjuntos y profesores son factores clave para fortalecer la educación médica en todos sus niveles.

 

Aprovecho esta reflexión para anunciar que el Doctor Salvador Pedraza, editor de la sección de FOrmación en RAdiología del Espacio Editorial Virtual desde que inicio su camino como Revista Virtual, ha decidido enfocar su esfuerzo en nuevos proyectos y ceder su puesto para que otro editor pueda continuar con la labor que tan bien ha desempeñado en estos últimos cuatro años. Gracias desde el EEV.

 

En este número, la carta reflexiva viene de la mano de la Dra. Cristina Romero Castellano, Jefe de Sección de la Unidad de Radiodiagnóstico del Hospital Virgen de la Salud de Toledo.

 

 

M. Luisa Nieto Morales.

Editora Jefe del Espacio Editorial Virtual(EEV).

 

INTELIGENCIA ARTIFICIAL GENERATIVA: AMENAZA O INCREIBLE OPORTUNIDAD

Durante estos últimos años, en no pocas ocasiones, hemos sido testigos de la percepción de amenaza que supone la llegada de la Inteligencia Artificial generativa, como posible “competidor” en el desempeño de nuestra actividad radiológica . Sin embargo, si nos sumergimos  en el mundo de la inteligencia artificial generativa aplicada  a la salud, nos embarcamos en un viaje hacia el  futuro de La Radiología pero también del resto de las especialidades médicas, donde la innovación y el cuidado de la persona convergen para ofrecer una atención más personalizada con el reto de mejorar nuestros resultados en Salud.

El camino recorrido es largo y conviene aclarar conceptos básicos como que la Inteligencia Artificial (IA) es un campo de la ciencia que se focaliza  en crear sistemas que puedan realizar tareas por parte de las máquinas  que normalmente requieren inteligencia humana. El machine learning (ML) es un subconjunto de IA que utiliza algoritmos para buscar patrones en los datos a fin de crear automáticamente modelos lógicos. Requiere por tanto una actuación humana  para el entrenamiento de la máquina  mediante dichos algoritmos.  El deep learning (DL) es un subconjunto de ML compuesto por redes neuronales multicapa que pasan de tareas sencillas a otras más complejas  para llegar a ser capaces, por ejemplo,  de reconocer  imágenes o voces  y  su característica es que funciona sin intervención humana (training). Por su parte la tan mencionada  inteligencia artificial generativa (genAI) funciona con modelos grandes que están pre-entrenados en grandes corpus de datos y, por lo general, se denominan modelos fundacionales (FM). Entre sus propiedades  la IA generativa puede producir varios tipos de contenido, incluido texto, audio, imágenes y datos sintéticos.

La inteligencia artificial generativa  por tanto, va mucho más allá de las capacidades de análisis de datos  y machine learning tradicional y  sin duda  tenemos que admitir que la inteligencia artificial generativa va a transformar  radicalmente la forma en que los radiólogos abordamos  los desafíos más complejos a los que nos enfrentamos.

Las personas caminamos con miles de datos cada día, simplemente el código postal donde vivimos puede tener impacto en que desarrollemos una u otra enfermedad crónica. Se estima que el crecimiento de datos de salud se duplica cada dos años.  El dato por tanto es el nuevo petróleo y su estructuración, custodia y uso va a ser el primero de los retos. 

¿Pero,  en qué consiste realmente este impacto de la AI generativa en nuestra especialidad y  del que tanto se habla?

  1. 1. Transforma la documentación clínica: muchos radiólogos dedican el doble de tiempo a tareas administrativas versus tiempo con sus pacientes o estudios a realizar, siendo esta una de las causas predominantes en el síndrome del “burnout”. La inteligencia artificial generativa puede disminuir los tiempos de documentación mediante tecnología de escucha ambiente, que permitan la transcripción y generación de informes o gestores de peticiones que ordenen y prioricen nuestros informes por hallazgos detectados en los  estudios, agilizando demoras de informes y por tanto los tratamientos correspondientes.
  2. Permite la detección y diagnóstico temprano  acelerando así  los tratamientos. La inteligencia artificial generativa puede escanear volúmenes masivos de información visual, incluyendo radiografías,  TAC  y resonancias magnéticas, y ayudando a encontrar patrones y anomalías. En este caso, su  uso la  convierte en un asistente del  radiólogo,  aumentando su conocimiento y exactitud. Parece claro entonces que pasamos a perfiles de profesionales mucho más complejos y entrenados en esta herramienta  y lo que se elimina no es el radiólogo sino su papel como “mero hacedor de informes”.
  3. Trabajar por una salud personalizada. Las historias clínicas electrónicas, así como otros dispositivos de salud proveen gran cantidad de datos como información genómica, estilo de vida…etc., que pueden ser asimilados con inteligencia artificial generativa, permitiendo a los radiólogos crear acciones personalizadas y específicas, así como planes de prevención, tratamiento y cuidados basados en la situación específica de la persona. De esto se está hablando mucho en el caso de las Campañas de Cribado de cáncer de mama. El objetivo es no aplicar la mamografía para todas por el único criterio de la edad,  sino indicar a cada mujer una tecnología y secuencia temporal acorde a su riesgo una vez identificados dichos patrones.
  4. Gestión: la IA puede mejorar la organización de los servicios de Radiología mediante la optimización de los recursos, la reducción de los costes o la mejora de  productividad de informes. Por ejemplo, la IA puede asignar  la carga de informes a los radiólogos o distribuir el personal en el  equipamiento sanitario de forma más eficiente, en función de la demanda, la disponibilidad o la urgencia.

Por otro lado, puede proporcionar  herramientas colaborativas y de productividad individual de los profesionales reduciendo  los errores, mediante el control de calidad, la auditoría o la trazabilidad de los procesos.

5  IA puede facilitar el acceso a la atención médica, especialmente en zonas remotas o desfavorecidas, mediante el uso de plataformas digitales, como la telemedicina, los chatbots o los asistentes virtuales, que permiten ofrecer consultas, diagnósticos o incluso tratamientos y cirugías a distancia.

6 Fomentar la investigación   ayudando  a facilitar el enlace entre potenciales ensayos clínicos y perfiles de pacientes concretos y abriendo nuevos campos por su capacidad computacional.

A partir de este análisis de las aplicaciones e impactos de la IA en la Radiología, se pueden extraer algunas recomendaciones y retos para el uso de la IA en el sector salud, que se orientan a maximizar los beneficios y minimizar los riesgos de la tecnología, y a garantizar su uso ético y responsable a saber:

  • Implicar a los profesionales, equipos directivos de hospitales y la sociedad en general, en  la implementación y la evaluación de los sistemas de IA, para asegurar que no se generan falsas expectativas y que  responden a las necesidades  y los valores de los  beneficiarios de la tecnología.
  • Garantizar la calidad y la seguridad de los datos  para evitar sesgos, errores o vulnerabilidades que puedan afectar  la fiabilidad de la tecnología  o la confidencialidad de los mismos.
  • Facilitar la transparencia y la trazabilidad tanto de los procesos  como de  los resultados de la IA, para permitir  la verificación y fomentar la confianza, la aceptación y el uso de la tecnología.
  • Establecer mecanismos de control de la IA para asegurar el cumplimiento de los estándares y la legislación europea que regulan el sector salud, y para prevenir y  detectar posibles problemas o  daños  que puedan derivarse del uso
  • Mejorar la formación y  la capacitación  de los profesionales de la salud y de los estudiantes de ingeniería en general, sobre las oportunidades, los desafíos y las implicaciones de la IA, para mejorar las competencias y  las habilidades  necesarias para el uso adecuado,  con sentido crítico y responsable de la  Inteligencia Artificial.  Probablemente sea necesario incluir formación de Bioética en las Facultades técnicas igual que ya se hace en Medicina

En conclusión, el viaje acompañado por la  inteligencia artificial generativa  que estamos comenzando,  requiere un ejercicio de innovación responsable e integración orientada a la acción por parte de TODOS los profesionales médicos. La protección de la persona (paciente) debe ser la máxima prioridad y este tipo de abordajes, para tener éxito,  requieren estar liderados clínica y operacionalmente, con un abordaje multidisciplinar y habilitado por la tecnología más avanzada y segura.

Es necesario formar a los equipos y a los profesionales para la gestión del cambio y, en mi humilde opinión,  para liderar este reto tecnológico entre los profesionales médicos en general    ¿quién mejor  que los radiólogos?

 

Cristina Romero Castellano
Jefe de Sección de la Unidad de Radiodiagnóstico del Hospital Virgen de la Salud de Toledo
Radiology: Cardiothoracic ImagingVol. 6, No. 4
Chelala L, Adegunsoye A, Strek M, Lee CT, Jablonski R, Husain AN, Udofia I, Chung JH.
Radiol Med. 2023 May;128(5):565-577.
Manganaro L, Ciulla S, Celli V, Ercolani G, Ninkova R, Miceli V, Cozzi A, Rizzo SM, Thomassin-Naggara I, Catalano C.
Japanese Journal of Radiology (2024) 42:500–507
Tatsuro Furui, Yoshifumi Noda, Fuminori Hyodo, Tatsuhiko Miyazaki, Masayuki Matsuo
J Mex Fed Radiol Imaging. 2024;3(2):82-92
Eduardo R. Cuvertino, Liliana Gelman, Mirta Miras-Miartus, Alejandra Geres, and Maria L. Cuvertino
Insights into Imaging (2024) 15:195
Zitan Saidi L, Moreira Cabrera M, Góngora Lencina T, Marín Morón F, Alarcón Rodríguez R, García González J.
Insights Imaging. 2024 Jan 17;15(1):14.
Crombé A, Dupont C, Casalonga F, Seux M, Favard N, Coulon A, Jurkovic T, Nivet H, Gorincour G.
Insights Imaging. 2024 Dec; 15: 166
Xu, S., Ma, Z., Zhang, J. et al. Quantitative assessment of preoperative brain development in pediatric congenital heart disease patients by synthetic MRI.
Insights Imaging. 2024 Aug 7;15(1):193.
Büttner L, Pick L, Jonczyk M, Fehrenbach U, Collettini F, Auer TA, Schnapauff D, De Bucourt M, Wieners G, Gebauer B, Aigner A, Böning G.
Can Assoc Radiol J. 2024 Jul 30:8465371241260013
Kate Hanneman, Andrew Szava-Kovats, Brent Burbridge, David Leswick, Brandon Nadeau, Omar Islam, Emil J. Y. Lee, Alison Harris, Candyce Hamel, and Maura J. Brown.
Austral J. Imaging. vol.30 no.2 Santiago June 2024
Daniela Suárez-Medrano, Jorge Díaz-Jara, Marcelo López-Ramírez y Diego Espinoza-Vargas
Austral J. Imaging. (Engl. ed.). 2024;30(1):37-45
Ramos-Avasola S, Karstulovic C, Clavijo-Clavijo M, Carvajal-Navarro C, Gutiérrez-Herrera I, Piñeiro-Clavijo C, Rojas-Calderón M, Uberuaga-Payacán D, Allende F, Sierra D, Cuéllar C, Querales M, Guerrero C.
AJR. American Journal of Roentgenology, 22 Jun 2022, 220(1):104-114
Kim W, Sun K, Kung JW, Wu JS.
AJR 2023; 220:126–133
Jonathan R. Dillman, Nadeen Abu Ata, Alexander J. Towbin, Christopher G. Anton, Ethan A. Smith, Bin Zhang, Rebecca Imbus, Jean A. Tkach, and Lee A. Denson.

Trimestres

Suscríbete

Comités

Áreas de conocimiento

Sociedades participantes

Comité editorial

Sugerencias

Espacio editorial virtual

Korean J Radiol . 2024 Mar;25(3):267-276.
Lee S, Suh CH, Jo S, Chung SJ, Heo H, Shim WH, Lee J, Kim HS, Kim SJ, Kim EY.
Japanese Journal of Radiology (2024) 42:500–507
Tatsuro Furui, Yoshifumi Noda, Fuminori Hyodo, Tatsuhiko Miyazaki, Masayuki Matsuo
AJR 2023; 220:126–133
Jonathan R. Dillman, Nadeen Abu Ata, Alexander J. Towbin, Christopher G. Anton, Ethan A. Smith, Bin Zhang, Rebecca Imbus, Jean A. Tkach, and Lee A. Denson.

Suscríbete

Comités

Áreas de conocimiento

Sociedades participantes

SEUS
SERVEI
SERPE
SERME
SERAU
SENR
SEICAT
SEGECA
SEDIM
SEDIA
FORA

Comité editorial

Espacio editorial virtual

Áreas de conocimiento