El método Delphi como herramienta de consenso en el diseño de un marco de aplicación de la Inteligencia Artificial en Educación Médica en España.

Autores/as

  • Rocío González Soltero Universidad Europea de Madrid https://orcid.org/0000-0001-9799-0570
  • Alejandro García-Pardina Facultad de Ciencias Biomédicas y de la Salud, Universidad Europea de Madrid (UEM), España
  • Alberto Bellido-Esteban Facultad de Ciencias Biomédicas y de la Salud. UEM, Madrid
  • Pablo Ryan Murúa Facultad de Medicina. Universidad Complutense de Madrid.
  • María Teresa de Jesús Facultad de Medicina, Salud y Deportes. UEM, Madrid
  • Ana Giménez Maroto Facultad de Medicina, Salud y Deportes. UEM, Madrid
  • Esther García García Facultad de Medicina, Salud y Deportes. UEM, Madrid
  • Carlos Ramírez Moreno Facultad de Medicina, Salud y Deportes. UEM, Madrid
  • José Miguel Biscaia Facultad de Medicina, Salud y Deportes. UEM
  • Rosa B. Mohedano Facultad de Medicina, Salud y Deportes. UEM, Madrid
  • Beatriz Gal Iglesias Facultad de Medicina. Universidad CEU San Pablo, Madrid
  • Isabel Sánchez-Vera Facultad de Medicina. Universidad CEU San Pablo, Madrid
  • Olga Castelao Vicerrectorado de Profesorado e Investigación. Unidad de Calidad. UEM, Madrid
  • Álvaro Arcis Vicerrectorado de Profesorado e Investigación. Unidad de Calidad. UEM, Madrid
  • José López Castro Facultad de Ciencias de la Salud. Universidad Internacional de la Rioja (UNIR)
  • Albert Balaguer Santamaría Facultad de Medicina y Ciencias de la Salud. Universidad Internacional de Catalunya, Barcelona
  • David Parés Facultad de Medicina. Department of General and Digestive Surgery, Hospital Germans Trias i Pujol. Universitat Autonoma de Barcelona
  • Alberto Zamora Facultad de Medicina. Universidad de Girona
  • María José Muñoz Scuola di Medicina e Scienze della Salute. Università degli Studi di Siena
  • Emilio J. Sanz Sanz Facultad de Medicina. Universidad de La Laguna y Hospital Universitario de Canarias
  • Alberto Torres Belma Facultad de Medicina y Odontología. Universidad de Antofagasta (Chile)
  • Javier Pérez Frías Facultad de Medicina. Universidad de Málaga.
DOI: https://doi.org/10.6018/edumed.702541
Palabras clave: inteligencia artificial, educación médica, marco de aplicación

Resumen

Introducción. La rápida integración de la inteligencia artificial (IA) en la educación biomédica ha generado una necesidad urgente de un marco que sirva de guía para el estudiantado y para el personal académico. En España, las instituciones están adoptando la IA con rapidez, pero sin una orientación regulatoria o pedagógica homogénea. Se requieren enfoques estructurados que permitan priorizar competencias my abordar los desafíos éticos, legales y educativos emergentes. Métodos. Se llevó a cabo un estudio Delphi coordinado por la UEM, utilizando REDCap para gestionar las rondas iterativas. El proyecto recibió apoyo financiero de la Sociedad Española de Educación Médica (SEDEM). Expertos en educación médica, algunos con conocimientos específicos en IA, participaron en una serie de cuestionarios en línea. A través de retroalimentación anonimizada, los participantes evaluaron, refinaron y priorizaron un conjunto de áreas donde el impacto de la IA resulta esencial. Resultados. Los expertos coincidieron en la necesidad de habilidades más allá de la alfabetización técnica, destacando el pensamiento crítico, la interpretación de resultados generados por IA, la conciencia sobre sesgos y la responsabilidad profesional. Las consideraciones éticas y legales, especialmente las relacionadas con la privacidad, la transparencia y la toma de decisiones, fueron altamente priorizadas. También subrayaron el carácter transversal de la IA, sugiriendo que las competencias deben integrarse en todo el currículo y no tratarse como contenidos aislados. Discusión. A pesar de la heterogeneidad institucional, el consenso convergió en áreas que equilibran la innovación con salvaguardas éticas. Los resultados respaldan el desarrollo de un marco competencial capaz de guiar el diseño curricular, orientar la formación del profesorado y promover un uso responsable y basado en la evidencia de la IA, sin comprometer la autonomía profesional.

Descargas

Los datos de descargas todavía no están disponibles.
Metrics
Vistas/Descargas
  • Resumen
    19
  • pdf
    21
  • pdf
    21

Citas

1. Masters K. Artificial intelligence in medical education. Medical Teacher. 2019, 41(9), 976–80. https://doi.org/10.1080/0142159X.2019.1595557

2. Salam A, Abdelhalim AT, Begum H, Pasha MA. Faculty Development in Medical Education: What, Why and How. Int J Hum Health Sci. 2023, 7(1), 3–8. https://doi.org/10.31344/ijhhs.v7i1.489

3. Zidoun Y, Mardi AE. Artificial Intelligence (AI)-Based simulators versus simulated patients in undergraduate programs: A protocol for a randomized controlled trial. BMC Med Educ. 2024, 24(1), 1260. https://doi.org/10.1186/s12909-024-06236-x

4. Schubert T, Oosterlinck T, Stevens RD, Maxwell PH, Schaar M van der. AI education for clinicians. eClinicalMedicine. 2025, 79. https://doi.org/10.1016/j.eclinm.2024.102968

5. Zhou J, Zhang J, Wan R, Cui X, Liu Q, Guo H, et al. Integrating AI into clinical education: evaluating general practice trainees’ proficiency in distinguishing AI-generated hallucinations and impacting factors. BMC Med Educ. 2025, 25(1), 406. https://doi.org/10.1186/s12909-025-06916-2

6. Weidener L, Fischer M. Artificial Intelligence Teaching as Part of Medical Education: Qualitative Analysis of Expert Interviews. JMIR Medical Education. 2023, 9(1), e46428. https://doi.org/10.2196/46428

7. Artificial intelligence in education - AI | UNESCO [Internet]. 2025 [cited 2026 Feb 10]. Available from: https://www.unesco.org/en/digital-education/artificial-intelligence

8. Cai C, Duell J, Minghui Chen D, Kin Ho W, Kwong Lee BT, Li F, et al. Advancing AI Literacy in Medical Education: A Medical AI Competency Framework Development. In: Cristea AI, Walker E, Lu Y, Santos OC, Isotani S, editors. Artificial Intelligence in Education. Cham: Springer Nature Switzerland; 2025, p. 116–23. https://doi.org/10.1007/978-3-031-98462-4_15

9. Atkinson-Toal A, Guo C. Generative Artificial Intelligence (AI) Education Policies of UK Universities. Enhancing Teaching and Learning in Higher Education. 2024, 2, 70–94. https://doi.org/10.62512/etlhe.20

10. Australian Framework for Artificial Intelligence in Higher Education - ACSES [Internet]. [cited 2026 Mar 11]. Available from: https://www.acses.edu.au/publication/australian-framework-for-artificial-intelligence-in-higher-education/

11. Humphrey-Murto S, Ho Lee S, Gottlieb M, Horsley T, Shea B, Fournier K, et al. Protocol for an extended scoping review on the use of virtual nominal group technique in research. PLoS One. 2023,18(1), e0280764. https://doi.org/10.1371/journal.pone.0280764

12. López-Gómez E. El método Delphi en la investigación actual en educación: una revisión teórica y metodológica. Educación XX1. 2018, 21(1). https://doi.org/10.5944/educxx1.20169

13. Hsu CC, Sandford BA. The Delphi Technique: Making Sense of Consensus. Practical Assessment, Research, and Evaluation. 2007, 12(1). https://doi.org/10.7275/pdz9-th90

14. Okoli C, Pawlowski SD. The Delphi method as a research tool: an example, design considerations and applications. Information & Management. 2004, 42(1), 15–29. https://doi.org/10.1016/j.im.2003.11.002

15. Castaño SC. La inteligencia artificial en Salud Pública: oportunidades, retos éticos y perspectivas futuras. Revista Española de Salud Pública. 2025, 99,12. https://ojs.sanidad.gob.es/index.php/resp/article/view/1006

16. Davis FD. A technology acceptance model for empirically testing new end-user information systems : theory and results [Thesis] [Internet]. Massachusetts Institute of Technology; 1985 [cited 2025 Aug 1]. Available from: https://dspace.mit.edu/handle/1721.1/15192

17. Davis FD. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Q. 1989,13(3), 319–40. https://doi.org/10.2307/249008

18. Jiang S, Li H, Gan D. Technology acceptance model for online education: identifying interdisciplinary topics and their evolution based on BERTopic model. Social Sciences & Humanities Open. 2025,12,101831. https://doi.org/10.1016/j.ssaho.2025.101831

19. García de Blanes Sebastián M. Aplicación de la teoría unificada de aceptación y uso de la tecnología extendida (utaut 2) para estimar la intención de uso de la tecnología. Desarrollo de un modelo predictivo para la plataforma de pago móvil peer-to-peer y los asistentes virtuales [Internet]. 2023 Feb 17 [cited 2026 Mar 10]. Available from: https://hdl.handle.net/10115/28651

20. Mulyani H, Istiaq MA, Shauki ER, Kurniati F, Arlinda H. Transforming education: exploring the influence of generative AI on teaching performance. Cogent Education. 2025, 12(1), 2448066. https://doi.org/10.1080/2331186X.2024.2448066

21. Abujaber AA, Abd-Alrazaq A, Al-Qudimat AR, Nashwan AJ. A Strengths, Weaknesses, Opportunities, and Threats (SWOT) Analysis of ChatGPT Integration in Nursing Education: A Narrative Review. Cureus. 2023, 15(11), e48643. https://doi.org/10.7759/cureus.48643

22. Schifano J, Niederberger M. How Delphi studies in the health sciences find consensus: a scoping review. Syst Rev. 2025, 14(1),14. https://doi.org/10.1186/s13643-024-02738-3

23. Harris PA, Taylor R, Minor BL, Elliott V, Fernandez M, O’Neal L, et al. The REDCap consortium: Building an international community of software platform partners. Journal of Biomedical Informatics. 2019, 95,103208. https://doi.org/10.1016/j.jbi.2019.103208

24. Lavigne E, Lopez A, Frandon J, Blaizot G, Gabellier L, Adham S, et al. AI-Standardized Clinical Examination Training on OSCE Performance. NEJM AI. 2025, 2(8), AIoa2500066. https://doi.org/10.1056/AIoa2500066

25. Organization WH. Ethics and governance of artificial intelligence for health: large multi-modal models. WHO guidance. World Health Organization; 2024, 98 p.https://www.who.int/publications/i/item/9789240084759

26. Smuha NA. Regulation 2024/1689 of the Eur. Parl. & Council of June 13, 2024 (EU Artificial Intelligence Act). International Legal Materials. 2025, 64(5), 1234–381. https://doi.org/10.1017/ilm.2024.46

27. Hariyanto, Kristianingsih FXD, Maharani R. Artificial intelligence in adaptive education: a systematic review of techniques for personalized learning. Discov Educ. 2025, 4(1), 458. https://doi.org/10.1007/s44217-025-00908-6

28. Bittle K, El-Gayar O. Generative AI and Academic Integrity in Higher Education: A Systematic Review and Research Agenda. Information. 2025, 16(4). https://doi.org/10.3390/info16040296

29. Gonsalves C. Generative AI’s Impact on Critical Thinking: Revisiting Bloom’s Taxonomy. Journal of Marketing Education. 2024, 02734753241305980. https://doi.org/10.1177/02734753241305980

30. Sardi J, Darmansyah, Candra O, Yuliana DF, Habibullah, Yanto DTP, et al. How Generative AI Influences Students’ Self-Regulated Learning and Critical Thinking Skills? A Systematic Review. International Journal of Engineering Pedagogy (iJEP). 2025, 15(1), 94–108. https://doi.org/10.3991/ijep.v15i1.53379

31. Mawyin-Muñoz CE, Salmerón-Escobar FJ, Hidalgo-Acosta JA, Calderon-León MF. Medical simulation: an essential tool for training, diagnosis, and treatment in the 21st century. BMC Med Educ. 2025, 25(1),1019. https://doi.org/10.1186/s12909-025-07610-z

32. Kloos CD, Alario-Hoyos C, Estévez-Ayres I, Callejo-Pinardo P, Hombrados-Herrera MA, Muñoz-Merino PJ, et al. How can Generative AI Support Education? In: 2024 IEEE Global Engineering Education Conference (EDUCON) [Internet]. 2024 [cited 2026 Feb 11]. p. 1–7. https://ieeexplore.ieee.org/abstract/document/10578716, https://doi.org/10.1109/EDUCON60312.2024.10578716

33. Razzak NA. The Double-Edged Sword of Generative AI: Enhancing or Hindering Students’ Intellectual Growth? In: 2025 IEEE International Conference on Emerging Trends in Engineering and Computing (ETECOM) [Internet]. 2025 [cited 2026 Feb 11]. p. 1–7. https://ieeexplore.ieee.org/abstract/document/11319048, https://doi.org/10.1109/ETECOM66111.2025.11319048

34. Fernández Cerero D. Inteligencia artificial para la formación docente sanitaria. 2024, 1–126. https://www.dykinson.com/libros/inteligencia-artificial-para-la-formacion-docente-sanitaria/9788410702370/

Publicado
17-03-2026
Cómo citar
González Soltero, R., García-Pardina, A., Bellido-Esteban, A., Ryan Murúa, P., de Jesús, M. T., Giménez Maroto, A., … Pérez Frías, J. (2026). El método Delphi como herramienta de consenso en el diseño de un marco de aplicación de la Inteligencia Artificial en Educación Médica en España. Revista Española De Educación Médica, 7(2). https://doi.org/10.6018/edumed.702541
Número
Vol. 7 Núm. 2 (2026): Revista Española de Educación Médica
Sección
Artículos

Derechos de autor 2026 Servicio de Publicaciones de la Universidad de Murcia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Las obras que se publican en esta revista están sujetas a los siguientes términos:

1. El Servicio de Publicaciones de la Universidad de Murcia (la editorial) conserva los derechos patrimoniales (copyright) de las obras publicadas y favorece y permite la reutilización de las mismas bajo la licencia de uso indicada en el punto 2.

          © Servicio de Publicaciones, Universidad de Murcia

2. Las obras se publican bajo una licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0.

3. Condiciones de auto-archivo. Se permite y se anima a los autores a difundir electrónicamente las versiones preprint (versión antes de ser evaluada y enviada a la revista) y/o post-print (versión evaluada y aceptada para su publicación) de sus obras antes de su publicación, ya que favorece su circulación y difusión más temprana y con ello un posible aumento en su citación y alcance entre la comunidad académica.