Autoria: Maria Luz Puglisi, Eduardo Sánchez Varela, Grisel Marín Rincón, Óscar García Gimeno. Centre d’Atenció Primària (CAP) Can Bou, Castelldefels (Barcelona)
- Resum
La formació especialitzada en Medicina Familiar i Comunitària (MFiC) s’enfronta al repte de preparar els residents per identificar patologies de baixa prevalença que debuten amb símptomes inespecífics a Atenció Primària (AP). Presentem una experiència docent innovadora desenvolupada al CAP Can Bou, on es va integrar l’ús de ChatGPT com a eina de suport al raonament clínic. Mitjançant la simulació d’un cas real d’amiloïdosi AL-lambda, es van entrenar residents (R1-R4) en la formulació d’hipòtesis, ampliació del diferencial i adequació de derivacions. La IA no va actuar com a substitut del judici clínic, sinó com a catalitzador per a la discussió i la gestió de la incertesa. Els resultats qualitatius suggereixen que aquesta metodologia és dinàmica, replicable i eficaç per fomentar un aprenentatge metacognitiu sobre l’ús crític de la tecnologia en medicina.
Paraules clau: intel·ligència artificial; docència mèdica; residents; atenció primària; raonament clínic; amiloïdosi.
- Introducció i justificació
La pràctica diària a l’AP està dominada per la patologia prevalent, cosa que genera una corba d’aprenentatge sòlida en el maneig de malalties comunes però limita l’exposició a casos poc freqüents o presentacions atípiques. La inespecificitat de molts motius de consulta a l’AP pot afavorir biaixos cognitius i tancaments diagnòstics prematurs, especialment quan no es reconsidera el cas després de l’aparició de troballes inesperades.
En aquest escenari, la IA generativa emergeix com un recurs pedagògic amb potencial per:
-
- Simular escenaris de baixa freqüència sense necessitat d’infraestructures costoses.
- Reduir biaixos cognitius en oferir diagnòstics diferencials més amplis.
- Entrenar el pensament crític mitjançant l’avaluació de respostes de la IA que podrien ser plausibles però incorrectes.
Aquesta experiència busca documentar com la IA es pot integrar en un marc supervisat per transformar una sessió clínica tradicional en un exercici de simulació activa.
- Objectius
3.1. Objectiu Principal
Descriure i avaluar una intervenció docent basada en l’ús d’IA per a l’entrenament del raonament clínic davant de patologies complexes en l’àmbit de l’AP.
3.2. Objectius Específics
-
- Capacitar el resident en l’estructuració d’hipòtesis davant de troballes d’alt impacte clínic (ex. proteïnúria nefròtica).
- Refinar els criteris de derivació a serveis especialitzats (Nefrologia i Hematologia) basant-se en una sospita raonada.
- Promoure l’ús crític de la IA, identificant-ne els límits i la necessitat de supervisió docent.
- Descripció de la intervenció
4.1. Context i Participants
L’activitat es va realitzar durant el “Dia del Resident” al CAP Can Bou, amb una durada de 2 hores. Van participar residents de tots els anys (de R1 a R4), permetent un intercanvi de coneixements jerarquitzat però col·laboratiu.
4.2. Metodologia: El cas
Es va seleccionar un cas real d’Amiloïdosi AL-lambda, una malaltia on el retard diagnòstic a l’AP sol ser comú a causa de la seva presentació inicial vaga.
-
- Fase d’incertesa: El cas s’inicia amb un pacient de 57 anys i una lipotímia. Els residents proposen causes comunes (vasovagal, arrítmies).
- Fase de fallida: S’introdueix una troballa analítica incidental: proteïnúria en rang nefròtic.
- Fase de suport amb IA: S’utilitza ChatGPT per explorar la relació entre lipotímia i proteïnúria significativa. Els residents han de filtrar els suggeriments de la IA (gammapatia monoclonal, glomerulonefritis) i prioritzar proves com el proteïnograma i la proteïnúria de 24h.
- Fase de resolució: es discuteix l’aparició de la banda monoclonal i la importància de la biòpsia renal per al diagnòstic definitiu d’amiloïdosi.
- Resultats i Discussió
5.1. Impacte al raonament clínic
La IA va actuar com un estímul per ampliar el ventall de possibilitats diagnòstiques, afavorint que els residents transcendissin el marc habitual de la patologia prevalent. Els participants no només van explorar possibles diagnòstics, sinó que també van revisar críticament el seu raonament clínic i els criteris utilitzats per prioritzar o descartar diferents hipòtesis.
5.2. El paper del Tutor i la IA
L’experiència va confirmar que la IA no substitueix el tutor. El docent va ser essencial per a:
-
- Jerarquitzar: La IA sovint lliura llistes de diagnòstics sense ponderar la probabilitat clínica real.
- Contextualitzar: Adaptar els suggeriments de la IA als recursos disponibles a l’AP.
5.3. Limitacions
Com que es tracta d’una descripció qualitativa d’una sessió única, no es disposa de dades estadístiques de millora competencial a llarg termini. A més, hi ha el risc que la IA ofereixi informació errònia, cosa que reforça la necessitat que aquestes sessions siguin sempre supervisades.
- Conclusions i Aplicabilitat
La IA generativa és un recurs de baix cost i d’alta transferibilitat que permet incorporar escenaris clínics complexos a l’entorn formatiu habitual del centre de salut. Aquesta metodologia és ideal per a seminaris de raonament clínic i tallers de “red flags”. En conclusió, la integració de la IA a la docència de MFiC enriqueix el debat clínic i prepara els futurs especialistes per a una medicina on la tecnologia i el judici humà han de col·laborar de forma ètica i crítica.
- Bibliografia
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019.
- Masters K. Artificial intelligence in medical education. Med Teach. 2019.
- Gertz MA, Dispenzieri A. Systemic amyloidosis recognition, prognosis, and therapy. JAMA. 2020.
Citació
Autoria: Luz Puglisi, Maria; Sánchez Varela, Eduardo; Marín Rincón, Grisel; García Gimeno, Óscar
Títol: Estratègies d’innovació aplicades al raonament clínic: Integració de la IA generativa a la formació de Residents de Medicina Familiar
Revista: APSalut. Volum 14. Número 2. Article 283
Data: 5 de maig de 2026
