SIMULAPS, la plataforma de inteligencia artificial que transforma la educación médica
El proyecto desarrollado por Gabriel Duarte Meceneiro obtuvo el primer premio en la categoría de grado del XVII Congreso Internacional en Innovación Tecnológica Informática (CIITI 2026). La herramienta recrea entrevistas con pacientes virtuales, analiza las decisiones de los estudiantes de la carrera de Medicina y ofrece una devolución personalizada sobre su desempeño. Durante los ciclos lectivos 2025 y 2026, fue utilizada por 179 estudiantes en 384 sesiones completas.
En el marco del CIITI 2026, se realizó la entrega de premios a los mejores trabajos de investigación presentados por estudiantes y graduados de carreras de grado y posgrado. En la categoría correspondiente a investigaciones de grado, el primer premio fue otorgado a Gabriel Duarte Meceneiro, auxiliar alumno de la cátedra de Anatomía Humana, por un proyecto multidisciplinario que articula inteligencia artificial, simulación clínica y educación en ciencias de la salud.
El trabajo premiado, titulado “IA que Simula, Evalúa y Enseña: SIMULAPS como Ecosistema Inteligente para el Entrenamiento del Razonamiento Clínico en el área de la Salud”, fue desarrollado con la tutoría del doctor Ariel Blajos, docente y secretario técnico de la Facultad de Medicina y Ciencias de la Salud. La propuesta presenta una plataforma capaz de representar pacientes virtuales, sostener conversaciones clínicas mediante lenguaje natural, evaluar el razonamiento de los estudiantes y generar retroalimentación pedagógica personalizada.
“La inteligencia artificial generativa ofrece nuevas posibilidades para la simulación clínica y la enseñanza del razonamiento clínico. El objetivo de este trabajo fue describir el desarrollo y funcionamiento de SIMULAPS —Simulation Platform for Learning and Assessment of Patients—, una plataforma de simulación clínica basada en una arquitectura multiagente”, señaló Duarte Meceneiro al explicar los fundamentos de la investigación.
La práctica con pacientes reales resulta indispensable para la formación, pero presenta limitaciones éticas, logísticas y de seguridad. Los estudiantes no siempre pueden enfrentarse a una variedad suficiente de cuadros clínicos y tampoco es conveniente que realicen determinadas prácticas sin una preparación previa. La simulación ofrece, en ese contexto, un ambiente controlado y reproducible en el que es posible cometer errores, analizarlos y volver a intentarlo sin poner en riesgo a una persona.
SIMULAPS fue concebido para ampliar esas oportunidades de entrenamiento. En lugar de presentar una secuencia rígida de preguntas y respuestas, la plataforma utiliza inteligencia artificial generativa para construir una interacción abierta. El estudiante conversa con un paciente virtual, formula preguntas, solicita información, propone diagnósticos y adopta decisiones de acuerdo con la evolución de la consulta. Al mismo tiempo, el sistema observa el proceso completo y analiza la calidad del razonamiento desplegado.
“La incorporación de Large Language Models, conocidos como LLM, ha permitido desarrollar pacientes virtuales capaces de mantener conversaciones más dinámicas y contextualizadas”, afirmó Duarte Meceneiro. Según explicó, estos modelos pueden adaptar las respuestas a las preguntas formuladas por cada estudiante y, combinados con mecanismos estructurados de evaluación, acercar la experiencia a las características de una entrevista clínica.
El desarrollo responde también a ciertas limitaciones presentes en los simuladores tradicionales, considerando que muchos de esos sistemas siguen árboles de decisiones previamente establecidos, por lo que solamente reconocen algunas preguntas o conducen al usuario por recorridos determinados de antemano. Si el estudiante se aparta de la secuencia prevista, la conversación puede perder naturalidad o directamente quedar interrumpida.
El uso de modelos generativos permite una mayor flexibilidad, aunque introduce desafíos vinculados con la consistencia clínica, la confiabilidad de las respuestas y el control del contexto. Para afrontar esas dificultades, los responsables de SIMULAPS eligieron una arquitectura multiagente. Esto significa que la plataforma no delega todas las tareas en una única inteligencia artificial, sino que distribuye las funciones entre agentes especializados que trabajan de manera coordinada. Uno representa al paciente, otro examina el desempeño del estudiante y un tercero organiza la interacción, mantiene el contexto y controla el flujo de información.
El proyecto se desarrolló integrando conocimientos procedentes de la simulación clínica, los sistemas tutores inteligentes y la inteligencia artificial generativa. La finalidad no fue producir solamente un prototipo tecnológico, sino implementar una herramienta utilizable en un contexto educativo real y analizar su funcionamiento a partir de sesiones concretas realizadas por estudiantes de Medicina.
“La arquitectura de SIMULAPS se estructuró en una organización modular compuesta por cinco capas funcionales: interfaz de usuario, gestión de sesiones, orquestación de agentes inteligentes, base de conocimiento clínico y módulo de evaluación y retroalimentación. Esta organización permite desacoplar las funciones de interacción, procesamiento y evaluación, favoreciendo la escalabilidad, mantenibilidad y reutilización de los componentes del sistema”, explicó Duarte Meceneiro.
Al separar las distintas tareas, el sistema puede actualizarse o ampliarse sin necesidad de modificar todos sus componentes. La lógica conversacional del paciente virtual, por ejemplo, funciona de manera independiente del mecanismo que evalúa al estudiante. De este modo, la devolución pedagógica no altera las respuestas del paciente ni interfiere en la entrevista clínica.
Tres agentes para simular, evaluar y coordinar
El Agente Simulador de Paciente es el encargado de asumir el rol correspondiente al caso clínico seleccionado. Su tarea consiste en responder las preguntas del estudiante sin abandonar la identidad, los antecedentes y la situación médica definidos para ese paciente. También debe mantener la coherencia temporal de la entrevista y evitar la aparición de datos que no formen parte del escenario.
Este agente opera mediante un modelo de lenguaje configurado con un control estocástico (aleatorio) de baja variabilidad. En la implementación descripta por el trabajo se utilizó Google Gemini, elección orientada a reducir la dispersión de las respuestas. El sistema puede expresarse en lenguaje natural, pero se encuentra condicionado por la información previamente validada que integra la base de conocimiento.
El paciente virtual no expone todos los datos desde el comienzo. Responde únicamente aquello que se le pregunta, de forma semejante a lo que sucede durante una consulta. Si el estudiante no indaga sobre un antecedente importante o no formula una pregunta relevante, esa información puede permanecer oculta. El propósito es que quien realiza la práctica deba construir activamente la historia clínica y no limitarse a leer un caso completamente resuelto.
El segundo componente es el Agente Evaluador. A diferencia del simulador, no participa de la conversación ni responde consultas, su función es analizar de manera permanente el razonamiento clínico del estudiante. Para ello considera la calidad de la anamnesis (recopilación ordenada, pormenorizada y sistemática de información mediante la entrevista clínica), la identificación de información significativa, la formulación del diagnóstico diferencial, los estudios solicitados, el diagnóstico final, el tratamiento propuesto y la comunicación clínica.
El evaluador utiliza instrucciones especializadas de auditoría clínica y pedagógica. A medida que avanza la entrevista, registra las decisiones adoptadas y detecta posibles dificultades, como la omisión de preguntas esenciales, una solicitud injustificada de estudios o el cierre prematuro del diagnóstico diferencial. Al finalizar la práctica, transforma ese análisis en una devolución individual que destaca fortalezas y señala aspectos susceptibles de mejora.
El Agente Orquestador, por su parte, coordina el trabajo de los otros componentes, administrando el estado de la sesión, conservando el contexto y controlando el orden en que circula la información. Cada vez que el estudiante interviene, el orquestador recupera los datos clínicos correspondientes, activa la respuesta del paciente virtual, envía la interacción al evaluador y actualiza las métricas de desempeño.
Esta distribución de funciones evita que la valoración pedagógica modifique el comportamiento del paciente simulado, y facilite la incorporación futura de nuevas capacidades. La arquitectura podría sumar, por ejemplo, agentes especializados en interpretación de imágenes, electrocardiografía o recuperación de evidencia científica, sin alterar el funcionamiento general de la plataforma.
Los escenarios utilizados por SIMULAPS provienen de una base de conocimiento clínico estructurada y validada por profesionales médicos. Cada caso contiene datos demográficos, antecedentes personales y familiares, motivo de consulta, descripción de la enfermedad actual, examen físico, resultados de laboratorio y estudios por imágenes. También incluye el diagnóstico definitivo, los diagnósticos diferenciales, la conducta terapéutica y la evolución prevista.
Al comenzar la actividad, el usuario se autentica mediante sus credenciales de acceso y accede a una interfaz de chat textual. Un algoritmo selecciona aleatoriamente el caso, lo que permite variar los escenarios entre una sesión y otra, reduciendo la posibilidad de que los estudiantes memoricen respuestas. A continuación, el agente simulador asume el papel del paciente y comienza la consulta. Durante la conversación, la memoria del sistema preserva la relación entre preguntas y respuestas. Esta capacidad evita contradicciones y permite que la entrevista evolucione de manera lógica.
El diseño metodológico contempló cinco grandes dimensiones de evaluación: anamnesis, razonamiento diagnóstico, solicitud de estudios complementarios, conducta terapéutica y comunicación clínica. Aunque forman parte de un mismo proceso, cada una recibe una valoración independiente y contribuye a la construcción de un índice global de desempeño.
En la anamnesis se analiza si el estudiante realiza las preguntas esenciales, mantiene una secuencia lógica e identifica los datos relevantes. La dimensión diagnóstica considera la capacidad para formular hipótesis, construir un diagnóstico diferencial y establecer prioridades. En cuanto a los estudios complementarios, se evalúan la pertinencia, la oportunidad y la racionalidad clínica de las solicitudes realizadas.
La valoración de la conducta terapéutica examina el tratamiento inicial, las medidas de soporte y el seguimiento propuesto. La comunicación, en tanto, incluye la claridad de las preguntas, la organización del interrogatorio, la empatía y el profesionalismo. El objetivo es que la plataforma no se limite a determinar si el estudiante acertó el diagnóstico, sino que pueda reconstruir el camino seguido para llegar a él.
Al finalizar la consulta, el usuario debe escribir la expresión “FINALIZAR CONSULTA” en el chat. Esa instrucción activa la producción automática de un informe estructurado que contiene la valoración de las competencias clínicas, métricas cuantitativas y un semáforo de desempeño. También incluye una devolución formativa con orientación socrática, diseñada para estimular la revisión crítica de las decisiones adoptadas en lugar de ofrecer únicamente una calificación.
La retroalimentación constituye, precisamente, una de las principales diferencias respecto de otras herramientas. SIMULAPS busca establecer un ciclo continuo en el que la interacción sea seguida por una evaluación, una devolución y una nueva oportunidad de práctica. Así, el error deja de entenderse solamente como un resultado negativo y se convierte en información útil para orientar el aprendizaje.
Factibilidad técnica y desafíos de validación
La plataforma fue implementada en la carrera de Medicina durante el segundo cuatrimestre de 2025 y el primero de 2026, bajo la supervisión del Dr. Blajos. La experiencia permitió observar su desempeño fuera de una instancia experimental aislada, dentro de un contexto educativo concreto y a lo largo de dos ciclos lectivos. En total, se analizaron 384 sesiones completas realizadas por 179 estudiantes únicos.
La utilización sostenida de SIMULAPS ofrece evidencia favorable sobre su factibilidad técnica y operativa. El sistema pudo sostener conversaciones, recuperar información de los casos, coordinar agentes y generar informes sin perder la coherencia general de la simulación. Esa estabilidad constituye un punto de partida para investigaciones posteriores sobre su validez educativa.
La investigación reconoce que la inteligencia artificial debe ser incorporada mediante procesos de validación progresiva. Los modelos generativos pueden producir respuestas variables o clínicamente incorrectas, especialmente cuando reciben instrucciones insuficientes o trabajan sin una base de conocimiento estructurada. Por ese motivo, SIMULAPS combina el modelo de lenguaje con casos previamente definidos, mecanismos de control contextual y criterios específicos de evaluación.
La dimensión ética también fue contemplada desde el diseño. La plataforma fue desarrollada exclusivamente con fines educativos y de investigación, por lo que utiliza casos simulados y no almacena información identificable de pacientes reales durante las sesiones de entrenamiento. Cuando los escenarios tienen su origen en situaciones clínicas, sus datos son anonimizados y adaptados para preservar la confidencialidad.
Esta decisión permite que los estudiantes practiquen sin exponer información sensible y sin afectar la seguridad de pacientes reales. La herramienta proporciona, además, un entorno reproducible: una misma competencia puede ejercitarse varias veces, con casos diferentes y sin depender de la disponibilidad de actores, consultorios o determinados cuadros clínicos.
Un complemento para la experiencia clínica
La expansión de la inteligencia artificial generativa está modificando las posibilidades de la simulación médica. Los modelos tradicionales ofrecían estructuras relativamente cerradas, mientras que los nuevos sistemas pueden sostener conversaciones abiertas y responder de acuerdo con la trayectoria particular de cada entrevista. Esta flexibilidad produce experiencias más cercanas al dinamismo de una consulta, aunque exige un mayor control sobre la calidad de las respuestas.
SIMULAPS integra en un solo entorno tres funciones que habitualmente aparecen separadas: la representación del paciente, la coordinación del escenario y la evaluación del desempeño. Esta combinación permite analizar no solamente el desenlace de la consulta, sino también el proceso utilizado para reunir información y tomar decisiones.
La personalización representa otro aporte significativo. Dos estudiantes pueden arribar al mismo diagnóstico a través de recorridos muy diferentes. Uno puede haber construido una anamnesis exhaustiva y solicitado estudios pertinentes, mientras que otro puede llegar al resultado por una hipótesis temprana o una elección poco fundamentada. Si la evaluación se concentra únicamente en la respuesta final, esas diferencias quedan ocultas.
Al registrar la secuencia de decisiones, SIMULAPS puede distinguir esas trayectorias y adaptar la retroalimentación. Un estudiante podría necesitar mejorar la organización de la entrevista; otro, ampliar el diagnóstico diferencial; y un tercero, revisar la pertinencia de los estudios complementarios. La devolución individualizada orienta las prácticas posteriores hacia las dificultades observadas.
La plataforma también ofrece ventajas frente a la utilización exclusiva de pacientes estandarizados, es decir, personas entrenadas para representar determinados cuadros clínicos. Las prácticas con pacientes virtuales pueden realizarse de manera asincrónica, repetirse y ampliarse a un número considerable de usuarios sin una demanda proporcional de actores, docentes o espacios físicos.
No obstante, el trabajo subraya que la tecnología no sustituye la interacción humana. Un sistema conversacional puede ayudar a ejercitar la formulación de preguntas, la construcción de un diagnóstico y la selección de una conducta, pero no reproduce por completo la comunicación no verbal, la exploración física ni la complejidad emocional del encuentro entre un profesional y un paciente.
SIMULAPS debe entenderse, en consecuencia, como un complemento de la formación y no como un reemplazo del docente, los pacientes estandarizados o las prácticas clínicas. Su valor reside en ampliar las oportunidades de entrenamiento, ofrecer escenarios controlados y proporcionar retroalimentación individual entre las instancias presenciales.
La figura del docente conserva un papel fundamental, ya que los profesionales deben validar los casos, revisar los criterios de evaluación, supervisar la implementación e interpretar los resultados. La automatización puede agilizar ciertas tareas y brindar información detallada, pero la orientación pedagógica continúa requiriendo conocimiento clínico, experiencia y capacidad para acompañar el proceso de aprendizaje.
En este sentido, el proyecto premiado durante el CIITI 2026 no presenta la inteligencia artificial como una solución definitiva, sino como una herramienta cuyo potencial depende de la forma en que sea diseñada, evaluada e integrada al currículo. La arquitectura multiagente ofrece una respuesta tecnológica a la necesidad de separar funciones y controlar el contexto, pero todavía debe demostrar su validez frente a evaluaciones humanas y su impacto a largo plazo.
El trabajo realizado por Meceneiro, con la tutoría de Blajos, abre así una línea de investigación que combina informática, pedagogía y ciencias de la salud. La experiencia acumulada en 384 sesiones muestra que es posible implementar una plataforma de estas características en la formación universitaria, procesar interacciones en lenguaje natural y generar devoluciones automatizadas sobre diferentes dimensiones del desempeño clínico.
La obtención del primer premio en la categoría de grado que distinguió el comité científico del CIITI, reconoce tanto el desarrollo tecnológico como la pertinencia educativa de la propuesta. En un campo en el que la capacidad de razonar tiene consecuencias directas sobre la atención de las personas, disponer de más instancias de práctica puede representar una contribución importante, siempre que la innovación avance junto con la supervisión académica y la validación científica.
En esa articulación entre innovación tecnológica, formación médica y responsabilidad pedagógica reside el valor del proyecto. Más que reemplazar la enseñanza tradicional, SIMULAPS busca extenderla: ofrecer más oportunidades para preguntar, equivocarse, analizar y volver a practicar antes del contacto con pacientes reales. Allí, en la posibilidad de aprender de cada decisión sin comprometer la seguridad de una persona, la inteligencia artificial encuentra uno de sus usos más prometedores dentro de la educación médica.
Otras noticias
