Coexistencia de enfermera AI y paciente simulado AI en la educación de enfermería utilizando un pipeline de ajuste fino bidireccional: estudio de desarrollo y análisis de contenido

Qué problema aborda

Los sistemas de pacientes simulados son fundamentales en la educación de enfermería, pero enfrentan desafíos como la escasez de actores, la carga para los instructores, los costos y la falta de continuidad en simulaciones presenciales. Los sistemas basados en modelos de lenguaje grande (LLM) existentes tratan al compañero de diálogo, la enfermera AI, como un modelo estático, lo que compromete la calidad de la recolección de datos y la aplicación pedagógica.

Qué hicieron los autores

Los autores desarrollaron dos modelos especializados, NURSE-ONE (enfermera AI) y PATIENT-ONE (paciente simulado AI), utilizando un pipeline de ajuste fino bidireccional en cinco etapas. Este proceso incluyó la creación de un sistema de diálogo provisional, el ajuste fino de NURSE-ONE y PATIENT-ONE, y la evaluación de ambos modelos mediante análisis de contenido y evaluación por parte de facultades de enfermería.

Qué encontraron

El análisis de Berelson identificó que el modelo NURSE-ONE, ajustado con 735 casos, mostró una tasa de preguntas abiertas del 21.5% y una tasa de recolección de información del 15.5%, alcanzando un rendimiento cuatro veces superior al de la línea base. Por otro lado, el modelo PATIENT-ONE mostró la menor variabilidad en la longitud de las respuestas y la mayor tasa de información proporcionada (47.9%) con 735 casos. Se observó una asimetría funcional preliminar entre la variación cualitativa del lado de la enfermera y la estabilización cuantitativa del lado del paciente, lo que sugiere una coherencia en el sistema. La evaluación por parte de terceros calificó la interacción entre la enfermera AI y el paciente simulado con altas puntuaciones de usabilidad.

Limitaciones

El texto disponible no detalla limitaciones específicas del estudio.

Lectura final

La implementación de estos modelos de inteligencia artificial en la educación de enfermería representa un avance significativo, ofreciendo una solución a los desafíos tradicionales de la simulación en este campo. La capacidad de operar en modos offline y su aplicabilidad en contextos de preparación para desastres amplían su potencial uso en la formación de profesionales de la salud.