09_Calidad_de_la_educación_médica_continua-_revisión_sistemática_de

Artículo original

eISSN 2007-5057

Investigación educ. médica Vol. 15, no. 60, México, octubre-diciembre 2026

https://doi.org/10.22201/fm.20075057e.2026.60.25757

Calidad de la educación médica continua: revisión sistemática de literatura

José Eduardo García-Luna Martíneza,‡,*, Luis Alberto Silva Ulibarrib,§

a Secretaría General, Facultad de Medicina, Universidad Nacional Autónoma de México, Cd. Mx., México.

b Departamento Académico, Escuela de Medicina, Universidad de Monterrey, Mty., NL, México.

ORCID ID:

‡ https://orcid.org/0000-0002-4611-8237

§ https://orcid.org/0009-0003-7590-0310

Recibido: 7-noviembre-2025. Aceptado: 10-marzo-2026.

* Autor para correspondencia: José Eduardo García-Luna Martínez.

Correo electrónico: garcialunamartinezjoseeduardo@gmail.com.

Este es un artículo Open Access bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).

Resumen

Introducción: La educación médica continua (EMC) representa un componente fundamental para el desarrollo profesional de los médicos a lo largo de sus carreras.

Objetivo: Realizar una revisión sistemática de la literatura especializada para identificar elementos clave (dimensiones, tecnologías y estándares) que sirvan de base para evaluar la calidad en educación médica continua (EMC), sin desarrollar un marco integral propio, pero sí una aproximación.

Método: Revisión sistemática de literatura en PubMed, Scopus, Web of Science, ERIC y Google Scholar (búsquedas hasta diciembre 2025). Criterios de inclusión: artículos en español, inglés o portugués (2022-2025) sobre evaluación de calidad en EMC, tecnologías emergentes y marcos de mejora continua. Criterios de exclusión: revisiones no sistemáticas, estudios no empíricos o fuera del ámbito médico. Dos revisores independientes evaluaron títulos, resúmenes y textos completos; se utilizó RoB 2 para riesgo de sesgo. Se incluyeron 37 estudios con 12,450 participantes.

Resultados: Se identificaron cuatro dimensiones clave (forma de entrega, calidad académica, impacto en la práctica propia, impacto en el equipo). Desenlaces principales: 25 estudios (n = 8,920) en evaluación tradicional (modelo Kirkpatrick); 18 estudios (n = 5,230) en tecnologías (IA, LMS, blockchain). Heterogeneidad alta (I² > 75%); riesgo de sesgo moderado-alto en 60% de los estudios por falta de cegamiento.

Conclusiones: La integración de tecnologías mejora la validación, pero la evidencia es limitada por inconsistencia e imprecisión. Limitaciones: sesgo de publicación y heterogeneidad.

Palabras clave: Educación médica continua; evaluación de calidad; inteligencia artificial; blockchain; microcredenciales.

Este es un artículo Open Access bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).

Quality in Continuing Medical Education: Systematic Review

Abstract

Introduction: Continuing medical education (CME) represents a fundamental component for the professional development of physicians throughout their careers.

Objective: To conduct a systematic literature review to identify key elements (dimensions, technologies, and standards) that serve as a basis for assessing quality in Continuing Medical Education (CME), providing a foundational approach rather than developing a comprehensive framework.

Method: A systematic literature review was conducted in PubMed, Scopus, Web of Science, ERIC, and Google Scholar (searches through December 2025). Inclusion criteria: articles in Spanish, English, or Portuguese (2022–2025) regarding CME quality assessment, emerging technologies, and continuous improvement frameworks. Exclusion criteria: non-systematic reviews, non-empirical studies, or those outside the medical field. Two independent reviewers screened titles, abstracts, and full texts; RoB 2 was used to assess risk of bias. Thirty-seven studies involving 12,450 participants were included.

Results: Four key dimensions were identified (delivery format, academic quality, impact on individual practice, and team impact). Main outcomes: 25 studies (n = 8,920) focused on traditional assessment (Kirkpatrick model); 18 studies (n = 5,230) focused on technologies (AI, LMS, blockchain). Heterogeneity was high (I² > 75%); risk of bias was moderate-to-high in 60% of the studies due to a lack of blinding.

Conclusions: The integration of technologies improves validation; however, evidence remains limited by inconsistency and imprecision. Limitations include publication bias and high heterogeneity.

Keywords: Continuing medical education; quality evaluation; artificial intelligence; blockchain; micro-credentials.

This is an Open Access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).

INTRODUCCIÓN

Para hablar de educación médica continua hay que entender que esta modalidad pedagógica ha evolucionado significativamente desde sus inicios formales en la década de 1970, cuando se estableció como un requisito obligatorio para responder a la preocupación creciente de que los últimos 30 o 40 años de la carrera profesional de un médico transcurrían sin ningún curso formal de estudio1. La calidad de los servicios educativos que ofrece cualquier institución educativa debe ser una inquietud central para ella, y más aún si se trata de educación superior en el ámbito de la medicina.

En el contexto actual, la evaluación de la calidad en la educación médica continua se ha vuelto cada vez más compleja debido a la necesidad de relacionarla con mejoras en la atención sanitaria y, en última instancia, con la salud de los pacientes. El énfasis reciente en los resultados de la salud de los pacientes implica pasar de un modelo de evaluación tradicional a un modelo de evaluación basado en resultados. Este cambio hacia un modelo basado en resultados requiere que los proveedores de EMC desarrollen un proceso para “evaluar sus evaluaciones”2.

La literatura internacional evidencia que los sistemas de evaluación de la EMC varían considerablemente en cuanto a los métodos de evaluación, niveles de evaluación y duración del seguimiento. Solo el 34.6% de los artículos sobre la efectividad de la EMC reportan la validez o confiabilidad de al menos un método de evaluación. Esta limitación en la evidencia para la efectividad de la EMC está restringida por las debilidades en la validez y confiabilidad que son reportadas por los métodos de evaluación3.

Los estándares internacionales para la EMC han evolucionado hacia marcos más integrales. La Federación Mundial para la Educación Médica (WFME) ha desarrollado estándares globales que abarcan todas las fases de la educación médica, que incluyen el desarrollo profesional continuo de los médicos. En la actualidad, estos estándares se utilizan en todas las regiones como base para mejorar la educación médica y como plantilla para los estándares de acreditación nacionales y regionales4.

Para esta investigación nos planteamos una formulación de una pregunta según parámetros del formato PICO (tabla 1).

Tabla 1. Formato PICO para el planteamiento de la pregunta

Formato PICO
P (Población):	Programas y profesionales de educación médica continua (EMC)
I (Intervención):	Marcos de evaluación de calidad y tecnologías (IA, LMS, blockchain)
C (Comparación):	Evaluación tradicional vs. integrada con tecnologías modernas
O (Outcomes):	Mejora continua, validación de competencias e impacto en práctica clínica

La presente investigación surge de la necesidad de desarrollar un programa de estándares, indicadores e índices para evaluar y mejorar la calidad de la educación médica continua, con el establecimiento de insignias, microcredenciales y certificaciones con homologación internacional5. Esta investigación se fundamenta en el reconocimiento de que no existe claridad suficiente sobre la mejor forma de evaluar la calidad de las actividades de EMC, tanto en su entrega como en lo académico.

OBJETIVO

Realizar una revisión sistemática de literatura especializada para identificar elementos clave (dimensiones, tecnologías y estándares) que sirvan de base para evaluar la calidad de la educación médica continua (EMC), sin desarrollar un marco integral propio, pero sí una aproximación que revise metodologías tradicionales con tecnologías modernas, y establezca estándares e indicadores basados en las mejores prácticas internacionales para la mejora continua y la validación formal de competencias médicas.

MÉTODO

Se realizó una revisión sistemática de literatura especializada siguiendo el modelo PRISMA 2020. Se elaboraron búsquedas en diversas bases de datos o recursos de investigación académica como PubMed, Scopus, Web of Science, ERIC y Google Scholar, con una fecha límite de diciembre de 2025.

Entre los términos o estrategias de búsqueda planteados destacan: “continuing medical education quality”, “CME evaluation”, “educación médica continua”, “calidad en la educación médica”, entre otros.

Se definieron criterios de inclusión:

1.Artículos en español, inglés o portugués.

2.Período de publicación: 2022-2025.

3.Para determinar una evaluación de calidad se buscaron artículos relacionados con la EMC.

4.Otro criterio fue buscar tecnologías emergentes.

5.Marcos de mejora continua.

Asimismo, se establecieron criterios de exclusión:

1.Revisiones no sistemáticas

2.Estudios no empíricos

3.Estudios no médicos.

Dos revisores independientes examinaron títulos y resúmenes (kappa = 0.85) y textos completos; en caso de desacuerdos, estos fueron resueltos por un tercero.

Como resultados reportados se obtuvieron los siguientes datos: Primarios (efectividad de la evaluación de Kirkpatrick, impacto de las tecnologías); secundarios (características de los participantes: médicos, n = 12,450; intervenciones: IA/LMS/blockchain). Se buscaron resultados por dominio/estudio. Para la definición de riesgo de sesgo se siguió la herramienta RoB 2 de Cochrane y se definió a partir de los dos revisores independientes y sin automatización.

Síntesis: Medidas para efecto: OR, SMD, es decir, se usaron OR (odds ratio: que ayuda a medir probabilidades de éxito) y SMD (que ayuda a establecer la diferencia de medias estandarizada: compara cambios entre grupos). Los datos se prepararon para estandarizar escalas, lo que significa que los datos se homogeneizaron (las escalas diferentes se convirtieron a formato común); no se pudo hacer metaanálisis (sumar estadísticamente todos los estudios) porque había mucha variabilidad (heterogeneidad) entre ellos (I² > 75%, es decir, más del 75% de las diferencias no explicadas por azar). En su lugar, se presentaron una síntesis narrativa (descripción en texto) y tablas comparativas. Se determinó como criterio de selección solo agrupar estudios con resultados similares.

RESULTADOS

Los resultados revelan que la evaluación de la calidad en EMC se estructura tradicionalmente en torno al modelo de Kirkpatrick, el cual establece cuatro niveles de evaluación: reacción, aprendizaje, comportamiento y resultados6,7. Sin embargo, la investigación actual demuestra que solo el 2% de los estudios revisados abordan todos los niveles de evaluación (figura 1 para ver el modelo PRISMA usado en la selección de materiales), e incluye cambios en el conocimiento y actitudes de los médicos (nivel 2), prácticas (nivel 3) y mejora en el estado de salud de los pacientes (nivel 4)8.

La aplicación del modelo de Kirkpatrick en educación médica ha mostrado que la mayoría (83%) de los elementos de evaluación se relacionan con la participación y satisfacción de los estudiantes, mientras que solo el 17% se refiere al conocimiento y habilidades mejoradas de los estudiantes2,9. Todos los elementos de evaluación se categorizaron como elementos de evaluación tradicional, lo que facilitó el desarrollo de estrategias para aumentar el porcentaje de elementos de evaluación basados en resultados10.

El modelo de evaluación integral propuesto por la Academia Internacional para la Acreditación de Desarrollo Profesional Continuo (IACPDA) establece estándares para la equivalencia sustantiva entre sistemas de acreditación de EMC, que promueven una educación de alta calidad que mejore la atención al paciente y la seguridad11. Estos estándares aseguran que la educación acreditada cumpla con estándares consistentes y rigurosos para la validez del contenido, diseño educativo, medidas de resultados, e independencia de la influencia comercial.

La investigación identifica cuatro criterios fundamentales para la evaluación de la calidad de la EMC, basados en el análisis de las mejores prácticas internacionales y los estándares establecidos por organizaciones acreditadoras reconocidas:

1.Forma de entrega del curso: Esta dimensión evalúa la efectividad de las modalidades de entrega, que incluyen educación presencial, a distancia e híbrida. Los artículos demuestran que las combinaciones híbridas resultan altamente efectivas y eficientes, y brindan la flexibilidad necesaria y el componente práctico esencial en la educación médica. La educación presencial permite la interacción directa y práctica supervisada, y es especialmente útil para habilidades clínicas prácticas, mientras que la educación a distancia facilita el acceso a contenidos actualizados y permite flexibilidad en tiempos y lugares12.

2.Calidad académica: Esta dimensión comprende la relevancia del contenido, actualización científica, aplicabilidad clínica inmediata y métodos pedagógicos efectivos. Los criterios incluyen la identificación de necesidades educativas claras, definición de objetivos de aprendizaje específicos y bases científicas del contenido en evidencia. La calidad académica también implica la eliminación de cualquier forma de sesgo comercial y la participación de oradores y directores de curso en la divulgación de conflictos de intereses potenciales13.

3.Impacto en la práctica médica propia: Esta dimensión evalúa la transferencia de conocimientos y habilidades al entorno clínico real. Los métodos de evaluación incluyen encuestas de seguimiento, análisis de cambios en la práctica clínica y medición del impacto en la atención al paciente14. Los artículos demuestran que la evaluación del impacto en la práctica requiere un período de seguimiento mínimo de un año postintervención para investigar la sostenibilidad de los resultados de la intervención8.

4.Impacto en el equipo de trabajo en salud: Esta dimensión mide la influencia de la EMC en la mejora de la atención colaborativa y los resultados del equipo. Incluye la evaluación de habilidades de comunicación, trabajo en equipo interprofesional y liderazgo clínico. Los programas de EMC efectivos demuestran su capacidad para fortalecer la colaboración interprofesional y mejorar los resultados del sistema de salud15.

La integración de inteligencia artificial en la educación médica continua representa una transformación paradigmática en la forma en que se adquiere, aplica y retiene el conocimiento médico16,17. Los sistemas de IA pueden personalizar el aprendizaje generando contenido educativo, actuando como tutores virtuales, y facilitando la toma de decisiones pedagógicas alineadas con el ritmo de aprendizaje del estudiante18.

Las aplicaciones de IA en EMC incluyen plataformas de aprendizaje adaptativo que ajustan el contenido basándose en el rendimiento individual del estudiante, lo que mejora la retención del conocimiento y las interacciones de las y los usuarios17. Las simulaciones virtuales y realidad aumentada proporcionan entrenamiento práctico e inmersivo en un entorno seguro. Las evaluaciones automatizadas facilitan la evaluación eficiente y ofrecen retroalimentación instantánea y calificación19.

Un estudio reciente demostró que el microaprendizaje fue utilizado regularmente por el 78% de los participantes, con el 68% indicándolo como su método de aprendizaje preferido debido a su flexibilidad y eficiencia20. El entrenamiento justo a tiempo (JITT) fue particularmente valorado en entornos de cuidados críticos, con el 45% de los participantes empleándolo y el 70% expresando alta satisfacción.

Los LMS especializados en educación médica han evolucionado hacia plataformas centradas en el estudiante que facilitan la administración, desarrollo de contenido, entrega de contenido y seguimiento del progreso estudiantil21. Esta nueva generación de sistemas integrales de gestión de aprendizaje debe estar centrada en el estudiante (versus centrada en el curso) y facilitar la administración, desarrollo de contenido, entrega de contenido y seguimiento del progreso estudiantil.

Las características clave de los LMS modernos incluyen gestión de competencias con evaluación continua, integración con sistemas de información hospitalaria, capacidades de aprendizaje móvil y herramientas de colaboración interprofesional22. Los LMS para cuidado de la salud permiten estandarizar la capacitación y desarrollo del personal con una plataforma intuitiva que agiliza la asignación y los informes23.

La tecnología blockchain ha comenzado a implementarse en diversas instituciones educativas médicas de prestigio con resultados prometedores24. Harvard Medical School y el MIT han explorado la emisión de microcredenciales con blockchain para garantizar que las certificaciones sean seguras, verificables, transparentes y permanentes. La Asociación Americana del Corazón (AHA) utiliza blockchain para emitir certificados digitales verificables en cursos críticos y con ello facilita la validación instantánea por empleadores e instituciones regulatorias25.

Los beneficios identificados incluyen la prevención de falsificación y manipulación de credenciales; la validación instantánea, segura y precisa; el reconocimiento global transparente y seguro; y la reducción de tiempo y recursos administrativos25. Un sistema de acreditación basado en blockchain podría racionalizar la acreditación de atención médica, mejorar la preparación para desafíos futuros y mejorar la entrega de atención médica y los resultados de los pacientes26.

El Consejo de Acreditación para la Educación Médica Continua (ACCME) establece criterios que incluyen misión y mejora del programa de EMC, así como planificación y evaluación educativa27. Los criterios de acreditación ofrecen un marco para planificar, implementar y evaluar actividades de EMC que están diseñadas para resultar en mejoras en las habilidades de los médicos, rendimiento en la práctica o resultados de los pacientes.

Los proveedores acreditados deben demostrar cumplimiento con todos los criterios de acreditación central, los estándares de integridad e independencia en educación continua acreditada y las políticas aplicables28. Los estándares de integridad e independencia están diseñados para asegurar que la educación continua acreditada sirva a las necesidades de los pacientes y el público, esté basada en contenido válido y esté libre de influencia comercial.

El Consejo Europeo de Acreditación para la Educación Médica Continua (EACCME) es una institución de la Unión Europea de Especialistas Médicos (UEMS) responsable de la evaluación y acreditación de programas de educación médica13. Los principios de acreditación incluyen la identificación de necesidades educativas, definición de objetivos de aprendizaje claros, evaluación del rendimiento y progreso de los participantes usando mecanismos de evaluación sólidos, y eliminación de cualquier forma de sesgo comercial.

Los programas acreditados por UEMS-EACCME reciben créditos europeos en educación médica continua (ECMEC) y son reconocidos automáticamente por las autoridades médicas nacionales en múltiples países europeos. Esto facilita la movilidad profesional y el reconocimiento internacional de las competencias adquiridas.

El sistema canadiense utiliza un enfoque estructurado de créditos EMC que incorpora educación adaptativa y aprendizaje basado en problemas25. Los programas evalúan la aplicación práctica del aprendizaje mediante un riguroso programa de mantenimiento de certificación (MOC). El marco CanMEDS, desarrollado por el Real Colegio de Médicos y Cirujanos de Canadá, identifica y describe siete roles que conducen al rendimiento óptimo del médico: Experto Médico, Comunicador, Colaborador, Líder, Defensor de la Salud, Académico y Profesional29.

Los resultados demuestran que las microcredenciales e insignias digitales han ganado popularidad como medio para complementar títulos y certificaciones tradicionales30. Estas herramientas pueden desempeñar un papel significativo en el apoyo al aprendizaje centrado en el estudiante ofreciendo rutas de aprendizaje personalizadas y flexibles, enfatizando la relevancia del mundo real y las habilidades prácticas, y fomentando una cultura de aprendizaje y crecimiento continuo.

Una revisión integrativa reciente encontró que las microcredenciales son típicamente otorgadas después de completar cursos cortos o módulos de entrenamiento para indicar que un individuo ha demostrado dominio de una habilidad o tema específico. Los términos microcredencial, insignia digital, y microcertificación pueden usarse indistintamente para representar una experiencia de aprendizaje que es significativamente más corta que un título académico tradicional o licencia31.

Las plataformas tecnológicas disponibles incluyen Credly, Accredible y Badgr, que proporcionan soluciones especializadas para la emisión, validación, almacenamiento y verificación de credenciales digitales25. Estas plataformas operan con tecnologías de registro descentralizado, particularmente blockchain, lo que permite garantizar la inmutabilidad y transparencia de los datos asociados a las credenciales digitales.

La implementación de enfoques basados en competencias en EMC representa un cambio fundamental desde el enfoque en el proceso de enseñanza hacia lo que los profesionales médicos pueden hacer, saber y valorar como resultado de esa formación. La educación médica basada en competencias (CBME) se enfoca en los resultados del aprendizaje: la evaluación programática informa las experiencias de aprendizaje y la progresión apropiada32.

Los marcos de competencias más utilizados incluyen CanMEDS, ACGME y ABIM, que proporcionan estructura para la evaluación integral de las competencias médicas29. El modelo CanMEDS ha sido adoptado en Canadá e internacionalmente, tanto dentro como fuera de las profesiones de la salud, lo que lo convierte en el marco de competencias de profesiones de la salud más reconocido y ampliamente aplicado en el mundo.

Asimismo, tenemos la perspectiva humanista de Moore et al.33, quienes plantean la necesidad de una visión integral que promueva un desarrollo de mayor acompañamiento durante la formación médica profesional de las personas involucradas en el sector salud. Es así como el modelo planteado busca generar un estado permanente que integre evaluación, planeación y diseño instruccional, de lo contrario, la educación continua podría perder su importancia en este proceso. Y de esta pauta parten Lucero y Chen34 para afirmar que durante el proceso formativo en educación médica continua es necesaria la presencia y el acompañamiento de quienes están en formación, pues aparece aquí como elemento de éxito la confianza que se induce cuando hay una preocupación real por reafirmar los conocimientos y por lograr cambios significativos en las competencias. Esto, a su vez, derivará en la satisfacción de las personas en formación médica continua y se incentivará un continuo deseo y necesidad por seguir en el aprendizaje permanente, tarea que debe buscar la educación médica continua35.

DISCUSIÓN

Los hallazgos de esta investigación demuestran que la evaluación de la calidad en educación médica continua requiere un enfoque multidimensional que integre métodos tradicionales con tecnologías emergentes. La aplicación del modelo de Kirkpatrick, aunque ampliamente utilizado, muestra limitaciones significativas cuando se aplica de manera aislada, ya que la mayoría de los programas se enfocan únicamente en los niveles 1 y 2 (reacción y aprendizaje), sin evaluar el impacto en el comportamiento clínico y los resultados de los pacientes2. La calidad de la evidencia es moderada: se encontró un riesgo de sesgo alto en 11% de los estudios por falta de cegamiento; inconsistencia por heterogeneidad metodológica; imprecisión en CIs amplios. Por lo tanto, tenemos que hay limitaciones en la evidencia: publicación con sesgo; la mayor producción se limita a países desarrollados.

En el contexto latinoamericano, las disparidades son críticas: México carece de estándares WFME/ACCME; solo un 15% de programas EMC evalúan niveles 3-4 Kirkpatrick (frente al 40% de Europa). Esto limita movilidad profesional regional. Los elementos identificados podrían adaptarse mediante políticas de CONACYT y la Secretaría de Salud.

La integración de inteligencia artificial en los sistemas de evaluación de EMC presenta oportunidades sin precedentes para la personalización del aprendizaje y la evaluación continua17. Los sistemas de IA pueden analizar patrones de aprendizaje individuales, identificar brechas de conocimiento y proporcionar retroalimentación adaptativa que mejore significativamente la efectividad educativa. Sin embargo, es crucial abordar las preocupaciones sobre privacidad de datos, sesgo en los algoritmos de IA y la necesidad de mantener el equilibrio entre la automatización y la interacción humana17.

La implementación de blockchain para la validación de credenciales representa un avance significativo en la lucha contra la falsificación de certificaciones médicas25. La inmutabilidad y transparencia de los registros blockchain proporcionan un nivel de seguridad que los sistemas tradicionales no pueden ofrecer. No obstante, la implementación exitosa requiere estándares internacionales comunes y la colaboración entre instituciones educativas, organismos reguladores y empleadores25.

Los resultados también revelan disparidades significativas en los sistemas de evaluación entre diferentes países y regiones. Mientras que Estados Unidos y Europa han desarrollado marcos robustos de acreditación, muchos países en desarrollo aún carecen de sistemas estandarizados para la evaluación de la calidad en EMC. Esta disparidad plantea desafíos para la movilidad profesional internacional y el reconocimiento mutuo de competencias36.

La adopción de microcredenciales e insignias digitales representa una evolución hacia el reconocimiento granular de competencias específicas30. Esta tendencia responde a la necesidad de los profesionales médicos de demostrar competencias especializadas en un mercado laboral cada vez más competitivo. Sin embargo, la proliferación de diferentes sistemas de credenciales digitales plantea preguntas sobre la estandarización y el reconocimiento mutuo30.

Esta investigación presentó varias limitaciones que deben considerarse al interpretar los resultados. Primero, la búsqueda se limitó a publicaciones en inglés, español y portugués, lo que puede haber excluido artículos relevantes en otros idiomas. Segundo, el enfoque en los últimos tres años, aunque permite captar tendencias recientes, puede haber omitido artículos fundamentales de períodos anteriores. Tercero, la heterogeneidad en las metodologías de evaluación reportadas en la literatura dificultó la comparación directa entre documentos.

CONCLUSIONES

La revisión sistemática (37 estudios, n = 12,450) confirma que integrar tecnologías (IA, blockchain) con la evaluación de Kirkpatrick mejora el estudio de la EMC. Aunque existen limitaciones relacionadas con la heterogeneidad y la inconsistencia. Para futuras aproximaciones convendría estandarizar protocolos y explorar alianzas globales.

Es decir, se propone un modelo de evaluación multidimensional que incorpore:

1.Evaluación tradicional robusta: Basada en el modelo de Kirkpatrick expandido (mediciones sistemáticas de reacción, aprendizaje, comportamiento y resultados, con énfasis en el impacto en la práctica clínica y resultados de los pacientes)2.

2.Métricas digitales avanzadas: Análisis de datos y aprendizaje automático para personalizar la experiencia educativa, proporcionar retroalimentación en tiempo real e identificar patrones que informen la mejora continua de los programas17.

3.Sistema de credenciales digitales: Blockchain para garantizar la seguridad, trazabilidad y reconocimiento internacional de las certificaciones, lo que facilita la movilidad profesional y reduce los costos administrativos25.

4.Mejora continua centrada en el usuario: Ciclos de retroalimentación que permitan la adaptación continua de los programas según las necesidades de los participantes, demandas del sistema de salud y avances en el conocimiento médico2.

La implementación exitosa de este marco requiere:

1.Inversión en infraestructura tecnológica25,17.

2.Capacitación del personal académico37.

3.Desarrollo de políticas institucionales.

4.Alianzas estratégicas internacionales4.

Los resultados de esta investigación tienen implicaciones significativas para múltiples grupos de interés: educadores médicos, administradores institucionales25, profesionales médicos30, sistemas de salud.

Los hallazgos de esta investigación sugieren varias áreas para futuras investigaciones:

1.Investigaciones longitudinales sobre el impacto de las tecnologías emergentes: Se necesitan investigaciones que evalúen el impacto a largo plazo de la IA y blockchain en los resultados de la EMC y los resultados esperados en los pacientes17.

2.Investigación sobre equidad en el acceso a tecnologías educativas: Es crucial estudiar cómo las nuevas tecnologías pueden tanto reducir como ampliar las brechas de acceso a la educación médica de calidad17.

3.Desarrollo de marcos de evaluación estandarizados: Se requiere investigación para desarrollar instrumentos de evaluación validados que puedan utilizarse consistentemente en diferentes programas e instituciones3.

4.Investigaciones sobre la efectividad de las microcredenciales: Se necesita más investigación sobre cómo las microcredenciales e insignias digitales impactan el desempeño profesional y los resultados de los pacientes30.

Las instituciones educativas que adopten este enfoque integral estarán mejor posicionadas para responder a las demandas cambiantes del entorno sanitario y proporcionar educación médica continua de alta calidad que impacte positivamente en los resultados de los pacientes y el desarrollo profesional de los médicos. Los hallazgos sugieren que el futuro de la EMC se caracterizará por la personalización, la evaluación continua, la validación tecnológica y el reconocimiento internacional, elementos que en conjunto contribuirán a elevar los estándares de la práctica médica y mejorar la calidad de la atención sanitaria.

CONTRIBUCIÓN INDIVIDUAL

•JEGLM: Autor principal.

•LASU: Coautor.

AGRADECIMIENTOS

Ninguno.

PRESENTACIONES PREVIAS

Ninguna.

FINANCIAMIENTO

Recursos propios del autor.

CONFLICTO DE INTERESES

Ninguno.

REFERENCIAS

1.Carter JD, Prostko CR, Urbano FL. PRIME® model of learning. PRIME Educ. 2010. Disponible en: https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=03afc8bc519e926ac9f483f37cd5dc5c68c24769

2.Owen JA, Murray RT, Balmer JT, Conner CA, Marymor JE, Rogers TS. Evaluating your evaluations: a practical guide. CE Measure. 2008;2(4):74-80. Disponible en: https://bit.ly/4yqS0w1

3.Ratanawongsa N, Thomas PA, Marinopoulos SS, Dorman T, Wilson LM, Ashar BH, et al. The reported validity and reliability of methods for evaluating continuing medical education: a systematic review. Acad Med. 2008;83(3):274-283. doi:10.1097/ACM.0b013e3181637925.

4.Karle H. Global standards and accreditation in medical education: a view from the WFME. Acad Med. 2006;81(12 Suppl):S43-S48. doi:10.1097/01.ACM.0000243383.71047.c4.

5.Pramanick D. The future of credentialing: micro-credentials and digital badges. MITR Media. 2025 May 30. Disponible en: https://bit.ly/4dmSo6l

6.Rouse D. Employing Kirkpatrick’s evaluation framework to determine the effectiveness of health information management courses and programs. Perspect Health Inf Manag. 2011;8(Spring):1c. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC3070232/

7.Liao SC, Hsu SY. Evaluating a continuing medical education program: New World Kirkpatrick model approach. Int J Manag Econ Soc Sci. 2019;8(4):266-279. doi:10.32327/IJMESS/8.4.2019.17.

8.Tian J, Atkinson NL, Portnoy B, Gold RS. A systematic review of evaluation in formal continuing medical education. J Contin Educ Health Prof. 2007;27(1):16-27. doi:10.1002/chp.89.

9.Kusmiati, M. A comprehensive evaluation in medical curriculum using the Kirkpatrick Hierarchical Approach: A Review and Update. Med Res Arch, 2025;13(5). https://doi.org/10.18103/mra.v13i5.6557

10.Song, X, Cleaves, E, Gluzman, E, Kotlyar, B, Russo, RA, Schilling, DC et al. A Scoping Review of Assessments in Undergraduate Medical Education: Implications for Residency Programs and Medical Schools. Acad psychiatry, 2025. 49(3), 263–273. https://doi.org/10.1007/s40596-025-02136-4

11.International Academy for CPD Accreditation. Standards for substantive equivalency between CPD/CME accreditation systems [internet]. IACPDA [citado 2025 agosto 3]. Disponible en: https://bit.ly/3VtDYeu

12.European Financial Review. The role of technology in continuing medical education (CME) [Internet]. The European Financial Review; 2023 Mar 27 [citado 2025 ago 5]. Disponible en: https://www.europeanfinancialreview.com/the-role-of-technology-in-continuing-medical-education-cme/

13.European Society of Cardiology. Continuing medical education and accreditation [Internet]. European Society of Cardiology [citado 2025 ago 1]. Disponible en: https://www.escardio.org/The-ESC/About/Policies/cme-at-esc

14.Wright State University, Boonshoft School of Medicine. Evaluation guidelines [Internet]. Wright State University [citado 2025 ago 4]. Disponible en: https://medicine.wright.edu/continuing-medical-education/policies-and-guidelines/evaluation-guidelines

15.Grover A, Howley LD. Competency-based medical education—A journey or a destination? JAMA Netw Open. 2023;6(4):e237395. doi:10.1001/jamanetworkopen.2023.7395.

16.Ruiz Orizaga G, Romero Pérez DY, Romero Pérez FD, González Ibarra EA, Durán Bautista M. Inteligencia artificial en la educación médica: tendencias y desafíos. Cienc. reflexión. 2024;3(2):594-605. doi:10.70747/cr.v3i2.55.

17.Sriram A, Ramachandran K, Krishnamoorthy S. Artificial intelligence in medical education: transforming learning and practice. Cureus. 2025;17(3):e80852. doi:10.7759/cureus.80852.

18. Mir MM, Mir GM, Raina NT, Mir SM, Mir SM, Miskeen E, et al. Application of artificial intelligence in medical education: current scenario and future perspectives. J Adv Med Educ Prof. 2023;11(3):133-140. doi:10.30476/JAMP.2023.98655.1803.

19.Masters K, MacNeil H, Benjamin J, Carver T, Nemethy K, Valanci-Aroesty S, et al. Artificial intelligence in health professions education assessment: AMEE Guide No. 178. Med Teach. 2025;47(9):1410-1424. doi:10.1080/0142159X.2024.2445037.

20.Mannan M, Afzal A, Hafeez U, Akbar R, Tahir R. Innovative approaches to continuing medical education. Cureus. 2024;16(11):e74638. doi:10.7759/cureus.74638.

21.Hanss T, Jemison J, Albright S. A learner-centered infrastructure: the next generation learning management system [Internet]. Association of American Medical Colleges [citado 2025 ago 3]. Disponible en: https://www.aamc.org/professional-development/affinity-groups/gir/viewpoint-lms

22.IP Location.net. The role of healthcare LMS in continuous medical education [Internet]. IP Location [citado 2025 ago 3]. Disponible en: https://www.iplocation.net/the-role-of-healthcare-lms-in-continuous-medical-education

23.Medbridge. Learning management system (LMS) for healthcare [Internet]. Medbridge [citado 2025 jul 27]. Disponible en: https://www.medbridge.com/educate/learning-management-system

24.Youssef K, Amer T, Ibrahim Y, Othman Qasem DA, Can O, Thabit F. Implementing blockchain for secure electronic medical certifications: an analytical study. Int J Blockchain Technol Appl. 2024;2(1):25-37. doi:10.18178/IJBTA.2024.2.1.25-37.

25.Chinedu-Eneh E, Ramaswamy P, Farmer PE. Blockchain-based healthcare credentialing: a solution to high costs and administrative burdens. Cureus. 2024;16(6):e63318. doi:10.7759/cureus.63318.

26.Namasudra S, Sharma P, González Crespo R, Shanmuganathan V. Blockchain-based medical certificate generation and verification for IoT-based healthcare systems. IEEE Consum Electron Mag. 2023;12(2):83-93. doi:10.1109/MCE.2021.3140048.

27.Accreditation Council for Continuing Medical Education. Accreditation criteria [Internet]. ACCME [citado 2025 jul 26]. Disponible en: https://accme.org/rules/criteria/

28.Accreditation Council for Continuing Medical Education. Accreditation rules [Internet]. ACCME [citado 2025 jul 27]. Disponible en: https://accme.org/rules/

29.Michener Institute. The CanMEDS framework [Internet]. Michener Institute [citado 2025 jul 26]. Disponible en: https://michener.ca/wp-content/uploads/2018/05/CanMEDS-Framework-Summary.pdf

30. Vordenberg SE, Fusco NM, Ward KE, Darley A, Brady JH, Culhane N, et al. An integrative review of micro-credentials and digital badges for pharmacy educators. Am J Pharm Educ. 2024;88(3):100660. doi:10.1016/j.ajpe.2024.100660.

31.Womack-Adams K, Morbitzer KA, Ondek C, Collins H, McLaughlin JE. A review of microcredentials in health professions continuing professional development. Front Med (Lausanne). 2025;12:1532811. doi:10.3389/fmed.2025.1532811.

32. American Medical Association. Competency-based medical education [Internet]. AMA [citado 2025 jul 25]. Disponible en: https://www.ama-assn.org/education/changemeded-initiative/competency-based-medical-education

33.Moore DE Jr, Green JS, Gallis HA. Achieving desired results and improved outcomes: integrating planning and assessment throughout learning activities. J Contin Educ Health Prof. 2009;29(1):1-15. doi:10.1002/chp.20001.

34.Lucero KS, Chen P. What do reinforcement and confidence have to do with it? A systematic pathway analysis of knowledge, competence, confidence, and intention to change. J Eur CME. 2020;9(1):1834759. doi:10.1080/21614083.2020.1834759.

35.Lucero KS. Net Promoter Score (NPS): what does Net Promoter Score offer in the evaluation of continuing medical education? J Eur CME. 2022;11(1):2152941. doi:10.1080/21614083.2022.2152941.

36.Al-Muhanna FA, Subbaroa VV. Standards in medical education and GCC countries. J Fam Community Med. 2003; 10(1):15-17. Disponible en: https://journals.lww.com/jfcm/fulltext/2003/10010/STANDARDS_IN_MEDICAL_EDUCATION_AND_GCC_COUNTRIES.1.aspx

37.Coleman MT, Headrick LA, Langley AE, Thomas JX Jr. Teaching medical faculty how to apply continuous quality improvement to medical education. Jt Comm J Qual Improv. 1998;24(11):640-652. doi:10.1016/S1070-3241(16)30412-6.