{"id":5804,"date":"2024-03-04T13:20:41","date_gmt":"2024-03-04T18:20:41","guid":{"rendered":"https:\/\/ascofame.org.co\/web\/?p=5804"},"modified":"2024-04-05T14:18:48","modified_gmt":"2024-04-05T19:18:48","slug":"el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana","status":"publish","type":"post","link":"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/","title":{"rendered":"Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos."},"content":{"rendered":"<div class=\"nolwrap\"><p>[vc_row][vc_column][vc_column_text]<strong>Angelo Laverde B.<sup>1<\/sup><\/strong><\/p>\n<p><strong><sup>1 <\/sup><\/strong>Director de evaluaci\u00f3n y tecnolog\u00edas educativas en salud de Asociaci\u00f3n Colombiana de Facultades de Medicina (ASCOFAME), Bogot\u00e1, Colombia; alaverde@ascofame.org.co.<\/p>\n<p style=\"text-align: center;\"><em>El t\u00e9rmino &#8220;Big Data&#8221; ha llegado para revolucionar la forma en que recopilamos, gestionamos y analizamos datos en la era digital. Se refiere al procesamiento de conjuntos de datos enormes y complejos que desaf\u00edan las capacidades de las herramientas de procesamiento de datos tradicionales <sup><strong>2<\/strong><\/sup>. Estos conjuntos de datos son tan vastos que superan la capacidad de las bases de datos convencionales y el software de procesamiento de datos. Pero, \u00bfc\u00f3mo ha evolucionado este concepto y qu\u00e9 relevancia tiene en la educaci\u00f3n m\u00e9dica<\/em>?<\/p>\n<p>Para entender la magnitud de Big Data en la actualidad, es interesante mirar hacia atr\u00e1s en la historia. En 1663, John Graunt se enfrent\u00f3 a lo que podr\u00edamos considerar como &#8220;<em>cantidades abrumadoras de informaci\u00f3n<\/em>&#8221; mientras estudiaba la peste bub\u00f3nica que asolaba Europa<sup>3<\/sup>. Graunt utiliz\u00f3 estad\u00edsticas y se le atribuye como la primera persona en utilizar el an\u00e1lisis de datos estad\u00edsticos a \u201cgran escala\u201d. Si bien los vol\u00famenes de datos de la \u00e9poca eran incomparables con los exabytes con los que lidiamos hoy en d\u00eda, para aquellos pioneros, los datos ciertamente parec\u00edan abrumadores en ese momento.<\/p>\n<p>La evoluci\u00f3n de Big Data incluye una serie de pasos preliminares para su fundaci\u00f3n, el punto es que &#8220;Big Data&#8221; es un t\u00e9rmino relativo dependiendo de qui\u00e9n lo est\u00e9 discutiendo. Big Data para Amazon o Google es muy diferente de Big Data para una organizaci\u00f3n de tama\u00f1o mediano, pero no menos &#8220;grande&#8221; en el imaginario de quienes lo enfrentan.<\/p>\n<p>El concepto de Big Data se destaca por sus seis \u201cVs\u201d fundamentales<sup>4<\/sup>. Estas seis dimensiones incluyen:<\/p>\n<ul>\n<li><strong>Volumen:<\/strong> Este aspecto se refiere a la inmensa cantidad de datos que se generan y recopilan de manera continua. En el contexto de una facultad de medicina, esto podr\u00eda representar la abundancia de registros que abarcan desde informaci\u00f3n de contacto y calificaciones hasta registros acad\u00e9micos y datos de investigaci\u00f3n.<\/li>\n<li><strong>Variedad:<\/strong> La variedad implica la diversidad de tipos de datos, que pueden ser estructurados, no estructurados o semiestructurados. En una facultad de medicina, esta diversidad se manifiesta en datos estructurados como notas de ex\u00e1menes y datos no estructurados como informes de proyectos de investigaci\u00f3n, notas de conferencias y documentos de investigaci\u00f3n en diversos formatos.<\/li>\n<li><strong>Velocidad:<\/strong> La velocidad se relaciona con la rapidez con la que se generan y deben procesarse los datos, especialmente en situaciones que requieren respuestas en tiempo real. En una facultad de medicina, esto se traduce en la necesidad de procesar r\u00e1pidamente datos relacionados con la inscripci\u00f3n de estudiantes, la planificaci\u00f3n de cursos y la gesti\u00f3n de proyectos de investigaci\u00f3n para garantizar una administraci\u00f3n eficaz.<\/li>\n<li><strong>Veracidad: <\/strong>La veracidad se vincula con la calidad y la confiabilidad de los datos, lo que plantea desaf\u00edos cruciales para asegurar la precisi\u00f3n en el an\u00e1lisis. En el contexto acad\u00e9mico y de investigaci\u00f3n m\u00e9dica, la veracidad es esencial para garantizar la exactitud de los datos utilizados en investigaciones y publicaciones cient\u00edficas, lo que a su vez respalda la integridad acad\u00e9mica.<\/li>\n<li><strong>Valor:<\/strong> El valor representa el potencial beneficio que se puede extraer de los datos, respaldando la toma de decisiones informadas y la investigaci\u00f3n de alta calidad. En una facultad de medicina, esto se traduce en la capacidad de utilizar datos para evaluar el rendimiento de los programas acad\u00e9micos, identificar tendencias en la investigaci\u00f3n m\u00e9dica y mejorar la calidad de la educaci\u00f3n y la investigaci\u00f3n.<\/li>\n<li><strong>Volatilidad:<\/strong> La volatilidad se refiere a la duraci\u00f3n de la relevancia de los datos, ya que algunos pueden volverse obsoletos r\u00e1pidamente. En este contexto, consideramos que los planes de estudios antiguos pueden perder relevancia a medida que avanza la medicina, lo que subraya la necesidad de actualizaciones regulares y la adaptaci\u00f3n constante.<\/li>\n<\/ul>\n<p>Como ya lo mencionamos, Big Data se refiere al manejo y an\u00e1lisis de conjuntos de datos extremadamente grandes y complejos que superan la capacidad de las herramientas tradicionales de procesamiento de datos. Sin embargo, es importante aclarar qu\u00e9 es y qu\u00e9 no es Big Data:<\/p>\n<table style=\"text-align: center;\" border=\"1\" width=\"90%\">\n<thead>\n<tr>\n<td style=\"text-align: center;\" width=\"110\"><strong>Caracter\u00edsticas de Big Data<\/strong><\/td>\n<td style=\"text-align: center;\" width=\"299\"><strong>Lo que es Big Data:<\/strong><\/td>\n<td style=\"text-align: center;\"><strong>Lo que no es Big Data:<\/strong><\/td>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td width=\"110\">Grandes vol\u00famenes de datos<\/td>\n<td width=\"299\">Conjuntos de datos extremadamente grandes (terabytes, petabytes, exabytes).<\/td>\n<td>Conjuntos de datos peque\u00f1os que pueden manejarse con herramientas convencionales.<\/td>\n<\/tr>\n<tr>\n<td width=\"110\">Diversidad de fuentes y tipos de datos<\/td>\n<td width=\"299\">Incluye datos estructurados, no estructurados y semiestructurados. Puede provenir de m\u00faltiples fuentes (redes sociales, sensores, texto, im\u00e1genes, etc.).<\/td>\n<td>Datos estructurados simples que se ajustan a formatos tabulares y pueden procesarse con bases de datos tradicionales.<\/td>\n<\/tr>\n<tr>\n<td width=\"110\">Velocidad de generaci\u00f3n<\/td>\n<td width=\"299\">Datos generados a alta velocidad y de forma continua, incluso en tiempo real.<\/td>\n<td>Datos que no se generan r\u00e1pidamente ni en tiempo real.<\/td>\n<\/tr>\n<tr>\n<td width=\"110\">Complejidad y variedad de datos<\/td>\n<td width=\"299\">Implica datos complejos y heterog\u00e9neos que requieren herramientas y t\u00e9cnicas especiales para su procesamiento y an\u00e1lisis.<\/td>\n<td>Datos que no son complejos ni heterog\u00e9neos y pueden ser manejados con m\u00e9todos est\u00e1ndar.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h5 style=\"text-align: center;\">Fuente: Elaboraci\u00f3n propia<\/h5>\n<p>&nbsp;<\/p>\n<p>El concepto de Big Data en la Educaci\u00f3n M\u00e9dica (BDEM) encuentra sus ra\u00edces en diversas industrias y disciplinas, desde la microbiolog\u00eda hasta la gen\u00f3mica<sup>5<\/sup>. En la educaci\u00f3n m\u00e9dica, los datos provienen de m\u00faltiples fuentes, como registros en un aula virtual, consultas en bases de datos bibliogr\u00e1ficas, bit\u00e1coras y eportafolios, resultados de evaluaciones, informaci\u00f3n de evaluaci\u00f3n del plan de estudios y m\u00e1s. El poder de BDEM radica en la recopilaci\u00f3n, integraci\u00f3n y an\u00e1lisis de estos datos para tomar decisiones informadas y actuar en consecuencia.<\/p>\n<p>El potencial de BDEM en la educaci\u00f3n m\u00e9dica es vasto y se extiende a aplicaciones pr\u00e1cticas y de investigaci\u00f3n. Desde la evaluaci\u00f3n del rendimiento estudiantil hasta la predicci\u00f3n del \u00e9xito acad\u00e9mico, BDEM ofrece oportunidades para personalizar la ense\u00f1anza y mejorar la calidad y seguridad de la atenci\u00f3n al paciente<sup>6<\/sup>.<\/p>\n<p><strong>La aplicaci\u00f3n de Big Data (BD) en la Educaci\u00f3n M\u00e9dica (EM) <\/strong><\/p>\n<p>El potencial de BDEM incluye tanto aplicaciones pr\u00e1cticas (por ejemplo, evaluaci\u00f3n y evaluaci\u00f3n de programas y planes de estudio) como aplicaciones de investigaci\u00f3n. Dependiendo del prop\u00f3sito y\/o la pregunta de investigaci\u00f3n, la miner\u00eda de datos puede realizarse a gran escala a nivel de sistemas o a peque\u00f1a escala de manera personalizada.<\/p>\n<p>&nbsp;<\/p>\n<p>La aplicaci\u00f3n de BDEM organiza y cristaliza los datos para permitir una mejor comprensi\u00f3n de lo que sucedi\u00f3 y de lo que est\u00e1 ocurriendo actualmente. Esto puede ocurrir a trav\u00e9s de diferentes formas de an\u00e1lisis, incluido el an\u00e1lisis prospectivo longitudinal, el descubrimiento de tendencias, el reconocimiento de patrones y la anal\u00edtica predictiva. Por lo tanto, se pueden hacer predicciones o extrapolaciones sobre lo que podr\u00eda ocurrir en el plan de estudios, los programas y las pr\u00e1cticas educativas<sup>7<\/sup>,<sup>8<\/sup>,<sup>9<\/sup><\/p>\n<p>Por ejemplo, BDEM puede facilitar la toma de decisiones en la educaci\u00f3n m\u00e9dica de pregrado, como la selecci\u00f3n de estudiantes de medicina o la preparaci\u00f3n de un estudiante de medicina para graduarse.<\/p>\n<p>En la educaci\u00f3n m\u00e9dica de posgrado, BDEM puede proporcionar informaci\u00f3n sobre la experiencia y exposici\u00f3n de los estudiantes, la retroalimentaci\u00f3n, as\u00ed como datos de evaluaci\u00f3n dentro y entre programas<sup>9<\/sup>. Esto permite la retroalimentaci\u00f3n personalizada y planes de aprendizaje individualizados, y facilita la implementaci\u00f3n de actividades profesionales confiables (EPA). Tambi\u00e9n se pueden identificar brechas en el aprendizaje y fallos en la ense\u00f1anza para respaldar la mejora o cambios en ciertas pr\u00e1cticas o contenidos.<\/p>\n<p>La aplicaci\u00f3n de BDEM en estos datos educativos y otros (como datos demogr\u00e1ficos, criterios de admisi\u00f3n o pr\u00e1cticas educativas) de manera longitudinal y transversal permite la comparaci\u00f3n y la rendici\u00f3n de cuentas entre diferentes cohortes, programas e instituciones. Esto es vital para la garant\u00eda de calidad continua y la mejora de las pr\u00e1cticas en la educaci\u00f3n m\u00e9dica o para la evaluaci\u00f3n de pol\u00edticas previas<sup>10<\/sup><\/p>\n<p>Otra posible aplicaci\u00f3n de BDEM es investigar el v\u00ednculo entre la educaci\u00f3n m\u00e9dica y la atenci\u00f3n al paciente. Utilizando datos combinados de repositorios de informaci\u00f3n educativa y cl\u00ednica (por ejemplo, correlacionando los resultados de los pacientes de sistemas de informaci\u00f3n de salud hospitalaria y cl\u00ednica con diferentes modelos de educaci\u00f3n dentro y entre instituciones), se podr\u00eda evaluar si, y en qu\u00e9 medida, las pr\u00e1cticas educativas se traducen en mejores resultados de atenci\u00f3n m\u00e9dica para el paciente y la sociedad.<\/p>\n<p>Un ejemplo es el Estudio Longitudinal de Educaci\u00f3n M\u00e9dica de Jefferson<sup>11<\/sup>en el cual se mostr\u00f3 que el rendimiento en el <em>Medical College Admissions Test MCAT<\/em> es un predictor v\u00e1lido del rendimiento en las facultades de medicina y en la residencia, basado en datos de 8000 estudiantes seguidos durante 40 a\u00f1os. Esto y otros estudios confirmaron la viabilidad y utilidad de aplicar BD para informar sobre las pr\u00e1cticas educativas m\u00e9dicas actuales y para cerrar la brecha entre la teor\u00eda pedag\u00f3gica y la pr\u00e1ctica. Adem\u00e1s, al permitir una vista longitudinal de la progresi\u00f3n y el desarrollo de los m\u00e9dicos a trav\u00e9s de su educaci\u00f3n, y las elecciones de carrera realizadas, BDEM puede proporcionar informaci\u00f3n y evidencia para facilitar recomendaciones sobre pol\u00edticas estrat\u00e9gicas importantes y decisiones, como la planificaci\u00f3n de recursos humanos o el desarrollo de especialidades.<\/p>\n<p>Estos son temas de inter\u00e9s para los responsables de la formulaci\u00f3n de pol\u00edticas educativas, las autoridades reguladoras, los educadores m\u00e9dicos e investigadores y ofrece una amplia gama de posibilidades para mejorar la calidad de la ense\u00f1anza y la toma de decisiones. Estos son algunos ejemplos de usos de BD en educaci\u00f3n m\u00e9dica:<\/p>\n<ul>\n<li><strong>Evaluaci\u00f3n del rendimiento de los estudiantes:<\/strong> Utilizar BD para rastrear y analizar el rendimiento acad\u00e9mico de los estudiantes, incluidas las calificaciones, las evaluaciones cl\u00ednicas y las evaluaciones de habilidades, para identificar \u00e1reas de mejora y adaptar la instrucci\u00f3n de manera m\u00e1s efectiva.<\/li>\n<li><strong>Personalizaci\u00f3n del aprendizaje<\/strong>: Utilizar BD para crear planes de estudios y recursos de aprendizaje personalizados para estudiantes individuales en funci\u00f3n de sus necesidades, preferencias y niveles de competencia.<\/li>\n<li><strong>Predicci\u00f3n del \u00e9xito acad\u00e9mico<\/strong>: Utilizar BD para predecir el \u00e9xito acad\u00e9mico de los estudiantes y proporcionar intervenciones tempranas a aquellos que puedan necesitar apoyo adicional.<\/li>\n<li><strong>Evaluaci\u00f3n de programas y curr\u00edculos<\/strong>: Utilizar BD para evaluar la efectividad de los programas educativos y los planes de estudio, identificar \u00e1reas de mejora y tomar decisiones informadas sobre cambios curriculares.<\/li>\n<li><strong>Curr\u00edculo oculto<\/strong>: El uso de Big Data para estudiar el &#8220;curr\u00edculo oculto&#8221; en una facultad implica recopilar y analizar datos de asistencia, participaci\u00f3n, retroalimentaci\u00f3n estudiantil y redes sociales, an\u00e1lisis de contenidos de influencer estudiantiles, para identificar patrones y temas no planificados en la experiencia estudiantil. Por ejemplo, al analizar las conversaciones en redes sociales, se pueden descubrir preocupaciones o din\u00e1micas no expresadas en el aula, lo que permite a la facultad tomar medidas para abordar \u00e1reas de mejora y enriquecer la educaci\u00f3n.<\/li>\n<li><strong>An\u00e1lisis de retroalimentaci\u00f3n y evaluaci\u00f3n de profesores<\/strong>: Utilizar BD para recopilar y analizar retroalimentaci\u00f3n de los estudiantes sobre sus experiencias de aprendizaje y la calidad de la ense\u00f1anza, lo que permite a las instituciones educativas identificar a los mejores profesores y \u00e1reas de mejora.<\/li>\n<li><strong>Identificaci\u00f3n de brechas de conocimiento<\/strong>: Utilizar BD para identificar brechas de conocimiento en los estudiantes y adaptar la ense\u00f1anza para abordar esas \u00e1reas de debilidad.<\/li>\n<li><strong>Evaluaci\u00f3n del rendimiento cl\u00ednico<\/strong>: Utilizar BD para evaluar el desempe\u00f1o cl\u00ednico de los estudiantes en entornos de atenci\u00f3n m\u00e9dica, lo que incluye la toma de decisiones cl\u00ednicas y la interacci\u00f3n con pacientes.<\/li>\n<li><strong>Investigaci\u00f3n en educaci\u00f3n m\u00e9dica<\/strong>: Utilizar BD para llevar a cabo investigaciones sobre la efectividad de diferentes m\u00e9todos de ense\u00f1anza, estrategias de evaluaci\u00f3n y enfoques de aprendizaje.<\/li>\n<li><strong>Seguimiento de trayectorias de carrera:<\/strong> Utilizar BD para rastrear las trayectorias de carrera de los graduados de medicina, incluidas las especialidades elegidas y el \u00e9xito en la pr\u00e1ctica cl\u00ednica.<\/li>\n<li><strong>Evaluaci\u00f3n de impacto en la atenci\u00f3n al paciente<\/strong>: Utilizar BD para evaluar c\u00f3mo la educaci\u00f3n m\u00e9dica influye en la calidad de la atenci\u00f3n al paciente y los resultados de salud.<\/li>\n<\/ul>\n<p>Estos son solo algunos ejemplos de c\u00f3mo se puede utilizar el Big Data en la educaci\u00f3n m\u00e9dica para mejorar la ense\u00f1anza, la evaluaci\u00f3n y la calidad de la atenci\u00f3n m\u00e9dica. La recopilaci\u00f3n y el an\u00e1lisis de datos a gran escala pueden proporcionar informaci\u00f3n valiosa para la toma de decisiones informadas y la mejora continua en la educaci\u00f3n m\u00e9dica.<\/p>\n<p><strong>Los obst\u00e1culos<\/strong><\/p>\n<p>Sin embargo, existen obst\u00e1culos significativos en la aplicaci\u00f3n de BDEM en la educaci\u00f3n m\u00e9dica.<\/p>\n<ul>\n<li>Fragmentaci\u00f3n de datos y falta de interoperabilidad entre sistemas de registros m\u00e9dicos electr\u00f3nicos.<\/li>\n<li>Datos no estandarizados y vocabulario heterog\u00e9neo en sistemas de informaci\u00f3n educativo y de salud.<\/li>\n<li>Pol\u00edticas organizativas que limitan el intercambio de datos.<\/li>\n<li>Consideraciones \u00e9ticas y legales en la recopilaci\u00f3n y uso de datos de pacientes y estudiantes.<\/li>\n<li>Sesgo inherente en los datos recopilados, lo que plantea desaf\u00edos en la veracidad de los resultados.<\/li>\n<li>Uso inadecuado o fuera de contexto de Big Data en la toma de decisiones en educaci\u00f3n m\u00e9dica<\/li>\n<li>Se necesitan inversiones en infraestructura, tecnolog\u00edas y experiencia para gestionar y proteger datos de diferentes fuentes.<\/li>\n<li>La infraestructura y la experiencia tecnol\u00f3gica (para la recopilaci\u00f3n, el almacenamiento, el procesamiento y el an\u00e1lisis) podr\u00edan centralizarse en un &#8220;almac\u00e9n de datos&#8221; donde diferentes instituciones se convierten en proveedores de datos para este colectivo central de BD (Cook et al., 2010; Ellaway et al., 2014).<\/li>\n<li>Adem\u00e1s, existen consideraciones \u00e9ticas y m\u00e9dico-legales. Por ejemplo, la mayor\u00eda de los datos de pacientes capturados en EMR no fueron originalmente destinados a fines educativos y no incluyen consentimiento informado en este sentido. Incluso si los datos se pueden anonimizar eliminando identificadores, surgen preguntas sobre qu\u00e9 datos se recopilan, c\u00f3mo se almacenan y protegen, c\u00f3mo se utilizan y comparten, por qui\u00e9n y con qui\u00e9n. Estos problemas se extienden tambi\u00e9n a los datos de la educaci\u00f3n m\u00e9dica; problemas de confidencialidad y restricciones de acceso a los datos recopilados sobre estudiantes, programas e instituciones pueden limitar la calidad, el an\u00e1lisis y el valor de BDEM.<\/li>\n<\/ul>\n<p>La aplicaci\u00f3n de BDEM tambi\u00e9n tiene limitaciones inherentes y posibilidades de error.<sup>11<\/sup><\/p>\n<p>Las interpretaciones y conclusiones (y las decisiones y acciones subsiguientes) basadas en BDEM deben realizarse con extrema precauci\u00f3n. Se deben aplicar y cumplir los est\u00e1ndares y rigurosidades de la investigaci\u00f3n acad\u00e9mica y cient\u00edfica, tanto en los m\u00e9todos de recopilaci\u00f3n como en la precisi\u00f3n y representatividad de los datos.<\/p>\n<p>Existe un sesgo intr\u00ednseco en BD debido a que la informaci\u00f3n que no se puede capturar (o simplemente no se captura) puede ser subestimada o ignorada. La predicci\u00f3n de tendencias y la evaluaci\u00f3n del potencial y \u00e9xito actuales y futuros de individuos o programas deben realizarse de manera similar con cautela<sup>11,7<\/sup><\/p>\n<p>Las decisiones importantes (especialmente las sumativas) deben basarse en principios emp\u00edricamente probados y de larga data: m\u00faltiples puntos de datos, de m\u00faltiples fuentes (triangulaci\u00f3n), en diferentes momentos (iterativos) y despu\u00e9s de considerar la naturaleza din\u00e1mica del aprendizaje y la educaci\u00f3n en la realidad.<\/p>\n<p>Existen riesgos reales para las personas y los sistemas si BDEM se utiliza fuera de contexto o para fines no previstos. Por ejemplo, \u00bfdeber\u00eda BDEM utilizarse para cambiar la trayectoria o elecci\u00f3n profesional de un estudiante (o grupo de estudiantes)? \u00bfDeber\u00edamos juzgar a los estudiantes en funci\u00f3n de patrones &#8216;normales&#8217; de comportamiento de aprendices derivados de BDEM? Adem\u00e1s, desde la perspectiva de la facultad, es tentador utilizar solo aquellas intervenciones educativas que han sido &#8220;demostradas como efectivas&#8221; por BDEM, en detrimento de todas las dem\u00e1s.<\/p>\n<p>&nbsp;<\/p>\n<p><sup>2<\/sup>Ellaway RH, Topps D, Pusic M. Data, Big and Small: Emerging Challenges to Medical Education Scholarship. Acad Med. 2019 Jan;94(1):31-36. doi: 10.1097\/ACM.0000000000002465. PMID: 30256249.<\/p>\n<p><sup>3<\/sup>Goi, Chai-Lee. &#8220;The Use of Big Data in Marketing Analytics.&#8221; Handbook of Research on Innovation and Development of E-Commerce and E-Business in ASEAN. IGI Global, 2021. 62-78.<\/p>\n<p><sup>4<\/sup>Yuen, Heng-Wai, and Abhilash Balakrishnan. &#8220;Big data in medical education\u2013Are we ready?.&#8221; The Asia Pacific Scholar 5.2 (2020): 51.<\/p>\n<p><sup>5<\/sup>Tolsgaard, Martin G., et al. &#8220;The role of data science and machine learning in Health Professions Education: practical applications, theoretical contributions, and epistemic beliefs.&#8221; Advances in Health Sciences Education 25 (2020): 1057-1086.<\/p>\n<p><sup>6<\/sup>Chahine, S., Kulasegaram, K., Wright, S., Monteiro, S., Grierson, L. E., Barber, C., \u2026 Touchie, C. (2018). A call to investigate the relationship between education and health outcomes using big data. Academic Med icin e, 93(6), 829-832. https:\/\/doi.org\/10.1097\/ACM.0000000000002217<\/p>\n<p><sup>7<\/sup>Cook, D. A., Andriole, D. A., Durning, S. J., Roberts, N. K., &amp; Triola, M. M. (2010). Longitudinal research databases in medical education: Facilitating the study of educational outcomes over time and across institutions. Academic Med icine, 85(8), 1340-1346. https:\/\/doi.org\/10.1097\/ACM.0b013e3181e5c050<\/p>\n<p><sup>8<\/sup>Ellaway, H., Pusic, M. V., Galbraith, R. M., &amp; Cameron, T. (2014). Developing the role of big data and analytics in health professional education. Medical Teacher, 36(3), 216-222.\u00a0\u00a0 https:\/\/doi.org\/10.3109\/0142159X.2014.874553<\/p>\n<p><sup>9<\/sup>Schneeweiss, S. (2014). Learning from big health care data. The New England Journal of Medicine, 370(23), 2161-2163. https:\/\/doi.org\/10.1056\/NEJMp1401111\u00a0 *Heng-Wai Yuen\u00a0 Chan gi General Hospit al,\u00a0 2 Simei Street 3, Singapore 539889 Tel: +65 69366259 Email: <a href=\"mailto:yuen.heng.wai@singhealth.com.sg\">heng.wai@singhealth.com.sg<\/a><\/p>\n<p><sup>10<\/sup>Callahan, Clara A., et al. &#8220;The predictive validity of three versions of the MCAT in relation to performance in medical school, residency, and licensing examinations: a longitudinal study of 36 classes of Jefferson Medical College.&#8221;\u00a0<em>Academic Medicine<\/em>6 (2010): 980-987.<\/p>\n<p><sup>11<\/sup>Chahine, S., Kulasegaram, K., Wright, S., Monteiro, S., Grierson, L. E., Barber, C., \u2026 Touchie, C. (2018). A call to investigate the relationship between education and health outcomes using big data. Academic Medicine, 93(6), 829-832. <a href=\"https:\/\/doi.org\/10.1097\/ACM.0000000000002217\">https:\/\/doi.org\/10.1097\/ACM.0000000000002217<\/a><\/p>\n<p><sup>12<\/sup>Ellaway, R. H., Pusic, M. V., Galbraith, R. M., &amp; Cameron, T. (2014). Developing the role of big data and analytics in health professional education. Medical Teacher, 36(3), 216-222. <a href=\"https:\/\/doi.org\/10.3109\/0142159X.2014.874553\">https:\/\/doi.org\/10.3109\/0142159X.2014.874553<\/a>[\/vc_column_text][\/vc_column][\/vc_row]<\/p>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>[vc_row][vc_column][vc_column_text]Angelo Laverde B.1 1 Director de evaluaci\u00f3n y tecnolog\u00edas educativas en salud de Asociaci\u00f3n Colombiana de Facultades de Medicina (ASCOFAME), Bogot\u00e1, Colombia; alaverde@ascofame.org.co. El t\u00e9rmino &#8220;Big Data&#8221; ha llegado para revolucionar la forma en que recopilamos, gestionamos y analizamos datos en la era digital. Se refiere al procesamiento de conjuntos de datos enormes y complejos que desaf\u00edan las capacidades de las herramientas de procesamiento de [&hellip;]<\/p>\n","protected":false},"author":3,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"episode_type":"audio","audio_file":"","podmotor_file_id":"","podmotor_episode_id":"","cover_image":"","cover_image_id":"","duration":"","filesize":"","filesize_raw":"","date_recorded":"","explicit":"","block":"","footnotes":""},"categories":[1],"tags":[],"series":[],"class_list":["post-5804","post","type-post","status-publish","format-standard","hentry","category-edumed"],"episode_featured_image":false,"episode_player_image":"https:\/\/ascofame.org.co\/web\/wp-content\/plugins\/seriously-simple-podcasting\/assets\/images\/no-album-art.png","download_link":"","player_link":"","audio_player":false,"episode_data":{"playerMode":"dark","subscribeUrls":{"apple_podcasts":{"key":"apple_podcasts","url":"","label":"Apple Podcasts","class":"apple_podcasts","icon":"apple-podcasts.png"},"stitcher":{"key":"stitcher","url":"","label":"Stitcher","class":"stitcher","icon":"stitcher.png"},"google_podcasts":{"key":"google_podcasts","url":"","label":"Google Podcasts","class":"google_podcasts","icon":"google-podcasts.png"},"spotify":{"key":"spotify","url":"","label":"Spotify","class":"spotify","icon":"spotify.png"}},"rssFeedUrl":"https:\/\/ascofame.org.co\/web\/feed\/podcast\/asociacion-colombiana-de-facultades-de-medicina","embedCode":"<blockquote class=\"wp-embedded-content\" data-secret=\"XxPFWsURM8\"><a href=\"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/\">Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos.<\/a><\/blockquote><iframe sandbox=\"allow-scripts\" security=\"restricted\" src=\"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/embed\/#?secret=XxPFWsURM8\" width=\"500\" height=\"350\" title=\"\u00abBig data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos.\u00bb \u2014 \" data-secret=\"XxPFWsURM8\" frameborder=\"0\" marginwidth=\"0\" marginheight=\"0\" scrolling=\"no\" class=\"wp-embedded-content\"><\/iframe><script type=\"text\/javascript\">\n\/* <![CDATA[ *\/\n\/*! This file is auto-generated *\/\n!function(d,l){\"use strict\";l.querySelector&&d.addEventListener&&\"undefined\"!=typeof URL&&(d.wp=d.wp||{},d.wp.receiveEmbedMessage||(d.wp.receiveEmbedMessage=function(e){var t=e.data;if((t||t.secret||t.message||t.value)&&!\/[^a-zA-Z0-9]\/.test(t.secret)){for(var s,r,n,a=l.querySelectorAll('iframe[data-secret=\"'+t.secret+'\"]'),o=l.querySelectorAll('blockquote[data-secret=\"'+t.secret+'\"]'),c=new RegExp(\"^https?:$\",\"i\"),i=0;i<o.length;i++)o[i].style.display=\"none\";for(i=0;i<a.length;i++)s=a[i],e.source===s.contentWindow&&(s.removeAttribute(\"style\"),\"height\"===t.message?(1e3<(r=parseInt(t.value,10))?r=1e3:~~r<200&&(r=200),s.height=r):\"link\"===t.message&&(r=new URL(s.getAttribute(\"src\")),n=new URL(t.value),c.test(n.protocol))&&n.host===r.host&&l.activeElement===s&&(d.top.location.href=t.value))}},d.addEventListener(\"message\",d.wp.receiveEmbedMessage,!1),l.addEventListener(\"DOMContentLoaded\",function(){for(var e,t,s=l.querySelectorAll(\"iframe.wp-embedded-content\"),r=0;r<s.length;r++)(t=(e=s[r]).getAttribute(\"data-secret\"))||(t=Math.random().toString(36).substring(2,12),e.src+=\"#?secret=\"+t,e.setAttribute(\"data-secret\",t)),e.contentWindow.postMessage({message:\"ready\",secret:t},\"*\")},!1)))}(window,document);\n\/\/# sourceURL=https:\/\/ascofame.org.co\/web\/wp-includes\/js\/wp-embed.min.js\n\/* ]]> *\/\n<\/script>\n"},"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v26.3 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos. -<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos. -\" \/>\n<meta property=\"og:description\" content=\"[vc_row][vc_column][vc_column_text]Angelo Laverde B.1 1 Director de evaluaci\u00f3n y tecnolog\u00edas educativas en salud de Asociaci\u00f3n Colombiana de Facultades de Medicina (ASCOFAME), Bogot\u00e1, Colombia; alaverde@ascofame.org.co. El t\u00e9rmino &#8220;Big Data&#8221; ha llegado para revolucionar la forma en que recopilamos, gestionamos y analizamos datos en la era digital. Se refiere al procesamiento de conjuntos de datos enormes y complejos que desaf\u00edan las capacidades de las herramientas de procesamiento de [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/\" \/>\n<meta property=\"article:published_time\" content=\"2024-03-04T18:20:41+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-04-05T19:18:48+00:00\" \/>\n<meta name=\"author\" content=\"Angelo Laverde\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Angelo Laverde\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"16 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/\",\"url\":\"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/\",\"name\":\"Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos. -\",\"isPartOf\":{\"@id\":\"https:\/\/ascofame.org.co\/web\/#website\"},\"datePublished\":\"2024-03-04T18:20:41+00:00\",\"dateModified\":\"2024-04-05T19:18:48+00:00\",\"author\":{\"@id\":\"https:\/\/ascofame.org.co\/web\/#\/schema\/person\/7b4c8ad085ed1beef7832a163fd1c9ea\"},\"breadcrumb\":{\"@id\":\"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Portada\",\"item\":\"https:\/\/ascofame.org.co\/web\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos.\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/ascofame.org.co\/web\/#website\",\"url\":\"https:\/\/ascofame.org.co\/web\/\",\"name\":\"Ascofame\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/ascofame.org.co\/web\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/ascofame.org.co\/web\/#\/schema\/person\/7b4c8ad085ed1beef7832a163fd1c9ea\",\"name\":\"Angelo Laverde\",\"url\":\"https:\/\/ascofame.org.co\/web\/author\/alaverde\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos. -","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/","og_locale":"es_ES","og_type":"article","og_title":"Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos. -","og_description":"[vc_row][vc_column][vc_column_text]Angelo Laverde B.1 1 Director de evaluaci\u00f3n y tecnolog\u00edas educativas en salud de Asociaci\u00f3n Colombiana de Facultades de Medicina (ASCOFAME), Bogot\u00e1, Colombia; alaverde@ascofame.org.co. El t\u00e9rmino &#8220;Big Data&#8221; ha llegado para revolucionar la forma en que recopilamos, gestionamos y analizamos datos en la era digital. Se refiere al procesamiento de conjuntos de datos enormes y complejos que desaf\u00edan las capacidades de las herramientas de procesamiento de [&hellip;]","og_url":"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/","article_published_time":"2024-03-04T18:20:41+00:00","article_modified_time":"2024-04-05T19:18:48+00:00","author":"Angelo Laverde","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Angelo Laverde","Tiempo de lectura":"16 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/","url":"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/","name":"Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos. -","isPartOf":{"@id":"https:\/\/ascofame.org.co\/web\/#website"},"datePublished":"2024-03-04T18:20:41+00:00","dateModified":"2024-04-05T19:18:48+00:00","author":{"@id":"https:\/\/ascofame.org.co\/web\/#\/schema\/person\/7b4c8ad085ed1beef7832a163fd1c9ea"},"breadcrumb":{"@id":"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/ascofame.org.co\/web\/el-aprendizaje-autodirigido-en-la-educacion-medica-de-pregrado-retos-durante-la-formacion-necesidades-para-el-aprendiz-de-hoy-y-el-medico-del-manana\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Portada","item":"https:\/\/ascofame.org.co\/web\/"},{"@type":"ListItem","position":2,"name":"Big data y la educaci\u00f3n m\u00e9dica: oportunidades, desaf\u00edos y obst\u00e1culos."}]},{"@type":"WebSite","@id":"https:\/\/ascofame.org.co\/web\/#website","url":"https:\/\/ascofame.org.co\/web\/","name":"Ascofame","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ascofame.org.co\/web\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/ascofame.org.co\/web\/#\/schema\/person\/7b4c8ad085ed1beef7832a163fd1c9ea","name":"Angelo Laverde","url":"https:\/\/ascofame.org.co\/web\/author\/alaverde\/"}]}},"_links":{"self":[{"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/posts\/5804","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/comments?post=5804"}],"version-history":[{"count":7,"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/posts\/5804\/revisions"}],"predecessor-version":[{"id":5823,"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/posts\/5804\/revisions\/5823"}],"wp:attachment":[{"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/media?parent=5804"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/categories?post=5804"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/tags?post=5804"},{"taxonomy":"series","embeddable":true,"href":"https:\/\/ascofame.org.co\/web\/wp-json\/wp\/v2\/series?post=5804"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}