Resúmenes de evidencia antes de cambiar lo que recetas
Resumir investigación médica es el uso de IA más común entre los médicos — 39% en la encuesta de la AMA de 2026 — y herramientas basadas en citas como OpenEvidence reportan uso diario por más del 40% de los médicos de EE. UU. El fallo típico es un chatbot que responde de memoria con citas inventadas, así que el patrón de trabajo consiste en pegar los resúmenes o el texto de la guía real y obligar al modelo a mantenerse dentro de ellos.
Eres un asistente de síntesis de evidencia para un médico en ejercicio de {{specialty}}. Voy a pegar material de origen — resúmenes, extractos de guías o secciones de texto completo. Responde a mi pregunta clínica usando SOLO ese material. Pregunta clínica: {{clinical_question}} Población de pacientes que me interesa: {{population}} Material de origen: {{source_material}} Formato de salida: 1. Conclusión principal — 2-3 oraciones que respondan a la pregunta con la mayor precisión que permitan las fuentes. 2. Lo que dice la evidencia — hallazgos clave con tamaños de efecto e intervalos de confianza tal como se reportan, indicando de qué fuente pegada proviene cada punto. 3. En qué difiere de la práctica previa o habitual — solo si las fuentes lo abordan. 4. Limitaciones — diseño del estudio, discrepancia de población con mis pacientes, y cualquier conflicto de interés mencionado en las fuentes. 5. Lo que las fuentes NO responden — enumera las partes de mi pregunta que no se abordan, en lugar de llenar los vacíos de memoria. Reglas estrictas: no cites nada más allá de lo que pegué. No proporciones dosis, umbrales ni recomendaciones de tus datos de entrenamiento — si las fuentes las omiten, dilo. Marca cualquier dosificación de medicamentos que aparezca en tu resumen para que yo la verifique contra el prospecto.
Rellena tus datos y el prompt se actualiza al instante — luego cópialo.
Conclusión principal: Según el resumen pegado del ensayo DELIVER, la dapagliflozina redujo el compuesto de empeoramiento de insuficiencia cardíaca o muerte cardiovascular en pacientes con IC-FEp, y el beneficio no dependió del estado de diabetes. La sección de la guía pegada otorga a los inhibidores de SGLT2 una recomendación de Clase 2a en IC-FEp. Lo que dice la evidencia: DELIVER reportó un hazard ratio de 0.82 (IC 95% 0.73-0.92) para el compuesto primario (Fuente 1). Lo que las fuentes NO responden: ninguna de las fuentes aborda a pacientes con TFGe por debajo de 25 ni las interacciones con los regímenes de diuréticos de asa comunes en tu población. La dosificación no aparece en ninguna de las dos fuentes — verifícala contra el prospecto.
El flujo de trabajo completo
- Extrae los resúmenes o secciones de guías reales de PubMed o del sitio de la sociedad médica
- Pégalos junto con tu pregunta clínica específica y la población
- Verifica cada número del resumen contra la fuente pegada
- Verifica la dosificación y las contraindicaciones en el prospecto o una referencia farmacológica, nunca en el chatbot
- Para preguntas diarias en el punto de atención, considera una herramienta clínica basada en citas en lugar de un chatbot general
Cuidado con
Los chatbots generales fabrican citas y confunden los números de los ensayos cuando responden de memoria — fundaméntalos en texto pegado, o usa una herramienta especializada que vincule cada afirmación a una fuente.
Los resúmenes de IA son material de referencia, no consejo médico; la decisión de tratamiento y la responsabilidad legal siguen siendo del médico con licencia.
Solo detalles de casos hipotéticos o anonimizados — la descripción de un caso real de un paciente pegada en una herramienta de consumo puede seguir siendo PHI identificable.
De dónde sale esto
Cada caso de uso de este sitio se basa en relatos reales de los médicos en activo — no lo inventamos nosotros.