Uso de la plataforma Fullcode en la enseñanza de Emergencias Clínicas I para los estudiantes de Emergencias Médicas
DOI:
https://doi.org/10.62305/alcon.v6i1.1027Palabras clave:
Fullcode, emergencias clínicas, plataformas digitales; cuasiexperimentalResumen
En la actualidad, la educación superior enfrenta el reto de integrar tecnologías digitales que favorezcan el aprendizaje autónomo y en menor tiempo, con énfasis en carreras de la salud donde se requiere destreza práctica y resolución de problemas. El presente estudio analizó la eficacia de la plataforma Fullcode en la enseñanza de la asignatura Emergencias Clínicas I para estudiantes de segundo semestre de la carrera de Emergencias Médicas del Instituto Superior Tecnológico Consulting Group Ecuador. La enseñanza de contenidos clínicos en contextos prehospitalarios requiere integrar metodologías activas con herramientas tecnológicas que favorezcan la comprensión, el diagnóstico y la intervención rápida en situaciones críticas. En este marco, se implementó un diseño cuasiexperimental de pretest y postest, sin grupo control, con una muestra de 20 estudiantes. La intervención consistió en el uso de Fullcode durante ocho semanas, a través de recursos multimedia, esquemas interactivos y evaluaciones integradas. Los resultados obtenidos evidencian un incremento significativo en el rendimiento académico: en el pretest la media fue de 12.20, la desviación estándar de 2.15. Mientras que en el postest el promdio llegó a 16.55 con una desviación estándar de 2.47. El análisis inferencial mediante la prueba t de student para muestras relacionadas evidenció una diferencia estadísticamente significativa entre ambos momentos, t de student (gl=19) de 6.41 y un valor de p < .001, con una media de diferencia de 4.35. Estos hallazgos confirman que el uso de Fullcode constituye un recurso pedagógico eficaz para fortalecer el aprendizaje clínico y promover la integración de tecnologías digitales en la formación de futuros profesionales de emergencias médicas.
Descargas
Citas
Ahmed, A. A., Al-Husban, A. A., & Alzubi, M. A. (2021). Predicting student performance in anatomy course using machine learning algorithms. Journal of Educational Technology Systems, 49(3), 387-404.
Azer, S. A., & Azer, N. S. (2016). 21st century anatomy education: What is the best approach?. Anatomical Sciences Education, 9(1), 15-19.
Beam, A. L., Ambrosy, D., Oberst, M., Richter, J., & Kohane, I. S. (2020). Challenges, opportunities, and the future of artificial intelligence in healthcare. Journal of the American Medical Informatics Association, 27(3), 395-402.
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
Dawson, P., Gašević, D., & Siemens, G. (2018). Learning analytics: Towards data-driven improvement of learning and teaching in higher education. British Journal of Educational Technology, 49(5), 889-906.
Drake, R. L., Vogl, W., & Mitchell, A. W. M. (2017). Gray's anatomy for students (4th ed.). Churchill Livingstone.
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swani, S. M., Blau, H. M., ... & Thrun, S. (2017). Dermatologist-level classification of skin cancer using deep neural networks. Nature, 542(7639), 115-118.
Ferrer-Torres, A., Jiménez-Rodríguez, M. A., & Tornero-Montes, P. (2020). Augmented reality in anatomy education: A systematic review. Medical Teacher, 42(2), 136-145.
Garg, A., Aggarwal, P., Nayyar, A., & Raja, L. (2020). Role of machine learning in medical image analysis: A review of the last decade. Archives of Computational Methods in Engineering, 27(3), 1209-1231.
Giler-Medina, P., et al. (2024). Uso del Atlas 3D en el aprendizaje de la Anatomía Humana. Sociedad & Tecnología, 7(2), 146-162. https://doi.org/10.51247/st.v7i2.421
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Herrera Herrera, F. J., et al. (2022). La realidad aumentada como recurso formativo en la educación superior. https://doi.org/10.26871/killkanasocial.v6i4.1187
Hecht-López, P., Maturana-Arancibia, J. C., & Parra-Villegas, E. (2023). Nuevos recursos digitales y 3D en la enseñanza de Anatomía. International Journal of Morphology, 41(3), 690-698.
Hinton, G. (2016). Deep learning—a technology with the potential to transform health care. Jama, 315(22), 2443-2444.
Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25, 1097-1105.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
Liaw, S. S., Lin, C. H., Lin, K. L., & Yeh, C. H. (2021). Applications of artificial intelligence in medical education: A scoping review. BMC Medical Education, 21(1), 1-15.
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42, 60-88.
Lombardero Rodil, L. (2015) Trabajar en la era digital: tecnología y competencias para la transformación digital: (1.ª ed.). LID Editorial España. https://elibro.net/es/lc/istcge/titulos/270614
Luna de la Luz, Verónica, & González-Flores, Patricia. (2020). Transformaciones en educación médica: innovaciones en la evaluación de los aprendizajes y avances tecnológicos (parte 2). Investigación en educación médica, 9(34), 87-99. Epub 02 de diciembre de 2020. https://doi.org/10.22201/facmed.20075057e.2020.34.20220
McMenamin, P. G., & McLachlan, J. C. (2015). Does the study of anatomy in a modern medical curriculum still require cadaveric dissection?. Medical Teacher, 37(7), 603-611.
Mitchell, T. M. (1997). Machine learning. McGraw-Hill Education.
Moro, C., Stromberga, Z., Raikos, A., & Stirling, A. (2017). Virtual and augmented reality in education, training and serious games: A systematic review. Australasian Journal of Educational Technology, 33(6), 1-17.
Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
Patel, R. S., Shah, M., Doshi, N., & Shukla, S. (2020). Applications of machine learning in healthcare. Cureus, 12(5).
Popenici, S. A. D., & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. International Journal of Educational Technology in Higher Education, 14(1), 1-10.
Prince, K. J. A. H., Vleuten, C. P. M. van der, Scherpbier, A. J. J. A., Dolmans, D. H. J. M., & Muijtjens, A. M. M. (2005). Why a modern approach to teaching anatomy is indispensable for medical practice. Clinical Anatomy, 18(1), 14-18.
Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson Education Limited.
Sacristán, A. (2018). Sociedad digital, tecnología y educación: (ed.). UNED - Universidad Nacional de Educación a Distancia. https://elibro.net/es/lc/istcge/titulos/117247
Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural networks, 61, 85-117.
Silva, P. H., Maestro, J. A. & Cortés, M. V. (2020). Metodologías para una educación innovadora. LA LEY Soluciones Legales S.A.
Singhal, S., Bansal, P., Chaudhary, N., Singh, P., & Sharma, P. (2019). Role of technology in anatomy learning: A review of current trends and future directions. Journal of Clinical and Diagnostic Research, 13(8).
Topol, E. (2019). Deep medicine: How artificial intelligence can make healthcare human again. Basic Books.
Turney, B. W. (2007). Anatomy in a modern medical curriculum. The Royal College of Surgeons of England, 89(4), 246-248.
Zhang, J., Lu, H., Zhang, L., Jin, G., & Chen, X. (2010). A review of medical image segmentation based on deformable models. Medical Imaging Technology, 28(6), 421-428.
Zumba, G. R., Mora Aristega, A. M., & Sánchez Soto, M. A. (2021). Estrategias y metodologías de enseñanza para el aprendizaje activo en la Educación Superior. Editorial Tecnocientífica Americana.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista Científica de Innovación Educativa y Sociedad Actual "ALCON"
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
