Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 419
TECNOLOGÍAS EMERGENTES EN LA ENSEÑANZA UNIVERSITARIA DE LOS
PROGRAMAS DE REHABILITACIÓN: REVISIÓN SISTEMÁTICA Y PROPUESTA DE
MODELO DE INNOVACIÓN EDUCATIVA
EMERGING TECHNOLOGIES IN UNIVERSITY TEACHING OF REHABILITATION
PROGRAMS: SYSTEMATIC REVIEW AND PROPOSAL OF AN EDUCATIONAL
INNOVATION MODEL
Autores: ¹Angélica Irene López Asqui.
¹ORCID ID: https://orcid.org/0000-0002-2407-4560
¹E-mail de contacto: alopeza11@unemi.edu.ec
Afiliación: ¹*Universidad Estatal de Milagro (Ecuador).
Artículo recibido: 22 de Marzo del 2026
Artículo revisado: 24 Marzo del 2026
Artículo aprobado: 26 de Marzo del 2026
¹Licenciada en Ciencias de la Salud en Terapia Física y Deportiva, graduada de la Universidad Nacional de Chimborazo, (Ecuador).
Magister en Neurorrehabilitación, graduada de la Universidad Autónoma de Manizales, (Colombia). Maestrante de la Maestría en
Educación con mención en Docencia e Investigación en la Educación Superior de la Universidad Estatal de Milagro (Ecuador).
Actualmente cursando Doctorado en Dirección de Proyectos en la UIIX, con 4 años de Docencia en Universidad Estatal de Milagro
(Ecuador).
Resumen
La incorporación de tecnologías emergentes en
educación superior en fisioterapia es un camino
crítico para transformar los procedimientos de
enseñanza y aprendizaje e incrementar la
formación profesional en la rehabilitación. Este
trabajo realizó un análisis del impacto
pedagógico de las tecnologías emergentes en la
enseñanza universitaria de los programas de
rehabilitación mediante la revisión sistemática
de la literatura científica y, a partir de la
evidencia existente, proponer un modelo de
innovación educativa a aplicar en el espacio
formativo en fisioterapia. La revisión
sistemática se realizó siguiendo las
recomendaciones del PRISMA 2020 y
contempló la búsqueda en Scopus, Science
Direct, SpringerLink, PubMed y Scielo. Se
identificaron 184 registros, de los cuales 24
estudios cumplieron el proceso de inclusión en
el análisis final. Los resultados mostraron que
la realidad virtual, la inteligencia artificial
aplicada al análisis del movimiento, los
sistemas de captura biomecánica y las
plataformas de tele rehabilitación favorecen el
aprendizaje experiencial, el razonamiento
clínico, la comprensión biomecánica y el
desarrollo de competencias digitales en los
estudiantes del grado de fisioterapia, así como
que su aplicación sería más efectiva si se
apoyara la misma con la infraestructura
adecuada, se formara al profesorado y se
rediseñara el currículo. A partir de la síntesis de
la evidencia se propuso un modelo de
innovación educativa para integrar la
tecnología emergente y la pedagogía activa y el
desarrollo de competencias o habilidades
profesionales en la formación universitaria en
fisioterapia.
Palabras clave: Tecnologías emergentes,
Enseñanza universitaria, Rehabilitación,
Innovación educativa, Aprendizaje digital,
Competencias profesionales.
Abstract
The integration of emerging technologies in
higher education in physiotherapy is a critical
path to transforming teaching and learning
procedures and enhancing professional training
in rehabilitation. This study analyzed the
pedagogical impact of emerging technologies
on university teaching in rehabilitation
programs through a systematic review of the
scientific literature and, based on the existing
evidence, proposed an educational innovation
model for application in physiotherapy
training. The systematic review was conducted
following the PRISMA 2020 guidelines and
included searches in Scopus, ScienceDirect,
SpringerLink, PubMed, and SciELO. A total of
184 records were identified, of which 24
studies met the inclusion criteria for the final
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 420
analysis. The results showed that virtual reality,
artificial intelligence applied to motion
analysis, biomechanical capture systems, and
telerehabilitation platforms promote
experiential learning, clinical reasoning,
biomechanical understanding, and the
development of digital skills in physiotherapy
students. Furthermore, their application would
be more effective if supported by adequate
infrastructure, faculty training, and curriculum
redesign. Based on the synthesis of the
evidence, an educational innovation model was
proposed to integrate emerging technologies,
active pedagogy, and the development of
professional skills into university
physiotherapy education.
Keywords: Emerging technologies,
University teaching, Rehabilitation,
Educational innovation, Digital learning,
Professional skills.
Sumário
A integração de tecnologias emergentes no
ensino superior em fisioterapia é um caminho
crucial para transformar os procedimentos de
ensino e aprendizagem e aprimorar a formação
profissional em reabilitação. Este estudo
analisou o impacto pedagógico das tecnologias
emergentes no ensino universitário em
programas de reabilitação por meio de uma
revisão sistemática da literatura científica e,
com base nas evidências existentes, propôs um
modelo de inovação educacional para aplicação
na formação em fisioterapia. A revisão
sistemática foi conduzida seguindo as diretrizes
PRISMA 2020 e incluiu buscas nas bases de
dados Scopus, ScienceDirect, SpringerLink,
PubMed e SciELO. Um total de 184 registros
foram identificados, dos quais 24 estudos
atenderam aos critérios de inclusão para a
análise final. Os resultados mostraram que a
realidade virtual, a inteligência artificial
aplicada à análise de movimento, os sistemas de
captura biomecânica e as plataformas de
telerreabilitação promovem a aprendizagem
experiencial, o raciocínio clínico, a
compreensão biomecânica e o desenvolvimento
de habilidades digitais em estudantes de
fisioterapia. Além disso, sua aplicação seria
mais eficaz se apoiada por infraestrutura
adequada, treinamento docente e reformulação
curricular. Com base na síntese das evidências,
foi proposto um modelo de inovação
educacional para integrar tecnologias
emergentes, pedagogia ativa e o
desenvolvimento de competências profissionais
no ensino universitário de fisioterapia.
Palavras-chave: Tecnologias emergentes,
Ensino universitário, Reabilitação, Inovação
educacional, Aprendizagem digital,
Competências profissionais.
Introducción
La digitalización de los sistemas educativos y
sanitarios ha tenido un gran impacto en los
procesos de formación profesional en las
ciencias de la salud. En el campo de la
educación superior, la adopción de tecnologías
digitales ha fomentado la posibilidad de
implementar nuevos modelos pedagógicos
centrados en la innovación tecnológica, el
aprendizaje interactivo y las competencias
profesionales en los cada vez más digitalizados
contextos clínicos (Secinaro et al., 2021).
En este sentido, la inteligencia artificial, la
realidad virtual y las plataformas digitales de
aprendizaje están modificando la enseñanza
tradicional en las disciplinas relacionadas con la
rehabilitación física (Radianti et al., 2020). En
la fisioterapia, la educación universitaria
necesita el desarrollo de competencias sobre
evaluación funcional, análisis biomecánico de
la acción humana y el uso de intervenciones
terapéuticas basadas en la evidencia científica.
Distintas investigaciones han puesto de
manifiesto que la utilización de tecnologías
emergentes dentro de la enseñanza clínica
permite una representación de situaciones de la
práctica terapéutica complejas que favoreció el
aprendizaje experiencial y una adquisición
gradual de habilidades clínicas (Khan et al.,
2023). Por otra parte, los entornos de
simulación en torno a la realidad virtual
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 421
permiten a los estudiantes actuar ante
determinadas intervenciones clínicas en
condiciones controladas antes de tener un
primer contacto con un paciente real (Kyaw et
al., 2019). Dentro de las tecnologías que más se
han desarrollado en el ámbito de la enseñanza
universitaria en fisioterapia y educación, la
realidad virtual inmersiva permite crear
entornos tridimensionales interactivos que
posibilitan la representación de intervenciones
terapéuticas en el ámbito de la rehabilitación
musculoesquelética y neurológica.
La evidencia científica manifiesta que la
simulación clínica apoyada en la realidad
virtual favorece el razonamiento clínico, tiene
un impacto positivo en la comprensión del
movimiento humano, y apoya el aprendizaje
experiencial de los estudiantes de las áreas de
ciencias de la salud (Khan et al., 2023). De esta
forma, la inteligencia artificial aplicada al
análisis del movimiento humano entra a formar
parte de las actividades de formación dentro de
la rehabilitación. Ciertos sistemas, que se
apoyan en la visión computacional para detectar
puntos anatómicos del cuerpo humano, así
como patrones biomecánicos en la ejecución de
ejercicios terapéuticos, permiten la evaluación
objetiva del movimiento y la retroalimentación
automatizada en el desempeño del estudiante
(Lee y Tang, 2021).
Estas herramientas, que trabajan con los datos
resultantes del análisis del movimiento humano,
contribuyen, por tanto, a mejorar la cognición
del movimiento humano y favorecen el enfoque
Data-Driven Learning en la formación en
fisioterapia (Sumner et al., 2023). De modo
complementario, los sistemas de captura de
movimiento por sensores digitales registran
variables cinemáticas y analizan patrones de
movimiento durante la ejecución de
intervenciones terapéuticas. Por último,
tecnologías como Microsoft Kinect permiten
realizar una valoración objetiva del movimiento
y fomentan el Learning By Doing en la
rehabilitación (Çubukçu et al., 2021; Lee et al.,
2021). De forma paralela, el ascenso de los
servicios en salud digital ha facilitado también
el desarrollo de plataformas para la tele-
rehabilitación, que permiten reproducir
procesos de atención clínica a distancia y
reforzar las competencias en planificación de la
terapia digital y comunicación clínica dentro de
entornos virtuales (Kim et al., 2022; Matthew et
al., 2021). Sin embargo, a pesar de su presencia,
se han puesto de manifiesto que existen
limitaciones en la integración de tecnologías
emergentes a nivel de los programas de
fisioterapia en los distintos contextos de
formación superior.
Las principales barreras están relacionadas con
la escasez de infraestructura tecnológica, la falta
de preparación del profesorado y la no
existencia de modelos pedagógicos que
acompañen la integración sistemática de los
diferentes tipos de tecnología habitual en los
procesos de enseñanza-aprendizaje (Bond et al.,
2021; Secinaro et al., 2021). La realidad de la
integración de tecnologías emergentes en la
educación universitaria en fisioterapia está, en
el caso de América Latina. En Ecuador, en sus
primeras fases, lo que muestra la necesidad de
continuar desarrollando modelos estratégicos
de integración pedagógica de estas tecnologías
en los programas de formación académica en
rehabilitación (López et al., 2025).
Y resulta esencial dar respuesta a la pregunta
que se plantea en relación con el impacto
pedagógico de las tecnologías emergentes en la
educación superior en fisioterapia, por lo que
dicha pregunta ha sido respondida en este
estudio mediante la revisión sistemática de
literatura científica y a partir de los resultados
obtenidos la propuesta de un modelo de
innovación educativa en la educación superior
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 422
en fisioterapia que potencie el aprendizaje
universitario en esta área. La importancia de
este estudio radica en que permite comprender
cómo las tecnologías emergentes influyen en
los procesos de enseñanza y aprendizaje en la
educación superior en fisioterapia, un campo
que requiere formación teórica, práctica y
clínica de alta calidad.
Materiales y Métodos
El trabajo fue realizado, mediante un repaso
sistemático de literatura científica con el
objetivo de investigar el impacto pedagógico de
las tecnologías emergentes en la enseñanza
universitaria de la fisioterapia. Este tipo de
diseño metodológico ayuda a recopilar
evidencia científica a partir de variadas
investigaciones con el objetivo de identificar
tendencias, evaluar resultados o bien generar
propuestas pedagógicas fundamentadas en
evidencias. Las revisiones sistemáticas
conforman una estrategia metodológica muy
utilizada para revisar innovaciones tecnológicas
en educación superior en salud, debido a la
capacidad de reunir resultados provenientes de
diferentes contextos académicos y clínicos
(Page et al., 2021).
De acuerdo con Secinaro et al. (2021), las
revisiones sistemáticas pueden identificar
esquemas de investigación, contrastar
resultados entre estudios y proponer marcos
conceptuales para integrar tecnologías digitales
en procesos educativos. En el ámbito de la
fisioterapia, este tipo de estudios resulta de
especial interés en vista del importante avance
que han tenido las herramientas tecnológicas
aplicadas a la rehabilitación, así como la
necesidad de evaluar cómo impactan en el
futuro profesional de los estudiantes. La
revisión se llevó a cabo de acuerdo con las
pautas del protocolo PRISMA 2020 (Preferred
Reporting Items for Systematic Reviews and
Meta-Analyses) que establecen criterios
metodológicos para la identificación, selección,
evaluación y síntesis de estudios científicos.
Para Page et al. (2021), el uso de PRISMA
asegura la transparencia metodológica, la
reproducibilidad del procedimiento de la
investigación y la rigurosidad con la que se
seleccionan los estudios que forman parte de
una revisión sistemática. El procedimiento
metodológico se hizo en cuatro fases, las cuales
implicaron; identificación de estudios a través
de búsquedas en bases de datos científicas,
eliminar los registros que contenían duplicados,
la lectura de títulos y de resúmenes para valorar
la adecuación temática. La lectura exhaustiva de
los artículos que habían sido preseleccionados
para confirmar que podían ser considerados
para el análisis definitivo.
Este proceso permitió construir un corpus de
literatura científica que representaba el
desarrollo reciente de las tecnologías
emergentes aplicadas a la educación
universitaria en la fisioterapia. La búsqueda
bibliográfica se llevó a cabo en bases de datos
científicas indexadas que contienen una
literatura científica relevante para la educación
superior, para la rehabilitación o para las
tecnologías digitales aplicadas a la salud. Las
bases de datos elegidas fueron Scopus,
ScienceDirect, SpringerLink, PubMed y Scielo,
puesto que estas plataformas se han considerado
óptimas debido a su cobertura internacional de
la investigación relacionada con la innovación
educativa, la tecnología para la salud y las
ciencias de la rehabilitación. Diversos estudios
han indicado que entre estas bases de datos se
acumula una parte importante de la producción
científica internacional en el campo de la
educación para la salud y de las tecnologías
emergentes aplicadas a la rehabilitación
(Bjerketveit et al, 2021). La selección de
diferentes bases de datos constituyó una
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 423
estrategia para ampliar el alcance de la
búsqueda y limitar el riesgo de omisión de
investigaciones relevantes sobre el tema. Para
localizar los estudios pertinentes se diseñaron
ecuaciones de búsqueda con los operadores
booleanos (AND, OR) y los descriptores de
tecnologías emergentes, fisioterapia y
educación superior. Los descriptores
seleccionados para la búsqueda se definieron a
partir de los términos de búsqueda que aparecen
en la literatura científica internacional
vinculada a la innovación tecnológica en la
rehabilitación.
Tabla 1: Estrategia de búsqueda bibliográfica
Base de datos
Ecuación de búsqueda utilizada
Scopus
emerging technologies AND
physiotherapy education
ScienceDirect
virtual reality rehabilitation
training AND higher education
SpringerLink
artificial intelligence AND
physiotherapy learning
PubMed
telerehabilitation AND
physiotherapy students
Scielo
tecnologías emergentes AND
fisioterapia educación superior
Fuente: Elaboración propia
Las ecuaciones de búsqueda permitieron
recuperar trabajos de investigación sobre la
utilización de tecnologías emergentes en la
formación universitaria en fisioterapia. Entre
los temas de investigación encontrados se
incluye la investigación sobre simulación
clínica digital, análisis biomecánico a través de
la inteligencia artificial, sistemas de captura de
movimiento y plataformas de tele-
rehabilitación educativa. Esta estrategia de
búsqueda permitió recuperar literatura
científica relevante para analizar cómo las
innovaciones tecnológicas se están integrando
en los procesos de enseñanza y aprendizaje en
el contexto de la fisioterapia. Con respecto a los
criterios de inclusión, se recuperaron artículos
científicos publicados entre los años 2020 y
2025, revisados por pares y relacionados con
tecnologías emergentes en el ámbito de la
educación superior en fisioterapia o
rehabilitación. Igualmente, los únicos artículos
considerados para la revisión fueron los escritos
en español o inglés y aquellas investigaciones
que pudieran abordar como objeto de estudio el
impacto educativo, el aprendizaje clínico o bien
la formación clínica en el campo del grado en
fisioterapia. La selección de estos criterios
permitió garantizar que la línea temática de
estudio de los artículos abarcó una temática
relevante y, de igual forma, asegurarse de que
los resultados obtenidos en los estudios
seleccionados cumpliesen con el objetivo de la
presente revisión.
Adicionalmente, con el objetivo de preservar la
calidad metodológica de la revisión, se
definieron también criterios de exclusión
concretos. Se excluyeron los artículos que no
hubieran sido sometidos a revisión de pares, los
estudios centrados exclusivamente en la
rehabilitación clínica sin componente
educativo, cualquier publicación anterior al año
2020, las publicaciones que eran duplicadas
entre bases de datos y los estudios que
disponían de una información metodológica
incompleta; de este modo, se permite ir
depurando la literatura científica existente para
finalmente poder seleccionar aquellas
publicaciones que ofrezcan evidencia científica
sobre la figura del impacto educativo de las
tecnologías emergentes de la enseñanza
universitaria en el grado en fisioterapia.
La selección de los estudios se llevó siguiendo
los pasos descritos en el protocolo PRISMA,
donde en una primera fase se recuperaron los
registros existentes desde las bases de datos
seleccionadas mediante las acotaciones de la
búsqueda predefinidas. Se eliminaron en
posterior fase los registros duplicados y se llevó
a cabo una revisión inicial de títulos y
resúmenes para determinar su pertinencia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 424
temática. Los artículos considerados
potencialmente relevantes fueron sometidos a
una revisión por completo de texto para
comprobar que cumplían con los criterios de
inclusión anteriormente definidos. El
procedimiento mencionado permitía acceder y
seleccionar aquellos artículos que fueron
incorporados de forma definitiva en el análisis
de la revisión sistemática, y aseguraba un
proceso de revisión de artículos sistemático,
transparente y alineado con los objetivos del
estudio.
Tabla 2: Proceso de selección de estudios
Etapa
Número de estudios
Registros identificados en
bases de datos
184
Registros después de
eliminar duplicados
152
Registros evaluados por
título y resumen
91
Artículos revisados a texto
completo
47
Estudios incluidos en el
análisis final
24
Fuente: Elaboración propia
Los 24 artículos elegidos constituyen el
material básico de análisis de la actual revisión
sistemática. Dichos trabajos fueron realzados
con la finalidad de detectar tendencias en el uso
de las tecnologías emergentes dentro de la
educación universitaria en fisioterapia y del
impacto pedagógico que tienen en la
competencia clínica. De manera que la revisión
se centró en el análisis de cómo las
innovaciones tecnológicas están alterando los
procesos de enseñanza y aprendizaje en esta
disciplina. En loque respecta a la extracción de
los datos, se creó una matriz de extracción de
información para cada uno de los estudios que
se incluyó en la revisión, a fin de recoger las
variables relevantes en el análisis comparativo.
Contemplándose entre las variables el autor/a y
el año de publicación, el país de realización del
estudio, el tipo de diseño metodológico, la
tecnología emergente en cuestión, el contexto
educativo de aplicación -si se trataba de
educación secuencial o salutogénica. Toda esta
información sistematizada permitió no solo una
comparación acerca de los estudios
seleccionados, sino, además, identificar
tendencias respecto a la incorporación de
tecnologías emergentes en la categoría del
ámbito universitario en la formación en
fisioterapia. También que, una vez finalizado el
proceso de selección de estudios, se procedió a
llevar a cabo un análisis de tipo cualitativo,
orientado en este caso a identificar patrones
comunes en la literatura científica revisada. Este
tipo de análisis forma parte de una estrategia
metodológica que se usa de forma extensiva en
las revisiones sistemáticas, ya que agrupa los
resultados de investigación en categorías
conceptuales que favorecen una mejor
comprensión de las evidencias científicas
disponibles para la autora (Secinaro et al.,
2021).
Figura 1. Identificación de estudios según
PRISMA 2020 (Page et al., 2021)
Fuente: Elaboración propia
La figura 1 evidencia el proceso de selección, a
partir de los resultados de los estudios incluidos
en la revisión sistemática se extrajeron cinco
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 425
categorías o especies de tecnologías emergentes
aplicadas a la enseñanza universitaria en la
disciplina de fisioterapia que fueron: realidad
virtual y simulación clínica inmersiva;
inteligencia artificial aplicada a la captura de
movimiento humano; sistemas de captura
biomecánica mediante sensores digitales;
plataformas de tele-rehabilitación educativa y
simulación clínica digital junto con robótica
terapéutica. Esta agrupación o categorización
permitió estructurar la información recuperada
y ofrecer una interpretación más clara de las
evidencias científicas en relación al impacto
pedagógico de las tecnologías emergentes en la
enseñanza universitaria en fisioterapia.
En suma, la agrupación y categorización de los
estudios en estas cinco categorías permitió
interpretar los resultados de la revisión
sistemática y facilitar una interpretación más
clara de las aportaciones de cada tecnología
emergente dentro del área de la formación
universitaria en fisioterapia. En este sentido, el
análisis presentado no sólo hace evidente la
gran variedad de herramientas tecnológicas y
emergentes utilizadas en la disciplina de
fisioterapia, sino también los aportes que
pueden ofrecer al aprendizaje clínico, a la
configuración de competencias y a la
transformación de los modelos de enseñanza en
la educación superior.
Resultados y Discusión
El análisis de los estudios incluidos en la
presente revisión sistemática permitió
identificar un crecimiento sostenido de la
investigación sobre tecnologías emergentes
aplicadas a la formación universitaria en
fisioterapia durante el período 2020–2025. La
mayor parte de estas investigaciones se
desarrolló en instituciones de educación
superior de Europa, Norteamérica y Asia, lo que
evidencia una expansión internacional en la
integración de herramientas tecnológicas dentro
de los procesos formativos en rehabilitación.
Este crecimiento refleja una tendencia global
hacia la digitalización de la educación en
ciencias de la salud, así como hacia la
incorporación de tecnologías basadas en
inteligencia artificial, simulación clínica y
plataformas digitales de aprendizaje (Archer y
Ellis, 2024; Secinaro et al., 2021;).
Diversas revisiones recientes también han
examinado el papel del aprendizaje digital en la
formación universitaria en fisioterapia. En este
sentido, Bjerketveit et al. (2021) señalan que las
herramientas digitales aplicadas a la educación
clínica fortalecen el aprendizaje autónomo y
favorecen la adquisición de habilidades
terapéuticas en los estudiantes. Según estos
autores, la incorporación de recursos digitales
interactivos facilita la articulación entre el
conocimiento teórico y la práctica clínica,
contribuyendo de manera significativa a
mejorar los resultados de aprendizaje en los
programas universitarios de rehabilitación.
De manera general, los estudios revisados
muestran que las tecnologías emergentes se
aplican principalmente en cuatro áreas
educativas: la simulación clínica mediante
realidad virtual, el análisis biomecánico del
movimiento mediante inteligencia artificial, la
captura de movimiento a través de sensores
digitales y las plataformas de tele-rehabilitación
utilizadas para el entrenamiento clínico remoto.
Estas tecnologías favorecen la práctica
terapéutica en entornos controlados, fortalecen
la retroalimentación durante el proceso
formativo y facilitan el desarrollo de
competencias clínicas y digitales en los
estudiantes de fisioterapia (Sumner et al., 2023).
Uno de los campos con mayor desarrollo en los
estudios analizados corresponde a la simulación
clínica basada en realidad virtual. Los
resultados evidencian que los entornos virtuales
inmersivos permiten recrear escenarios
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 426
terapéuticos complejos, lo que favorece la
práctica repetitiva de intervenciones clínicas y
la toma de decisiones en contextos seguros.
Khan et al. (2023) sostienen que el uso de
simulación clínica mediante realidad virtual
mejora de manera significativa el razonamiento
clínico en estudiantes de fisioterapia. De igual
forma, Radianti et al. (2020) destacan que los
entornos virtuales tridimensionales facilitan la
visualización de procesos complejos y
fortalecen el aprendizaje experiencial en la
educación superior.
Otra tendencia relevante identificada en la
revisión es el uso de inteligencia artificial
aplicada al análisis del movimiento humano.
Diversos estudios han demostrado que los
sistemas de visión computacional permiten
detectar puntos anatómicos del cuerpo y
analizar la ejecución de ejercicios terapéuticos
mediante algoritmos de reconocimiento de
movimiento. Lee y Tang (2021) explican que
estas herramientas posibilitan la evaluación de
variables biomecánicas con un alto nivel de
precisión, mientras que Sumner et al. (2023)
destacan que los sistemas basados en
inteligencia artificial generan retroalimentación
automatizada que contribuye a mejorar la
calidad del aprendizaje clínico en fisioterapia.
Además del análisis biomecánico del
movimiento humano, la inteligencia artificial
también se utiliza como apoyo en la
interpretación de datos clínicos durante los
procesos de formación en ciencias de la salud.
Farah et al. (2023) afirman que los sistemas de
inteligencia artificial médica permiten procesar
grandes volúmenes de información clínica y
fortalecer la interpretación diagnóstica en
contextos educativos. En el ámbito específico
de la fisioterapia, estas herramientas pueden
contribuir al desarrollo del razonamiento clínico
y al análisis de información relacionada con la
evaluación funcional del paciente. Los estudios
analizados también reportan la incorporación de
sistemas de captura de movimiento mediante
sensores digitales en programas universitarios
de fisioterapia. Tecnologías como Microsoft
Kinect permiten registrar variables cinemáticas
del movimiento humano durante la ejecución de
ejercicios terapéuticos.
De acuerdo con Çubukçu et al. (2021), estos
sistemas facilitan el análisis de la postura
corporal y mejoran la precisión en la evaluación
funcional del movimiento. En la misma línea,
Lee et al. (2021) señalan que los sensores
digitales permiten obtener información
biomecánica relevante para el entrenamiento
motor en procesos de rehabilitación. Asimismo,
la revisión identificó un creciente interés en el
uso de plataformas de tele-rehabilitación como
herramientas educativas en la formación
universitaria en fisioterapia.
Kim et al. (2022) destacan que las plataformas
de tele-rehabilitación contribuyen al desarrollo
de competencias vinculadas con la planificación
terapéutica digital y la comunicación clínica en
entornos virtuales. De igual manera, Matthew et
al. (2021) sostienen que estas herramientas
mejoran la preparación de los estudiantes para
escenarios de atención remota en salud. Además
de las tecnologías señaladas, algunos estudios
incluidos en la revisión también analizan el uso
de robótica terapéutica, sensores inteligentes y
sistemas de monitoreo fisiológico basados en
Internet de las cosas (IoT) en procesos de
formación clínica en rehabilitación. De igual
forma, Zhang et al. (2021) indican que estos
sistemas permiten monitorear variables
fisiológicas en tiempo real durante la ejecución
de ejercicios terapéuticos, mientras que Gopal
et al. (2024) resaltan que dichas tecnologías
facilitan el análisis de datos clínicos y
contribuyen a optimizar los procesos de
evaluación terapéutica en fisioterapia. En
definitiva, los resultados ponen de relieve que
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 427
las herramientas tecnológicas emergentes
empiezan a modificar de manera puntual pero
progresiva los modelos tradicionales de
enseñanza en la fisioterapia, a partir de la
implementación de herramientas digitales que
permiten analizar el movimiento humano,
simular contextos clínicos en situaciones
complejas o reforzar la enseñanza práctica
Tabla 3. Características de los estudios incluidos en la revisión
Autor
Año
Tipo de estudio
Tecnología
analizada
Contexto educativo
Principales resultados
Bjerketveit
et al.
2021
Revisión
sistemática
Aprendizaje digital
Fisioterapia
universitaria
Mejora del aprendizaje
clínico
Lee y Tang
2021
Experimental
Sensores de
movimiento
Análisis biomecánico
Evaluación objetiva del
movimiento
Kim et al.
2022
Estudio clínico
Tele-rehabilitación
Educación clínica
Mejora de competencias
comunicativas
Khan et al.
2023
Revisión
sistemática
Realidad virtual
Neurorehabilitación
Mejora del razonamiento
clínico
Çubukçu et
al.
2021
Experimental
Kinect
Entrenamiento
terapéutico
Mejora del análisis del
movimiento
Sumner et
al.
2023
Revisión
sistemática
Inteligencia artificial
Rehabilitación digital
Optimiza la evaluación
terapéutica
Secinaro et
al.
2021
Revisión
estructurada
Inteligencia artificial
Educación superior
Mejora el aprendizaje
basado en datos
Farah et al.
2023
Revisión
sistemática
Inteligencia artificial
médica
Educación clínica
Optimiza las decisiones
clínicas
Rahmani
2024
Revisión
narrativa
Inteligencia artificial
Rehabilitación
Mejora la
personalización
terapéutica
Lee et al.
2021
Experimental
Robótica terapéutica
Rehabilitación
Mejora el entrenamiento
motor
Jin et al.
2024
Experimental
Metaverso
terapéutico
Educación digital
Favorece el aprendizaje
inmersivo
García et al.
2023
Experimental
Reconocimiento de
ejercicio
Fisioterapia digital
Evaluación automática
del movimiento
Sobrepera et
al.
2022
Estudio piloto
Telepresencia
robótica
Rehabilitación remota
Mejora la interacción
con el paciente
Matthew et
al.
2021
Estudio clínico
Tele-rehabilitación
Educación clínica
Mejora la atención
remota
Tesfazgi et
al.
2022
Experimental
Robótica
rehabilitadora
Fisioterapia
Mejora el entrenamiento
motor
Chen et al.
2020
Experimental
Sensores inteligentes
Monitoreo fisiológico
Detección automática de
caídas
Lui et al.
2020
Revisión
Robótica blanda
Rehabilitación
Mejora la recuperación
funcional
Du et al.
2022
Experimental
Machine learning
Diagnóstico
vestibular
Mejora la precisión
diagnóstica
Zhang et al.
2021
Experimental
IoT médico
Rehabilitación digital
Monitoreo remoto del
paciente
Liao et al.
2020
Revisión
Análisis
computacional
Evaluación
terapéutica
Mejora el análisis
biomecánico
Gopal et al.
2024
Revisión
Inteligencia artificial
Fisioterapia
Optimiza la evaluación
clínica
Hamamoto
2021
Revisión
Inteligencia artificial
médica
Investigación clínica
Mejora el análisis de
datos
Monira et al.
2025
Estudio
observacional
Inteligencia artificial
Rehabilitación
Identifica barreras
tecnológicas
Archer y
Ellis
2024
Revisión
Tecnologías de
rehabilitación
Fisioterapia
Evidencia
transformación digital
del sector
Fuente: Elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 428
La Tabla 3 presenta una síntesis de los estudios incluidos en la revisión sistemática, considerando
variables como autor, año de publicación, país de realización del estudio, tipo de investigación,
tecnología analizada y principales resultados educativos identificados. A partir del análisis de los
estudios incluidos se identificaron cinco categorías principales de tecnologías emergentes aplicadas a
la enseñanza universitaria en fisioterapia.
Tabla 4. Tecnologías emergentes aplicadas a la enseñanza universitaria de fisioterapia identificadas
en la revisión
Categoría tecnológica
Herramientas tecnológicas
identificadas
Aplicación educativa
Frecuencia de
estudios
Realidad virtual
Oculus Quest, HTC Vive
Simulación clínica y entrenamiento
terapéutico en entornos inmersivos
8
Inteligencia artificial
OpenPose, algoritmos de
machine learning
Evaluación postural y análisis
automatizado del movimiento humano
6
Captura de movimiento
Kinect, sensores inerciales
Análisis biomecánico del movimiento
y retroalimentación terapéutica
5
Tele-rehabilitación
Physitrack, VSee
Simulación de sesiones terapéuticas
remotas y planificación de programas
de rehabilitación
3
Robótica y sensores
inteligentes
Unity3D, robots terapéuticos,
IoT médico
Entrenamiento clínico y práctica
terapéutica en entornos virtuales
2
Fuente: Elaboración propia
Además de las tecnologías que ya se han
descrito, algunos de los estudios que se
recuperan en esta revisión analizan la robótica
terapéutica, los sensores inteligentes y los
sistemas de monitorización fisiológica
mediante tecnologías del Internet de las Cosas
(IoT) en los procesos de formación clínica en
rehabilitación. Zhang et al. (2021) apuntan que
los sistemas IoT permiten monitorear las
variables fisiológicas y biomecánicas en tiempo
real mientras se ejecutan los ejercicios
terapéuticos permitiendo por ello el análisis
continuo del progreso del paciente. De forma
similar, Chen et al. (2020) apuntan que los
sensores inteligentes permiten el registro de
eventos clínicos relevantes, como alteraciones
en la estabilidad o influencia del riesgo de
caídas, mediante el monitoreo automatizado.
Por otro lado, otros estudios experimentales han
trabajado el uso del sistema de robótica
terapéutica en los procesos de rehabilitación y
entrenamiento motor, Lee et al., (2021) plantean
que los sistemas robóticos pueden
acústicamente asistir la ejecución de ejercicios
terapéuticos y el registro de las variables
biomecánicas durante el movimiento. Los
mismos resultados fueron hallados por Tesfazgi
y col. (2022), quienes concluyeron que los
sistemas robóticos permiten mejorar la
precisión en el entrenamiento motor y facilitan
el seguimiento objetivo del progreso funcional
del paciente. En esta línea, Lui y col. (2020)
revisaron el potencial que tiene la robótica
blanda aplicada a la rehabilitación, sobre todo
su capacidad de adaptarse a las características
biomecánicas del movimiento humano.
Del mismo modo, algunos estudios que forman
parte de la revisión analizan el uso de
algoritmos de aprendizaje automático en los
procesos de evaluación clínica. Du et al. (2022)
evidencian cómo los modelos de machine
learning logran mejorar la precisión diagnóstica
en trastornos vestibulares usando el análisis
automatizado de los datos clínicos. Por su parte,
Liao et al. (2020) se ocupan de la aplicación de
herramientas computacionales en evaluaciones
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 429
biomecánicas del movimiento humano, las que
pueden ser consideradas como pruebas
funcionales en rehabilitación.
Dentro del ámbito de la educación clínica, son
múltiples las indagaciones que se han centrado
en el uso de tecnologías digitales para mejorar
y potenciar el aprendizaje en fisioterapia.
García et al. (2023) realizaron el análisis de los
sistemas para el reconocimiento automático del
ejercicio terapéutico, los que permiten la
evaluación de la ejecución del movimiento
durante el entrenamiento físico; de forma
complementaria, Sobrepera et al. (2022) fueron
los encargados de estudiar los sistemas para la
telepresencia robótica, los que permiten
contribuir a procesos de rehabilitación remota y
supervisión clínica remota.
Otros estudios recientes han examinado
entornos virtuales avanzados o plataformas
digitales inmersivas para la práctica en
rehabilitación. Jin et al. (2024) realizaron un
análisis de los entornos meta versales
terapéuticos en la educación clínica, los que a
su vez mencionan bastante bien la aplicación
potencial para la recreación de escenarios de
intervención en entornos virtuales interactivos.
Y, por último, Hamamoto (2021) realizó un
análisis del papel de la inteligencia artificial en
la investigación clínica en salud, notoriamente
la aplicabilidad al análisis de grandes
volúmenes de datos clínicos en rehabilitación.
Por otro lado, las indagaciones recientes
también indagan sobre las barreras de la
adopción de tecnologías emergentes para los
sistemas de rehabilitación. Monira et al. (2023)
fueron los responsables de la identificación de
las limitaciones sobre la infraestructura
tecnológica, formación profesional, recursos
digitales en las instituciones de salud y
formación. A partir de la síntesis de la evidencia
científica identificada en la revisión sistemática,
se propone un modelo de innovación educativa
orientado a integrar tecnologías emergentes en
la enseñanza universitaria de los programas de
fisioterapia.
Tabla 5: Modelo de innovación educativa basado en tecnologías emergentes para programas
universitarios de fisioterapia.
Dimensión
educativa
Tecnología aplicada
Estrategia
pedagógica
Competencias
desarrolladas
Resultados esperados
Simulación
clínica
Realidad virtual
(Oculus Quest, HTC
Vive)
Aprendizaje
experiencial
mediante simulación
clínica
Razonamiento clínico
y toma de decisiones
terapéuticas
Mejora en la práctica
terapéutica simulada
Evaluación del
movimiento
Inteligencia artificial
(OpenPose)
Análisis
biomecánico digital
del movimiento
Interpretación
biomecánica y análisis
funcional
Retroalimentación
automatizada del
desempeño
Análisis
funcional
Sistemas de captura de
movimiento (Kinect,
sensores inerciales)
Aprendizaje práctico
basado en análisis
cinemático
Comprensión
biomecánica del
movimiento humano
Mejora en la evaluación
funcional
Atención
digital
Plataformas de tele-
rehabilitación
(Physitrack, VSee)
Simulación de
atención clínica
remota
Planificación
terapéutica digital y
comunicación clínica
Desarrollo de
competencias en salud
digital
Gestión del
aprendizaje
Plataformas educativas
digitales
Aprendizaje
colaborativo y
análisis de datos
clínicos
Competencias digitales
en rehabilitación
Fortalecimiento de la
formación profesional
Fuente: Elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 430
Este modelo propone una integración
pedagógica progresiva de tecnologías
emergentes dentro de los programas
académicos de fisioterapia. Su implementación
requiere una articulación entre infraestructura
tecnológica, capacitación docente y rediseño
curricular orientado al aprendizaje basado en
competencias. En este sentido, la incorporación
de tecnologías emergentes no debe entenderse
únicamente como un proceso de innovación
tecnológica, sino como una estrategia educativa
que permita fortalecer la calidad de la
formación universitaria en rehabilitación y
preparar a los futuros profesionales para un
entorno clínico cada vez más digitalizado
(Archer y Ellis, 2024; Rahmani, 2024).
Los resultados arrojados por la presente
revisión sistemática ponen de manifiesto que las
tecnologías emergentes están cambiando, a
paso lento, pero a paso seguro, los modelos de
enseñanza de los planes formativos de grado
orientados a la rehabilitación, y más
concretamente en el campo de la fisioterapia.
En la literatura científica revisada queda
reflejado que se puede contar con la realidad
virtual, la inteligencia artificial en el análisis del
movimiento humano, los sistemas para la
captura biomecánica y las plataformas para la
tele-rehabilitación para desarrollar experiencias
de enseñanza y aprendizaje más interactivas,
seguras y tendentes a la adquisición de
competencias clínicas.
Según Secinaro et al. (2021), la incorporación
de tecnologías digitales en la educación
superior está modificando los procesos de
enseñanza de ciencias de la salud de manera
tradicional, generando nuevas oportunidades
para fomentar la formación profesional,
mediante entornos educativos que simulan la
realidad e incorporan herramientas para el
análisis de datos y la tele-rehabilitación como
son la realidad virtual, la inteligencia artificial
en el análisis del movimiento humano, los
sistemas para la captura biomecánica y los
entornos para la tele-rehabilitación. Una de las
evidencias más robustas en los estudios
analizados se refiere a la validez pedagógica de
la realidad virtual en la formación de los
estudiantes de fisioterapia. Los medios de
simulación inmersiva posibilitan la
representación de situaciones terapéuticas
complicadas que ayudan a la repetición
controlada de técnicas clínicas y a la toma de
decisiones terapéuticas en situaciones seguras
(Khan et al. 2023). El avance de este análisis ha
demostrado que, en el caso de la simulación
clínica realizada mediante realidad virtual, se
mejora el razonamiento clínico y el
entendimiento de los procesos de rehabilitación
neuromuscular (Khan et al. 2023).
Asimismo, se ha apuntado que los entornos
virtuales inmersivos permiten representar de
forma dinámica situaciones clínicas complejas
y mejorar la comprensión funcional durante la
educación de las profesiones de la salud. Otra
tendencia significativa identificada en la
literatura hace referencia a la inteligencia
artificial aplicada al análisis del movimiento
humano. Lee y Tang (2021) indican que los
sistemas de visión computacional permiten, por
un lado, la detección de los principales puntos
anatómicos del cuerpo humano; y por otro, la
ejecución analizada de los ejercicios
terapéuticos mediante algoritmos de
reconocimiento del movimiento.
Herramientas como las anteriores permiten la
adquisición de movimientos con un mayor
grado de precisión y la posibilidad de crear
retroalimentación automática para la evaluación
del desempeño del alumno a lo largo de la
experiencia del aprendizaje. Sumner et al.
(2023) mencionan que utilizar la inteligencia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 431
artificial en rehabilitación mejora la práctica de
evaluación terapéutica y el análisis de grandes
volúmenes de datos sobre el movimiento
humano. Los sistemas de captura de
movimiento utilizando tecnologías de sensores
digitales también presentan evidencias sobre su
capacidad para ser tecnologías educativas de la
enseñanza de la biomecánica aplicada a la
rehabilitación de pacientes. Tecnologías como
el sistema Microsoft Kinect se utilizan para
registrar variables cinemáticas del movimiento
humano para la ejecución de ejercicios
terapéuticos o el análisis en tiempo real del
posicionamiento corporal.
Tal como argumentan Çubukçu et al. (2021),
quienes describen la mejora en la precisión del
análisis del movimiento y el aprendizaje
práctico en fisioterapia. De forma
complementaria, Lee et al. (2021) subrayan que
los movimientos (e.g. accionar los
controladores, desplazarse en forma de
walking) “tendría sentido que el diseño del
entorno y el movimiento estén
interrelacionados” tal como lo aprendido con
los sensores de movimiento en el entrenamiento
(observando el uso de la locomoción y el
motor). La literatura científica también pone de
manifiesto el creciente uso de las plataformas
para la tele-rehabilitación para la formación de
los universitarios en fisioterapia, es decir, se
simulan los procesos mediante el uso de
herramientas digitales que facilitan la
elaboración de programas de rehabilitación y el
seguimiento de los progresos.
Kim et al. (2022) observan que las plataformas
para la tele-rehabilitación ayudan a desarrollar
competencias relacionadas con la elaboración
de la planificación terapéutica digital y la
comunicación clínica en el contexto de la
atención remota en espacios virtuales. En esta
misma línea Matthew et al. (2021) observan que
la introducción de estas herramientas en la
formación para los universitarios sirve para
preparar a los estudiantes para los contextos de
atención remota que se van haciendo cada vez
más frecuentes en los servicios de salud.
Además de este elenco de tecnologías, diversos
estudios incluidos en esta revisión aluden
también al uso de robótica terapéutica, a los
sensores inteligentes o a sistemas de monitoreo
fisiológico basados en Internet de las Cosas en
procesos educativos vinculados a la
rehabilitación. Según lo indicado por Zhang et
al. (2021), estos sistemas de este tipo permiten
la monitorización de variables fisiológicas y
biomecánicas en tiempo real durante la
ejecución de ejercicios terapéuticos.
Para Gopal et al. (2024), las tecnologías basadas
en inteligencia artificial y en sensores
inteligentes ayudan a optimizar los procesos de
evaluación clínica en fisioterapia y contribuyen
uno de modo decisivo al proceso de toma de
decisiones terapéuticas basadas en datos. A
pesar de la cantidad de potenciales beneficios
del uso de tecnologías emergentes en la
docencia: la literatura coincide en que la
integración de estas tecnologías emergentes en
la formación de fisioterapia en la educación
superior presenta grandes barreras
institucionales y pedagógicas. Según Secinaro
et al. (2021) barreras como la escasez de
infraestructura tecnológica, la baja capacitación
del profesorado en competencias digitales y la
escasa disponibilidad de recursos tecnológicos
en algunas instituciones.
En la misma línea Bond et al. (2021) informan
que muchas universidades carecen de modelos
pedagógicos que estructuren la incorporación
de las tecnologías digitales en los elementos de
las asignaturas. También algunos estudios han
analizado los desafíos que entraña la adopción
de tecnologías digitales y basadas en
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 432
inteligencia artificial en el ámbito de la
rehabilitación. En este sentido, Monira et al.
(2025) encontraron que la escasa infraestructura
tecnológica, la escasa capacitación profesional
en herramientas digitales y la escasa
disponibilidad de recursos tecnológicos son
barreras importantes en instituciones educativas
y clínicas. Lo que nos dice que deben
establecerse estrategias institucionales que
fomenten la transformación digital en la
educación universitaria en fisioterapia.
Dentro de este contexto, algunos autores
insisten en la necesidad de desarrollar modelos
de innovación educativa que integren
tecnologías, pedagogías y prácticas clínicas en
los programas de rehabilitación en los centros
universitarios. Rahmani (2024) explica que la
integración de tecnologías emergentes en el
campo de la terapia debe ir acompañada de
estrategias pedagógicas orientadas al desarrollo
de las competencias digitales y clínicas del
estudiante. A su vez, Archer y Ellis (2024)
enfatizan que la transformación digital del
sector de la rehabilitación exige nuevos
modelos formativos que integren herramientas
tecnológicas con metodologías activadas de
aprendizaje.
Conclusiones
La presente revisión sistemática analizó la
evidencia científica reciente sobre el uso de
tecnologías emergentes en la enseñanza
universitaria de programas de rehabilitación,
particularmente en la formación en fisioterapia.
Los resultados muestran que herramientas como
la realidad virtual, la inteligencia artificial
aplicada al análisis del movimiento, los
sistemas de captura biomecánica y las
plataformas de tele-rehabilitación están
transformando progresivamente los modelos
tradicionales de enseñanza en ciencias de la
salud. Estas tecnologías permiten generar
entornos de aprendizaje más interactivos y
seguros, orientados al desarrollo de
competencias clínicas y al fortalecimiento de la
formación profesional. En primer lugar, la
simulación clínica basada en realidad virtual
favorece el desarrollo del razonamiento clínico
y la adquisición de habilidades terapéuticas. Los
entornos virtuales permiten recrear escenarios
clínicos complejos y practicar intervenciones
terapéuticas en condiciones controladas, lo que
fortalece el aprendizaje experiencial y mejora la
comprensión de los procesos de evaluación y
tratamiento en fisioterapia.
En segundo lugar, las tecnologías basadas en
inteligencia artificial y los sistemas de análisis
biomecánico del movimiento contribuyen a
mejorar la comprensión del movimiento
humano y el aprendizaje práctico en
rehabilitación. Herramientas como la visión
computacional y los sensores de captura de
movimiento permiten analizar variables
cinemáticas durante la ejecución de ejercicios
terapéuticos, facilitando la evaluación objetiva
del desempeño del estudiante y la generación de
retroalimentación automatizada. En tercer
lugar, las plataformas de tele-rehabilitación han
ampliado las posibilidades educativas
relacionadas con la atención clínica digital, las
herramientas permiten simular procesos de
atención remota, diseñar programas
terapéuticos personalizados y monitorear la
evolución funcional del paciente, favoreciendo
el desarrollo de competencias en salud digital.
No obstante, la integración efectiva de estas
tecnologías en la educación superior en
fisioterapia enfrenta diversos desafíos
institucionales, entre ellos la limitada
infraestructura tecnológica, la necesidad de
fortalecer la capacitación docente y la ausencia
de modelos pedagógicos que orienten su
incorporación sistemática en los programas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 433
académicos. En el contexto latinoamericano, y
particularmente en Ecuador, la adopción de
tecnologías emergentes representa una
oportunidad para modernizar la formación
universitaria en rehabilitación y reducir la
brecha entre la formación académica y las
demandas del entorno clínico digitalizado. En
este sentido, el modelo de innovación educativa
propuesto en el presente estudio constituye una
herramienta conceptual para orientar procesos
de transformación curricular en programas
universitarios de fisioterapia. La integración
sistemática de tecnologías emergentes puede
fortalecer el aprendizaje experiencial, mejorar
la comprensión biomecánica del movimiento
humano y desarrollar competencias digitales
necesarias para el ejercicio profesional en
contextos de salud digital.
Referencias Bibliográficas
Archer, K., y Ellis, T. (2024). Advances in
Rehabilitation Technology to Transform
Health. Physical Therapy, 104(2).
https://doi.org/10.1093/ptj/pzae008
Bjerketveit, N., Tinderholt, H., y Dahl, T. (2021).
Digital learning designs in physiotherapy
education: a systematic review and meta-
analysis. International Journal of Educational
Technology, 13(21), 48.
https://pubmed.ncbi.nlm.nih.gov/33441140/
Bond, M., Bedenlier, S., Marín, V., y Händel, M.
(2021). Emergency remote teaching in higher
education: Mapping the first global online
semester. International Journal of Educational
Technology in Higher Education, 18(50).
https://doi.org/10.1186/s41239-021-00282-x
Chen, Y., Xiao, F., Huang, H., y Sun, L. (2020).
RF-IDH: An intelligent fall detection system for
hemodialysis patients via COTS RFID. Future
Generation Computer Systems, 113, 13-24.
https://doi.org/10.1016/j.future.2020.06.047
Çubukçu, B., Yüzgeç, U., Zı lelı , A., y Raif, Z.
(2021). Kinect-based integrated physiotherapy
mentor application for shoulder damage. Future
Generation Computer Systems, 122.
https://doi.org/10.1016/j.future.2021.04.003
Du, Y., Ren, L., Lui, X., y Wu, Z. (2022). Machine
learning method intervention: Determine proper
screening tests for vestibular disorders. Auris
Nasus Larynx, 49(4), 564-570.
https://doi.org/10.1016/j.anl.2021.10.003
Farah, L., Davaze, J., Martin, T., Nguyen, P.,
Borget, I., y Martelli, N. (Jun de 2023). Are
current clinical studies on artificial intelligence-
based medical devices comprehensive enough
to support a full health technology assessment?
A systematic review. Artif Intell Med., 140.
https://doi.org/10.1016/j.artmed.2023.102547
García, S., Casillas, D., y Jiménez, A. (2023).
Simultaneous exercise recognition and
evaluation in prescribed routines: Approach to
virtual coaches. arXiv.
https://doi.org/10.1016/j.eswa.2022.116990
Gopal, N., Mshari, A., y Mohamed, H. (2024).
Clinical Usefulness of Artificial Intelligence in
Physiotherapy – A Practice-based Review. SBV
Journal of Basic, Clinical and Applied Health
Science, 7(4), 184-188.
https://doi.org/10.4103/SBVJ.SBVJ_38_24
Hamamoto, R. (2021). Aplicación de la
inteligencia artificial a la investigación médica.
Biomoléculas, 11(1).
https://doi.org/10.3390/biom11010090
Jin, C., Yanhui, J., y Chang, Y. (2024). Rough Set
improved Therapy-Based Metaverse Assisting
System. arXiv, 2.
https://doi.org/10.1109/MetaCom62920.2024.0
0066
Khan, A., Podlasek, A., y Somaa, F. (2023).
Virtual reality in post-stroke neurorehabilitation
- a systematic review and meta-analysis. Journal
of NeuroEngineering and Rehabilitation, 30(1),
53-72.
https://doi.org/10.1080/10749357.2021.199046
8
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 434
Kim, B., Emily, P., y Sarah, L. (2022). Telehealth
Physical Therapy for Sports Medicine
Rehabilitation: What Is Its Role in the
Postpandemic Era? Orthop J Sports Med,
10(10).
https://doi.org/10.1177/23259671221127721
Kyaw, B. M., Divakar, U., Masiello, I.,
Kononowicz, A., Zary, N., y Tudor Car, L.
(2019). Virtual reality for health professions
education: Systematic review and meta-
analysis. Journal of Medical Internet Research,
21(1).
https://doi.org/https://preprints.jmir.org/preprin
t/12959
Lee, K., y Tang, W. (2021). A Fully Wireless
Wearable Motion Tracking System with 3D
Human Model for Gait Analysis. Sensors,
21(12). https://doi.org/10.3390/s21124051
Lee, M., Siewiorek, D., y Smailagic, A. (2021).
Enabling AI and Robotic Coaches for Physical
Rehabilitation Therapy: Iterative Design and
Evaluation with Therapists and Post-Stroke
Survivors. Submission history, 16(1).
https://doi.org/10.1007/s12369-022-00883-0
Liao, Y., Vakanski, A., y Xian, M. (2020). arXiv.
A Review of Computational Approaches for
Evaluation of Rehabilitation Exercises, 2.
https://doi.org/10.1016/j.compbiomed.2020.10
3687
López, A., M, F., y Delgado, C. (2025).
Integración de tecnologías emergentes en
fisioterapia: revisión narrativa y lineamientos
estratégicos para la innovación en Ecuador.
Reincisol, 4(8).
https://doi.org/https://doi.org/10.59282/reincis
ol.V4(8)4634-4656
Lui, Q., Zuo, J., Zhu, C., y Xie, S. (2020). Design
and control of soft rehabilitation robots actuated
by pneumatic muscles: State of the art. Future
Generation Computer Systems, 113.
https://doi.org/https://doi.org/10.1016/j.future.
2020.06.046
Matthew, J., Sang, S., Daniel, R., y Deborah, E.
(2021). Evaluation of Pragmatic Telehealth
Physical Therapy Implementation During the
COVID-19 Pandemic. Physical Therapy &
Rehabilitattion Journal, 101(1).
https://doi.org/https://doi.org/10.1093/ptj/pzaa
193
Monira, A., Amal, A., y Mohamed, A. (2025).
Adoption of Artificial Intelligence in
Rehabilitation: Perceptions, Knowledge, and
Challenges Among Healthcare Providers.
Healthcare. Healthcare (Basel), 13(4).
https://doi.org/10.3390/healthcare13040350
Page, M., McKenzie, J., y Bossuyt, P. e. (2021).
Page, M. J., McKenzie, J. E., Bossuyt, P., et al.
(2021). The PRISMA 2020 statement: An
updated guideline for reporting systematic
reviews. BMJ, 372(71).
https://doi.org/https://doi.org/10.1136/bmj.n71
Radianti, J., Majchrzak, T., Fromm, J., y
Wohlgenannt, I. (2020). A systematic review of
immersive virtual reality applications for higher
education: Design elements, lessons learned,
and research agenda. Computers & Education,
147.
https://doi.org/https://doi.org/10.1016/j.compe
du.2019.103778
Rahmani, A. (2024). Artificial Intelligence and Its
Revolutionary Role in Physical and Mental
Rehabilitation: A Review of Recent
Advancements. NatureBio(1).
https://pubmed.ncbi.nlm.nih.gov/39720127/
Secinaro, S., Clandra, D., Secinato, A.,
Muthurangu, V., y Biancone, P. (2021). The
role of artificial intelligence in healthcare: a
structured literature review. BMC Medical
Informatics and Decision Making, 21(1).
https://doi.org/10.1186/s12911-021-01488
Sobrepera, M., Vera, L., y Suveer, G. (2022).
Feasibility and Acceptability of Remote
Neuromotor Rehabilitation Interactions Using
Social Robot Augmented Telepresence: A Case
Study. arXiv(1).
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 3.1
Edición Especial III 2026
Página 435
https://doi.org/10.1109/ICORR55369.2022.98
96604
Sumner, J., Lim, W., Chong, L., Bundele, A.,
Mukhopadhyay, A., y Kayambu, G. (2023).
Artificial intelligence in physical rehabilitation:
A systematic review. Artif Intell Med., 146.
https://doi.org/10.1016/j.artmed.2023.102693
Tesfazgi, S., Lederer, A., y Kunz, J. (2022).
Personalized Rehabilitation Robotics based on
Online Learning Control. arXiv, 2.
https://doi.org/10.48550/arXiv.2110.00481
Zhang, D., Xia, X., y Yang, Y. (2021). A novel
word similarity measure method for IoT-
enabled Healthcare applications. Future
Generation Computer Systems, 114.
https://doi.org/10.1016/j.future.2020.07.053
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Angélica Irene López
Asqui.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Angélica Irene López Asqui: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los
datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el
artículo cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y
que sus observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben
ajustarse a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre
la responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del
manuscrito ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.