Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 286
PERCEPCIÓN DEL PERSONAL MÉDICO SOBRE EL USO DE INTELIGENCIA
ARTIFICIAL EN LA TOMA DE DECISIONES CLÍNICAS EN ONCOLOGÍA
HEALTHCARE PROFESSIONALS' PERCEPTIONS OF THE USE OF ARTIFICIAL
INTELLIGENCE IN CLINICAL DECISION-MAKING IN ONCOLOGY
Autores: ¹Fanny Michelle Meléndez Yánez, ²Luis Fabián Salazar Garcés.
¹ORCID ID: https://orcid.org/0009-0009-9348-4043
²ORCID ID: https://orcid.org/0000-0002-5128-7211
¹E-mail de contacto: fmelendez1157@uta.edu.ec
²E-mail de contacto: lf.salazar@uta.edu.ec
Afiliación:
1*
Facultad de Ciencias de la Salud, Universidad Técnica de Ambato, (Ecuador).
2*
Allergy and Acarology Laboratory, Institute
of Health Sciences, Federal University of Bahia.
Artículo recibido: 30 de Julio del 2026.
Artículo revisado: 1 de Agosto del 2026.
Artículo aprobado: 1 de Agosto del 2026.
1
Estudiante de la Universidad Técnica de Ambato, (Ecuador).
2
Licenciado en Laboratorio Clínico, graduado de la Universidad Técnica de Ambato, (Ecuador). Magíster en Inmunología, graduado de
la Universidad Federal Da Bahia, (Brasil). Doctor en Inmunología, graduada de la Universidad Federal Da Bahia, (Brasil).
Resumen
El objetivo es analizar la percepción del
personal médico del Hospital de Especialidades
Carlos Andrade Marín (HECAM) sobre el uso
de inteligencia artificial (IA) en el manejo del
cáncer de mama, explorando el nivel de
conocimiento, la utilidad percibida, las barreras
institucionales y la disposición a su
incorporación en la práctica clínica. La
metodología incluyó un estudio descriptivo de
corte transversal con enfoque mixto. Se aplicó
el Cuestionario de Percepción, Conocimiento y
Actitudes del Personal Médico frente al Uso de
IA en Oncología (V1.0), instrumento de
elaboración propia con 20 ítems Likert
distribuidos en cuatro dimensiones y cuatro
preguntas abiertas. La validez de contenido se
evaluó mediante el coeficiente V de Aiken (n =
6 expertos) y la consistencia interna con alfa de
Cronbach. El análisis cuantitativo empleó
estadísticos descriptivos, pruebas de Shapiro-
Wilk, U de Mann-Whitney, Kruskal-Wallis y
correlación Rho de Spearman (α = 0,05). El
componente cualitativo se procesó mediante
análisis temático reflexivo. Participaron 23
profesionales médicos (65,2% mujeres; 52,2%
oncólogos). El instrumento demostró validez de
contenido alta (V de Aiken global = 0,924; IC
95%: 0,692–1,000) y consistencia interna
excelente (α = 0,937). La dimensión
Expectativas obtuvo el puntaje más alto (M =
19,3/25), mientras que Conocimiento registró el
más bajo (M = 15,8/25). El ítem con menor
media fue B8, capacitación formal recibida en
IA, (M = 2,57). Se identificó una correlación
muy fuerte entre Utilidad y Expectativas (ρ =
0,894; p < 0,001) y ausencia de correlación
entre Conocimiento y Barreras (ρ = 0,079; p =
0,722). No se encontraron diferencias
significativas por sexo, categoría profesional ni
años de experiencia (p > 0,05). El análisis
temático reveló que la disposición a adoptar IA
está condicionada a supervisión médica
permanente, capacitación específica e
infraestructura adecuada. El personal médico
del HECAM muestra alta predisposición hacia
la IA en oncología, pero enfrenta una brecha
formativa real y barreras estructurales
independientes del nivel de conocimiento
individual. El instrumento V1.0 validado
constituye una herramienta replicable para
estudios multicéntricos futuros.
Palabras clave: Inteligencia artificial,
Neoplasias de la mama, Percepción del personal
de salud, Toma de decisiones, Cáncer de mama.
Abstract
The objective was to analyze the perceptions of
medical staff at the Carlos Andrade Marín
Specialty Hospital (HECAM) regarding the use
of artificial intelligence (AI) in breast cancer
management, exploring their level of
knowledge, perceived usefulness, institutional
barriers, and willingness to incorporate it into
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 287
clinical practice. The methodology included a
descriptive, cross-sectional study with a mixed-
methods approach. The Questionnaire on
Perception, Knowledge, and Attitudes of
Medical Staff Regarding the Use of AI in
Oncology (V1.0), a self-developed instrument
with 20 Likert-scale items distributed across
four dimensions and four open-ended questions,
was administered. Content validity was
assessed using Aiken's V coefficient (n = 6
experts), and internal consistency was evaluated
using Cronbach's alpha. Quantitative analysis
employed descriptive statistics, Shapiro-Wilk
tests, Mann-Whitney U tests, Kruskal-Wallis
tests, and Spearman's rho correlation (α = 0.05).
The qualitative component was processed using
reflective thematic analysis. Twenty-three
medical professionals participated (65.2%
women; 52.2% oncologists). The instrument
demonstrated high content validity (overall
Aiken's V = 0.924; 95% CI: 0.692–1.000) and
excellent internal consistency (α = 0.937). The
Expectations dimension obtained the highest
score (M = 19.3/25), while Knowledge
registered the lowest (M = 15.8/25). The item
with the lowest mean was B8, formal training
received in AI (M = 2.57). A very strong
correlation was identified between Utility and
Expectations (ρ = 0.894; p < 0.001), and no
correlation was found between Knowledge and
Barriers (ρ = 0.079; p = 0.722). No significant
differences were found by sex, professional
category, or years of experience (p > 0.05).
Thematic analysis revealed that the willingness
to adopt AI is contingent upon ongoing medical
supervision, specific training, and adequate
infrastructure. Medical staff at HECAM show a
high predisposition toward AI in oncology, but
face a real training gap and structural barriers
independent of individual knowledge levels.
The validated V1.0 instrument constitutes a
replicable tool for future multicenter studies.
Keywords: Artificial intelligence, Breast
neoplasms, Healthcare staff perception,
Decision-making, Breast cancer.
Sumário
O objetivo deste estudo foi analisar as
percepções da equipe médica do Hospital de
Especialidades Carlos Andrade Marín
(HECAM) sobre o uso da inteligência artificial
(IA) no manejo do câncer de mama, explorando
seu nível de conhecimento, utilidade percebida,
barreiras institucionais e disposição para
incorporá-la à prática clínica. A metodologia
incluiu um estudo descritivo transversal com
abordagem mista. Foi aplicado o Questionário
sobre Percepção, Conhecimento e Atitudes da
Equipe Médica em Relação ao Uso da IA em
Oncologia (V1.0), um instrumento
desenvolvido pelos pesquisadores, com 20 itens
em escala Likert distribuídos em quatro
dimensões e quatro questões abertas. A validade
de conteúdo foi avaliada pelo coeficiente V de
Aiken (n = 6 especialistas) e a consistência
interna pelo alfa de Cronbach. A análise
quantitativa empregou estatística descritiva,
testes de Shapiro-Wilk, testes U de Mann-
Whitney, testes de Kruskal-Wallis e correlação
de Spearman (α = 0,05). A componente
qualitativa foi processada por meio de análise
temática reflexiva. Vinte e três profissionais da
área médica participaram do estudo (65,2%
mulheres; 52,2% oncologistas). O instrumento
demonstrou alta validade de conteúdo (V de
Aiken geral = 0,924; IC 95%: 0,692–1,000) e
excelente consistência interna (α = 0,937). A
dimensão Expectativas obteve a maior
pontuação (M = 19,3/25), enquanto
Conhecimento registrou a menor (M = 15,8/25).
O item com a menor média foi B8, treinamento
formal recebido em IA (M = 2,57). Uma
correlação muito forte foi identificada entre
Utilidade e Expectativas (ρ = 0,894; p < 0,001),
e nenhuma correlação foi encontrada entre
Conhecimento e Barreiras (ρ = 0,079; p =
0,722). Não foram encontradas diferenças
significativas por sexo, categoria profissional
ou anos de experiência (p > 0,05). A análise
temática revelou que a disposição para adotar a
IA depende da supervisão médica contínua, do
treinamento específico e de infraestrutura
adequada. A equipe médica do HECAM
demonstra uma alta predisposição à IA em
oncologia, mas enfrenta uma lacuna real de
treinamento e barreiras estruturais
independentes do nível de conhecimento
individual. O instrumento validado na versão
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 288
1.0 constitui uma ferramenta replicável para
futuros estudos multicêntricos.
Palavras-chave: Inteligência artificial,
Neoplasias da mama, Percepção da equipe de
saúde, Tomada de decisão, Câncer de mama.
Introducción
La inteligencia artificial (IA) ha emergido como
una herramienta transformadora en la medicina
contemporánea, con un impacto
particularmente significativo en el campo de la
oncología. Esta tecnología, fundamentada en
algoritmos de aprendizaje profundo (deep
learning), ha demostrado capacidad para reducir
la variabilidad Inter observador en la
interpretación de estudios diagnósticos por
imagen (Montero & Silva, 2025). Más allá de la
optimización diagnóstica, la IA facilita la
personalización de esquemas terapéuticos
mediante el procesamiento de datos genómicos
y morfológicos masivos a través del aprendizaje
automático (machine learning), lo que resulta
especialmente relevante para mejorar las
brechas de atención en países de recursos
limitados (Cazap y De Celis, 2024; Tannia y
Rivera, 2024).
En este ámbito, las redes neuronales
convolucionales han demostrado superar a los
sistemas convencionales como la detección
asistida por computadora (CAD), alcanzando
una especificidad de hasta el 98% en la
identificación de lesiones malignas en muestras
histopatológicas y estudios de imagen mamaria
(Narciso y Alcívar, 2026). Este avance
tecnológico posibilita la transición hacia una
medicina de precisión orientada a optimizar el
flujo de trabajo clínico y priorizar la calidad de
atención al paciente oncológico (Ashif Khan et
al., 2026; Salazar et al., 2026). En el contexto
ecuatoriano, el escenario epidemiológico revela
un incremento progresivo de neoplasias
asociadas con los cambios en el estilo de vida y
el envejecimiento poblacional. El cáncer de
mama se ha consolidado como la patología de
mayor incidencia y mortalidad en mujeres
ecuatorianas con una tasa de incidencia de 35,2
por cada 100.000 mujeres y una mortalidad de
12,4 por cada 100.000 habitantes (Colegio de
Médicos de Pichincha, 2026; Maldonado-
Noboa et al., 2025). A nivel regional, SOLCA
Núcleo de Tungurahua reportó 287 nuevos
casos de cáncer de mama, lo que evidencia una
creciente presión asistencial en los centros de
referencia oncológica (Solca, 2025). Esta
realidad se agrava por un déficit crítico de
talento humano especializado: el país dispone
de aproximadamente 1,2 oncólogos por cada
100.000 habitantes, cifra que se encuentra muy
por debajo de los estándares internacionales,
con una concentración desproporcionada de
especialistas en Quito y Guayaquil que acentúa
la disparidad geográfica en el acceso a
tratamientos oportunos (Villacrés et al., 2018).
Ante este panorama, la integración de la IA se
presenta como una estrategia viable para
descentralizar y fortalecer la atención
oncológica, siempre que se garantice la
infraestructura y la capacitación del personal
necesarias para su implementación efectiva
(Maldonado et al., 2025)
No obstante, la adopción de la IA en oncología
no depende exclusivamente de su rendimiento
técnico, sino de una compleja interacción de
factores psicosociales y estructurales (Salazar-
Garcés et al., 2026). El Modelo de Aceptación
Tecnológica (TAM) postula que la intención de
uso por parte del personal médico está
condicionada por la utilidad percibida y la
facilidad de uso de la herramienta (QI, 2026).
La Política Nacional de Transformación Digital
del Ecuador reconoce que la integración eficaz
de estas tecnologías requiere una
reconfiguración de los flujos de trabajo
institucionales para evitar que su
implementación sea percibida como una carga
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 289
adicional (Ministerio de Salud Pública del
Ecuador, 2024; QI, 2026). A nivel
internacional, se ha documentado que el 73% de
las instituciones oncológicas postergan la
incorporación de IA debido a barreras
estructurales como infraestructura insuficiente,
costos elevados y deficiencia en programas de
capacitación acreditados (ESMO Daily
Reporter, 2025). A ello se suma la resistencia
profesional derivada del temor a la pérdida de
autonomía clínica y a la deshumanización del
vínculo médico-paciente, factores que refuerzan
la necesidad de concebir a la IA como un
elemento potenciador del juicio clínico y no
como su sustituto (Trujillo, 2026).
A pesar de la relevancia de esta temática, en
Ecuador existe una marcada ausencia de
estudios sistemáticos que evalúen la percepción
y la disposición del personal médico oncológico
hacia estas tecnologías emergentes (Guzmán,
2024). La adopción de la IA en el entorno
clínico nacional no ha sido analizada con el
rigor suficiente para comprender las
limitaciones del sistema en la optimización de
recursos asistenciales (Guzmán, 2024; Ramírez
et al., 2024) La literatura señala que la
percepción positiva y la facilidad de uso
constituyen determinantes críticos para el
rendimiento adecuado de estas herramientas y
la mejora del estándar de atención médica
(Yáñez et al., 2025). En este marco, la
Organización Panamericana de la Salud ha
enfatizado la importancia de promover
estándares éticos y transparentes que guíen la
transformación digital en salud, asegurando la
supervisión humana obligatoria y el respeto a la
equidad sanitaria (OPS, 2021).
En consecuencia, el objetivo de esta
investigación fue analizar la percepción del
personal médico del Hospital de Especialidades
Carlos Andrade Marín acerca de la
implementación de herramientas de inteligencia
artificial en el manejo del cáncer de mama,
explorando el nivel de conocimiento, la utilidad
percibida, las barreras institucionales y la
disposición hacia su incorporación en la
práctica clínica oncológica.
Materiales y Métodos
Se realizó un estudio descriptivo de corte
transversal con enfoque mixto. El componente
cuantitativo fue predominante y se
complementó con cuatro preguntas abiertas
para explorar perspectivas que la escala Likert
no captura por sí sola. La recolección de datos
se llevó a cabo durante el primer trimestre de
2026 en el Hospital de Especialidades Carlos
Andrade Marín (HECAM), previa aprobación
del Comité de Ética de Investigación en Seres
Humanos de la Universidad Técnica de Ambato
(CEISH-UTA). Participaron 23 profesionales
médicos (15 mujeres, 8 hombres) mediante
muestreo no probabilístico por conveniencia. El
52,2% correspondió a oncólogos, el 21,7% a
médicos especialistas, el 17,4% a residentes y el
8,7% a otras categorías profesionales. La
mayoría trabajaba en hospital público (91,3%),
con un rango de experiencia clínica de 1 a más
de 12 años. Todos firmaron el consentimiento
informado previamente.
Se utilizó el Cuestionario de Percepción,
Conocimiento y Actitudes del Personal Médico
frente al Uso de Inteligencia Artificial en
Oncología (V1.0), de elaboración propia.
Consta de seis ítems sociodemográficos
(Sección A), veinte ítems tipo Likert de cinco
opciones distribuidos en cuatro dimensiones
(Sección B–E) y cuatro preguntas abiertas
(Sección F). Las dimensiones miden:
conocimiento sobre IA en salud (ítems 7–11),
percepción de utilidad y confianza (ítems 12–
16), barreras y limitaciones percibidas (ítems
17–21), y expectativas y disposición a adoptar
IA (ítems 22–26). Las puntuaciones por
dimensión oscilan entre 5 y 25 puntos. La
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 290
validez de contenido se evaluó mediante juicio
de expertos (n = 6) con formación en
tecnologías de la información, oncología
clínica, medicina familiar y metodología de la
investigación. Cada experto calificó los 24
ítems del instrumento (20 Likert + 4 preguntas
abiertas) según cuatro criterios: pertinencia,
claridad, coherencia y adecuación clínica,
empleando una escala de 1 a 4. Se calculó el
coeficiente V de Aiken para cada ítem y criterio,
con intervalos de confianza al 95% según el
método de Penfield y Giacobbi (1). Se
estableció un umbral de aceptabilidad de V ≥
0,80.
Todos los ítems superaron el umbral
establecido, con valores entre V = 0,833 y V =
1,000. El coeficiente global del instrumento fue
V = 0,924 (IC 95%: 0,692–1,000). Por
dimensiones: conocimiento (V = 0,933),
utilidad y confianza (V = 0,922), barreras (V =
0,919) y expectativas (V = 0,922). La
suficiencia de los ítems por dimensión fue
valorada de forma global por cada experto en
escala 1–4. Las medias resultantes indicaron
suficiencia adecuada en cuatro dimensiones
(conocimiento: 3,50; utilidad: 3,83;
expectativas: 3,83; preguntas abiertas: 3,83),
mientras que la dimensión de barreras obtuvo
3,17, calificada como parcialmente suficiente.
A partir de las observaciones recibidas se ajustó
la redacción de cinco ítems (B9, C15, D21, E25
y E26) antes de la aplicación definitiva. La
concordancia entre expertos se analizó con el
coeficiente W de Kendall, aplicado por
separado a cada dimensión sobre los promedios
de los cuatro criterios de evaluación. Los
resultados fueron bajos y estadísticamente no
significativos en las cuatro dimensiones:
conocimiento (W = 0,222; χ2(3) = 4,000; p =
0,261), utilidad y confianza (W = 0,222; χ2(3)
= 4,000; p = 0,261), barreras (W = 0,167; χ2(3)
= 3,000; p = 0,392) y expectativas (W = 0,222;
χ2(3) = 4,000; p = 0,261). Estos valores
responden al efecto techo observado en las
puntuaciones —la mayoría de los expertos
asignó la calificación máxima (4/4) en todos los
criterios—, lo que reduce la varianza de rangos
que el estadístico requiere para detectar
concordancia ordinal. El fenómeno es coherente
con los altos valores de V de Aiken obtenidos.
El cuestionario se aplicó de forma presencial
entre enero y marzo de 2026. Los participantes
fueron abordados durante sus turnos
asistenciales; se explicaron los objetivos del
estudio y se entregó el instrumento impreso
junto con el formulario de consentimiento
informado. Se revisó la completitud de cada
cuestionario antes de su inclusión. No se
registraron datos faltantes en los ítems Likert.
El análisis cuantitativo se realizó con IBM
SPSS Statistics v. 31. La consistencia interna
del instrumento se evaluó mediante el alfa de
Cronbach global y por dimensión. La
distribución de los puntajes se exploró con la
prueba de Shapiro-Wilk dado el tamaño
muestral (n < 30); ante la ausencia de
normalidad, se aplicaron pruebas no
paramétricas.
Para las comparaciones entre dos grupos
independientes se empleó la U de Mann-
Whitney, y para tres o más grupos la prueba de
Kruskal-Wallis con post hoc de Dunn corregido
por Bonferroni cuando el resultado fue
significativo. Las correlaciones entre
dimensiones se estimaron con el coeficiente
Rho de Spearman. El nivel de significancia fue
α = 0,05. Las variables sociodemográficas se
describieron con frecuencias absolutas y
porcentajes. El componente cualitativo
(preguntas abiertas F1–F4) se analizó mediante
análisis temático reflexivo según la propuesta
de Braun y Clarke (2) en seis fases:
familiarización con los datos, codificación
inicial, búsqueda de temas, revisión, definición
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 291
y redacción. Los temas emergentes se
contrastaron con los hallazgos cuantitativos
para identificar convergencias y divergencias.
El protocolo fue aprobado por el CEISH-UTA.
La participación fue voluntaria; todos los
sujetos firmaron el consentimiento informado.
Los datos se codificaron con identificadores
alfanuméricos para preservar el anonimato.
Resultados y Discusión
La Tabla 1 describe las características de los 23
profesionales médicos que participaron en el
estudio. El grupo etario predominante fue el de
30 a 39 años (47,8 %), con una edad media de
38,7 años (DE = 8,4). El 65,2 % de los
participantes fueron mujeres. Los oncólogos
constituyeron la mayoría (52,2 %), seguidos de
médicos especialistas (21,7 %) y residentes
(17,4 %). La mayor parte trabajaba en hospital
público (91,3 %). Los años de experiencia
clínica se distribuyeron predominantemente
entre los rangos de 4 a 12 años (65,2 %),
mientras que la experiencia específica en
oncología mostró mayor variabilidad, con el
26,1 % en el rango de 1 a 3 años.
Tabla 1. Características sociodemográficas y profesionales de los participantes (n = 23).
Variable
n
%
M (DE)
Md (RIQ)
Grupo de edad
20–29 años
1
4.3
38,7 (8,4)
40 (33–47)
30–39 años
11
47.8
—
—
40–49 años
9
39.1
—
—
50–59 años
2
8.7
—
—
Sexo
Femenino
15
65.2
—
—
Masculino
8
34.8
—
—
Categoría profesional
Oncólogo/a
12
52.2
—
—
Médico/a especialista
5
21.7
—
—
Médico/a residente
4
17.4
—
—
Otro
2
8.7
—
—
Años de experiencia clínica
1–3 años
2
8.7
—
—
4–7 años
7
30.4
—
—
8–12 años
8
34.8
—
—
> 12 años
6
26.1
—
—
Años de experiencia en oncología
1–3 años
6
26.1
—
—
4–7 años
8
34.8
—
—
8–12 años
4
17.4
—
—
> 12 años
5
21.7
—
—
Tipo de institución
Hospital público (HECAM)
21
91.3
—
—
Otro
2
8.7
—
—
Nota. M = media; DE = desviación estándar; Md = mediana; RIQ = rango intercuartílico. Los valores de M (DE) y Md (RIQ) se reportan únicamente
para la variable edad, dado que las demás son categóricas. HECAM = Hospital de Especialidades Carlos Andrade Marín
Fuente: Elaboración propia.
La validez y confiabilidad del Cuestionario de
Percepción, Conocimiento y Actitudes del
Personal Médico frente al Uso de Inteligencia
Artificial en Oncología (V1.0) fueron evaluadas
mediante tres estrategias complementarias: (a)
validez de contenido a través del coeficiente V
de Aiken con juicio de expertos, (b)
concordancia inter-evaluadores mediante el
coeficiente W de Kendall, y (c) suficiencia por
dimensión según criterio de los seis expertos
consultados. La validación de contenido fue
realizada por un panel de seis expertos (n = 6),
seleccionados por conveniencia y criterio de
especialización en las áreas relevantes para el
estudio: tecnologías de la información aplicadas
a salud, oncología clínica, medicina familiar,
bioestadística y metodología de la
investigación. Sus perfiles se presentan en la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 292
Tabla 2. La validez de contenido fue
cuantificada mediante el coeficiente V de Aiken
(Aiken, 1985), calculado para cada ítem y
criterio según la fórmula V = S / [n (c − 1)],
donde S = Σ(puntuación − 1), n = número de
expertos (6) y c = número de categorías de la
escala (4). Los resultados se presentan en las
Tablas 3 y 4.
Tabla 2. Perfil del panel de expertos consultados para la validación de contenido.
Código
Formación / Cargo
Institución
Área
Años exp.
E2
PhD. Tecnologías de la Información
ESFORSE - UTA
Tecnologías de la Información
22
E3
PhD. Tecnologías de la Información
aplicadas a salud
UTA - FISEI
Ciencias de la Decisión
15
E4
Médico Especialista
UTA
Medicina Familiar y Comunitaria
12
E5
Médico Especialista
Universidad Indoamérica
Medicina Familiar
7
E6
Médico
UTA
Medicina
8
E7
Médico Especialista
UTA / Consulta privada
Emergencia y Desastres
11
Fuente: Elaboración propia.
Tabla 3. Coeficiente V de Aiken por ítem y criterio de evaluación (n = 6 expertos).
Ítem
Dimensión
V Pertinencia
V Claridad
V
Coherencia
V
Adecuación
V Ítem
IC 95%
Decisión
B7
Conocimiento
0.944
0.944
0.944
0.944
0.944
0.744–1.000
Válido
B8
Conocimiento
0.944
0.944
0.944
0.944
0.944
0.744–1.000
Válido
B9
Conocimiento
0.944
0.944
0.944
0.889
0.931
0.708–1.000
Válido
B10
Conocimiento
0.944
0.889
0.889
0.889
0.903
0.643–1.000
Válido
B11
Conocimiento
0.944
0.944
0.944
0.944
0.944
0.744–1.000
Válido
C12
Utilidad
0.944
0.944
0.944
0.944
0.944
0.744–1.000
Válido
C13
Utilidad
0.944
0.944
1.000
1.000
0.972
0.828–1.000
Válido
C14
Utilidad
0.944
0.944
0.944
0.944
0.944
0.744–1.000
Válido
C15
Utilidad
0.944
0.944
0.944
0.833
0.917
0.674–1.000
Válido
C16
Utilidad
0.833
0.833
0.833
0.833
0.833
0.507–1.000
Válido
D17
Barreras
1.000
1.000
1.000
1.000
1.000
0.900–1.000
Válido
D18
Barreras
0.889
0.889
0.889
0.889
0.889
0.613–1.000
Válido
D19
Barreras
0.889
0.889
0.889
0.889
0.889
0.613–1.000
Válido
D20
Barreras
0.944
0.944
0.944
0.944
0.944
0.744–1.000
Válido
D21
Barreras
0.889
0.889
0.889
0.833
0.875
0.585–1.000
Válido
E22
Expectativas
0.944
0.944
0.944
0.944
0.944
0.744–1.000
Válido
E23
Expectativas
1.000
1.000
1.000
1.000
1.000
0.900–1.000
Válido
E24
Expectativas
0.944
0.944
0.944
0.944
0.944
0.744–1.000
Válido
E25
Expectativas
0.889
0.889
0.889
0.833
0.875
0.585–1.000
Válido
E26
Expectativas
0.833
0.944
0.833
0.778
0.847
0.532–1.000
Válido
Fuente: Elaboración propia.
Todos los ítems del instrumento superaron el
umbral de aceptabilidad establecido (V ≥ 0,80),
con valores entre V = 0,833 (ítems C16 y E26)
y V = 1,000 (ítems D17 y E23). Los valores más
bajos se concentraron en ítems relacionados con
la contextualización institucional (C16, E26) y
la adecuación de enunciados con especificidad
clínica (B10, D21, E25). El resumen de los
coeficientes V de Aiken por dimensión y el
valor global del instrumento se presenta en la
Tabla 4. Todas las dimensiones alcanzaron
valores de V de Aiken superiores a 0,90:
Conocimiento (V = 0,933), Utilidad (V =
0,922), Barreras (V = 0,919) y Expectativas (V
= 0,922). El coeficiente global del instrumento
fue V = 0,924 (IC 95%: 0,692–1,000),
indicando alta concordancia de contenido entre
los expertos evaluadores. Los expertos
valoraron la suficiencia de cada dimensión del
instrumento en escala 1–4. Los resultados se
presentan en la Tabla 5. Cuatro de las cinco
dimensiones fueron calificadas como
suficientes (promedio ≥ 3,50). La dimensión
Barreras y limitaciones percibidas obtuvo M =
3,17 (parcialmente suficiente), lo que se explica
por las evaluaciones de los expertos E3
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 293
(puntuación = 2) y E6 (puntuación = 1), quienes
sugirieron ampliar la cobertura de ítems
relacionados con obstáculos estructurales e
institucionales. A partir de las observaciones
recibidas se ajustó la redacción de cinco ítems
(B9, C15, D21, E25 y E26) antes de la
aplicación definitiva.
Tabla 4. Coeficiente V de Aiken por dimensión y valor global del instrumento.
Dimensión
N ítems
V de Aiken
IC inf. 95%
IC sup. 95%
Interpretación
B. Conocimiento sobre IA en
salud
5
0.933
0.715
1.000
Alta concordancia
C. Percepción de utilidad y
confianza
5
0.922
0.687
1.000
Alta concordancia
D. Barreras y limitaciones
percibidas
5
0.919
0.681
1.000
Alta concordancia
E. Expectativas y disposición a
adoptar IA
5
0.922
0.687
1.000
Alta concordancia
GLOBAL (B7–E26)
20
0.924
0.692
1.000
Alta concordancia
Fuente: Elaboración propia.
Tabla 5. Evaluación de suficiencia por dimensión según criterio del panel de expertos.
Dimensión
E2
E3
E4
E5
E6
E7
Promedio
Suficiencia
B. Conocimiento sobre IA en salud
4
3
4
4
2
4
3.50
Suficiente
C. Percepción de utilidad y
confianza
4
3
4
4
4
4
3.83
Suficiente
D. Barreras y limitaciones
percibidas
4
2
4
4
1
4
3.17
Parcialmente
suficiente
E. Expectativas y disposición a
adoptar IA
4
3
4
4
4
4
3.83
Suficiente
Preguntas abiertas (cobertura)
4
3
4
4
4
4
3.83
Suficiente
Fuente: Elaboración propia.
La concordancia entre los seis expertos se
evaluó mediante el coeficiente W de Kendall,
aplicado de forma independiente a cada
dimensión. Los resultados se presentan en la
Tabla 6.
Tabla 6. Concordancia inter-evaluadores: Coeficiente W de Kendall por dimensión (n = 6 expertos).
Dimensión
Pertinencia
Claridad
Coherencia
Adecuación
N
W
χ²
gl
p
Interpretación
B. Conocimiento
sobre IA en
salud
2.83
2.50
2.50
2.17
6
0.222
4.000
3
0.261
Concordancia baja
(n.s.)
C. Percepción de
utilidad y
confianza
2.50
2.50
2.83
2.17
6
0.222
4.000
3
0.261
Concordancia baja
(n.s.)
D. Barreras y
limitaciones
percibidas
2.58
2.58
2.58
2.25
6
0.167
3.000
3
0.392
Concordancia baja
(n.s.)
E. Expectativas
y disposición a
adoptar IA
2.50
2.83
2.50
2.17
6
0.222
4.000
3
0.261
Concordancia baja
(n.s.)
Fuente: Elaboración propia.
Los resultados indicaron una concordancia baja
y estadísticamente no significativa en las cuatro
dimensiones (p > 0,05 en todos los casos). Estos
valores responden al efecto techo observado en
las puntuaciones, la mayoría de los expertos
asignó la calificación máxima (4/4) en todos los
criterios—, lo que restringe la varianza de
rangos que el estadístico requiere para detectar
concordancia ordinal. El fenómeno es coherente
con los altos valores del V de Aiken obtenidos
y no refleja desacuerdo sustantivo entre los
evaluadores. La consistencia interna del
instrumento fue evaluada con el coeficiente alfa
de Cronbach global y por dimensión. Los
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 294
resultados se presentan en la Tabla 7. Todas las
dimensiones del instrumento presentaron
consistencia interna buena a excelente. El alfa
de Cronbach global fue α = 0,937 (IC 95%:
0,872–0,963).
Tabla 7. Consistencia interna del instrumento: Coeficiente alfa de Cronbach por dimensión y global
Dimensión
k
α de Cronbach
IC 95%
Interpretación
n
B. Conocimiento sobre IA en salud
5
0.823
0.628–0.903
Buena
23
C. Percepción de utilidad y confianza
5
0.928
0.849–0.961
Buena
23
D. Barreras y limitaciones percibidas
5
0.827
0.636–0.905
Buena
23
E. Expectativas y disposición a adoptar IA
5
0.947
0.888–0.971
Buena
23
Global (B7–E26)
20
0.937
0.872–0.963
Buena
23
Fuente: Elaboración propia.
La dimensión Expectativas obtuvo el valor más
alto (α = 0,947), seguida de Utilidad y confianza
(α = 0,928). Conocimiento y Barreras
alcanzaron consistencia buena (α = 0,823 y α =
0,827, respectivamente). Estos resultados
confirman la confiabilidad del instrumento para
medir los constructos propuestos. La Tabla 8
presenta la distribución de los puntajes por
dimensión y los resultados de la prueba de
normalidad de Shapiro-Wilk.
Tabla 8. Estadísticos descriptivos por dimensión y prueba de normalidad de Shapiro-Wilk (n = 23)
Dimensión
M
DE
Mediana
RIQ
Mín
Máx
W
p
B. Conocimiento sobre IA en salud
15.8
4.4
15.0
13.5–19.5
6
25
0.972
0.736
C. Percepción de utilidad y confianza
16.6
4.9
18.0
14.0–20.0
5
25
0.956
0.384
D. Barreras y limitaciones percibidas
19.1
4.2
20.0
16.0–22.0
10
25
0.949
0.282
E. Expectativas y disposición a adoptar
19.3
4.8
20.0
15.0–25.0
10
25
0.894
0,019*
Score total (B7–E26)
70.8
14.8
66.0
63.5–82.5
35
96
0.952
0.317
Fuente: Elaboración propia.
Tabla 9. Estadísticos descriptivos por ítem del instrumento (escala Likert 1–5, n = 23).
Ítem
Enunciado
M
DE
Md
Mo
Mín
Máx
B7
Conozco conceptos básicos de IA aplicada a la salud.
3.43
0.84
3.0
3
2
5
B8
He recibido capacitación formal sobre IA aplicada a medic…
2.57
1.16
3.0
3
1
5
B9
Comprendo cómo la IA puede complementar la toma de decisi…
3.39
1.27
4.0
4
1
5
B10
Conozco ejemplos reales de aplicación de IA en oncología.
3.30
1.18
3.0
3
1
5
B11
Soy capaz de interpretar resultados generados por sistema…
3.09
1.20
3.0
3
1
5
C12
La IA puede mejorar la precisión diagnóstica.
3.57
1.12
4.0
4
1
5
C13
La IA optimiza tiempos de diagnóstico y tratamiento.
3.65
1.19
4.0
4
1
5
C14
Confío en los resultados generados por sistemas de IA.
2.96
1.02
3.0
3
1
5
C15
La IA puede reducir errores clínicos.
3.00
1.09
3.0
3
1
5
C16
La IA puede integrarse de forma efectiva en la oncología
3.39
1.08
3.0
3
1
5
D17
La falta de capacitación es una barrera importante para ...
3.96
1.19
4.0
5
1
5
D18
La IA podría disminuir la autonomía del profesional de ...
3.70
1.18
4.0
4
1
5
D19
Desconfío de resultados automatizados sin supervisión méd…
3.83
1.07
4.0
5
2
5
D20
Existen limitaciones tecnológicas para implementar IA en …
3.87
1.10
4.0
5
2
5
D21
La infraestructura digital actual no es suficiente para I…
3.78
0.95
4.0
4
2
5
E22
Estoy dispuesto a incorporar IA en mi práctica clínica.
3.96
0.98
4.0
5
2
5
E23
Considero necesaria una capacitación formal en IA oncológ…
4.13
0.92
4.0
5
2
5
E24
La IA mejorará la calidad de las decisiones clínicas.
3.70
1.02
3.0
3
2
5
E25
La IA incrementará la calidad de atención en oncología.
3.52
1.27
3.0
3
1
5
E26
Tengo interés en capacitarme específicamente en IA aplica…
4.04
1.02
4.0
5
2
5
Fuente: Elaboración propia.
La dimensión Expectativas obtuvo la media
más alta (M = 19,3; DE = 4,8), seguida de
Barreras (M = 19,1; DE = 4,2). El menor
puntaje promedio correspondió a Conocimiento
sobre IA (M = 15,8; DE = 4,4). La prueba de
Shapiro-Wilk indicó distribución normal en
cuatro de las cinco medidas; únicamente
Expectativas mostró desviación significativa
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 295
(W = 0,894; p = 0,019). Dado el tamaño
muestral reducido y la presencia de al menos
una dimensión no normal, se aplicaron pruebas
no paramétricas para todos los análisis
inferenciales. El análisis ítem por ítem (Tabla
9) reveló que el ítem con mayor puntuación
media fue E23 («Considero necesaria una
capacitación formal en IA oncológica»; M =
4,13; DE = 0,92), seguido de E26 (M = 4,04) y
E22 (M = 3,96). El ítem con menor puntuación
fue B8 («He recibido capacitación formal sobre
IA»; M = 2,57; DE = 1,16), evidencia directa de
la brecha formativa existente. Dentro de la
dimensión Utilidad, los ítems C14 y C15
presentaron las medias más bajas (M = 2,96 y
3,00 respectivamente), indicando reservas sobre
la confianza en los resultados de la IA. La Tabla
10 presenta los resultados de la prueba U de
Mann-Whitney para la comparación de puntajes
según sexo.
Tabla 10. Comparación de puntajes por sexo: Prueba U de Mann-Whitney (n = 23)
Dimensión
Md Femenino
(n = 15)
Md Masculino
(n = 8)
U
p
r
B. Conocimiento
15.0
16.0
51
0.581
0.115
C. Utilidad
16.0
18.0
62
0.897
0.027
D. Barreras
20.0
19.5
66
0.721
0.074
E. Expectativas
19.0
20.5
54
0.717
0.076
Score total
66.0
72.5
60
1.000
0.000
Fuente: Elaboración propia.
No se encontraron diferencias estadísticamente
significativas en ninguna dimensión según el
sexo de los participantes (p > 0,05). Los
tamaños de efecto fueron triviales a pequeños (r
= 0,000–0,115), sugiriendo que la percepción
sobre la IA no difiere entre hombres y mujeres
en esta muestra. La Tabla 11 presenta los
resultados de la prueba de Kruskal-Wallis para
la comparación de puntajes según la categoría
profesional de los participantes.
Tabla 11. Comparación de puntajes según categoría profesional: Prueba de Kruskal-Wallis (n = 23).
Dimensión
Onc. (n=12)
Esp.
(n=5)
Res.
(n=4)
H (gl=3)
p
η²
B. Conocimiento
15.0
15.0
19.5
17.500
2.626
0.453
C. Utilidad
18.0
15.0
19.0
13.000
4.381
0.223
D. Barreras
21.0
16.0
20.5
18.000
3.016
0.389
E. Expectativas
22.5
15.0
20.5
17.000
3.691
0.297
Score total
75.0
63.0
80.0
65.500
3.849
0.278
Fuente: Elaboración propia.
Ninguna comparación por categoría profesional
alcanzó significancia estadística (p > 0,05). Sin
embargo, los valores de η² sugieren efectos de
tamaño moderado a grande en Utilidad (η² =
0,199) y Score total (η² = 0,175), lo que indica
que con una muestra mayor estas diferencias
podrían ser detectables. Los oncólogos
mostraron la mediana más elevada en
Expectativas (Md = 22,5), mientras que el grupo
«Otro» presentó los puntajes más bajos en
Conocimiento (Md = 17,5) y Score total (Md =
65,5). La Tabla 12 presenta los resultados de la
prueba de Kruskal-Wallis para la comparación
de puntajes según los años de experiencia
clínica. En la tabla 12 los años de experiencia
clínica no mostraron asociación
estadísticamente significativa con ninguna
dimensión del instrumento (p > 0,05).
Notablemente, la dimensión Barreras presentó
el valor de H más bajo (H = 0,443; p = 0,931),
indicando que la percepción sobre obstáculos
para implementar IA es homogénea
independientemente de la trayectoria
profesional. La Tabla 13 presenta la matriz de
correlaciones de Spearman entre las cuatro
dimensiones del instrumento. La asociación
más fuerte se observó entre Utilidad y confianza
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 296
y Expectativas (ρ = 0,894; p < 0,001), indicando
que los participantes que perciben mayor
utilidad en la IA muestran mayor disposición a
adoptarla.
Tabla 12. Comparación de puntajes según años de experiencia clínica: Prueba de Kruskal-Wallis (n =
23).
Dimensión
1–3 a. (n=2)
4–7 a. (n=7)
8–12 a. (n=8)
>12 a. (n=6)
H (gl=3)
p
B. Conocimiento
16.0
16.0
15.0
13.0
3.109
0.375
C. Utilidad
19.0
18.0
17.5
12.0
3.337
0.342
D. Barreras
20.0
21.0
20.0
19.5
0.443
0.931
E. Expectativas
20.0
23.0
19.5
14.5
2.171
0.538
Score total
75.0
79.0
66.0
55.0
2.573
0.462
Fuente: Elaboración propia.
Tabla 13. Correlaciones entre dimensiones del instrumento: Coeficiente Rho de Spearman (n = 23)
Dimensión
Conocimiento
Utilidad
Barreras
Expectativas
Conocimiento
—
+0,464*
+0,079
+0,494*
Utilidad
—
—
+0,499*
+0,894*
Barreras
—
—
—
+0,597*
Expectativas
—
—
—
—
Fuente: Elaboración propia.
Barreras correlacionó positivamente con
Expectativas (ρ = 0,597; p = 0,003), sugiriendo
que reconocer las limitaciones coexiste con la
disposición a integrar la tecnología. La única
correlación no significativa fue la de
Conocimiento con Barreras (ρ = 0,079; p =
0,722): el nivel de familiaridad con la IA no
predice la percepción de obstáculos
institucionales. Conocimiento mostró
correlaciones moderadas y significativas con
Utilidad (ρ = 0,464) y Expectativas (ρ = 0,494).
El análisis temático reflexivo (Braun y Clarke,
2006) de las cuatro preguntas abiertas reveló
doce temas distribuidos en las dimensiones
exploradas. La Tabla 14 presenta los temas
principales, sus subtemas y citas
representativas. El tema más frecuente fue la
optimización diagnóstica (mencionado por 14
de 21 participantes): mejorar la precisión en
imagen, reducir errores clínicos y acortar
tiempos de diagnóstico. Un segundo grupo
refirió el apoyo a la toma de decisiones
mediante estadísticas de pronóstico y
protocolos. Un tercer tema emergió en torno a
la gestión y personalización del cuidado
oncológico. Solo un participante no identificó
beneficios. La infraestructura tecnológica
deficiente, conectividad, internet intermitente y
equipos obsoletos, fue la barrera más
mencionada (13 de 22 respuestas). El tiempo y
la sobrecarga asistencial constituyeron el
segundo eje temático. Un tercer tema agrupó
barreras sistémicas y económicas: costos de
implementación, procesos de aprobación y
resistencia cultural. Las condiciones se
articularon en tres temas. La capacitación
formal y continua fue la más frecuente. La
mejora de infraestructura y conectividad fue el
segundo requisito más mencionado. Un tercer
tema cualitativamente relevante emergió en
torno a la necesidad de integración crítica con el
juicio médico: los participantes demandan que
el rol de la IA esté claramente delimitado como
complementario al criterio clínico, y no como
su sustituto. Las preocupaciones se organizaron
en tres temas. La responsabilidad profesional
ante errores algorítmicos fue la más frecuente.
La deshumanización de la atención médica
constituyó el segundo eje, especialmente
sensible en oncología.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 297
Tabla 14. Análisis temático de las preguntas abiertas: temas, subtemas y citas representativas.
Pregunta
Tema
Subtemas / códigos
Cita representativa
F1 Beneficios de
la IA
Optimización
diagnóstica
Diagnóstico oportuno, precisión en imagen,
estadificación temprana
"Mejoraría el riesgo de errores en la práctica
clínica con evidencia actualizada" (M023)
Apoyo a la toma de
decisiones
Estadísticas de pronóstico, guías de
tratamiento, normalización de protocolos
"Ayuda de acuerdo a estadísticas, pronóstico y
tratamiento" (M007)
Gestión y
personalización del
cuidado
Manejo personalizado, optimización del
flujo asistencial, planificación de atención
"Mejora el manejo personalizado" (M011);
"Optimizar diagnóstico, tratamiento, disminuir
errores clínicos" (M016)
F2 Barreras
institucionales
Déficit de infraestructura
tecnológica
Conectividad, internet fluctuante, equipos
básicos, falta de TIC
"Internet adecuado / equipos de computación muy
básicos" (M004); "El sistema de internet es
fluctuante" (M018)
Limitaciones de tiempo
y carga asistencial
Sobrecarga laboral, tiempo insuficiente,
espacio físico
"No hay espacio físico ni tiempo" (M006);
"Tiempo" (M007, M017)
Barreras sistémicas y
económicas
Costos de implementación, aprobaciones
institucionales, resistencia al cambio
"Aprobaciones en el sistema médico" (M012);
"Los costos" (M016)
F3 Condiciones
para adoptar
Capacitación formal y
continua
Formación específica en IA, programas
acreditados, capacitación en la práctica
clínica
"Un adecuado estudio que permita integrar
tecnología con conocimiento médico" (M015);
"Capacitación continua" (M009)
Mejora de infraestructura
y conectividad
Internet estable en el trabajo, tecnología de
punta, sistemas informáticos adecuados
"Tener internet en el trabajo" (M006); "Buen
internet, tecnología de punta en todas las áreas"
(M014)
Integración crítica con el
juicio médico
IA como complemento —no sustituto— del
criterio clínico, confianza en resultados,
herramientas intuitivas
"La IA no suple el criterio médico, al contrario lo
complementa; se requiere evidenciar la misión de
la IA" (M020)
F4
Preocupaciones
éticas
Responsabilidad
profesional y errores
algorítmicos
Fallas técnicas con impacto clínico, mal uso
por personal no capacitado, ausencia de
responsabilidad legal
"La tecnología puede fallar y llevar a malas
decisiones" (M004); "No hay quien dé la cara a un
error" (M006)
Deshumanización de la
atención médica
Pérdida del vínculo médico-paciente,
despersonalización del diagnóstico,
reducción del análisis humano
"Son seres humanos, no números" (M021); "Falta
de acercamiento con el paciente oncológico en la
consulta" (M023)
Privacidad, normativa y
gobernanza de datos
Manejo de datos sensibles, confidencialidad
del paciente, falta de normativa regulatoria
"Confidencialidad a la información de
determinado paciente" (M015); "Falta de
normativa" (M017)
Fuente: Elaboración propia.
El tercer tema agrupó preocupaciones sobre
privacidad, confidencialidad y ausencia de
normativa específica en Ecuador. Seis
participantes (26,1 %) indicaron no tener
preocupaciones éticas. La Tabla 15 presenta la
triangulación entre los hallazgos cuantitativos y
cualitativos del estudio por dimensión.
Tabla 15. Triangulación cuantitativa-cualitativa: convergencias y divergencias por dimensión
Dimensión cuantitativa
Hallazgo cuantitativo
Hallazgo cualitativo convergente
Relación
Conocimiento (B) M = 15,8;
DE = 4,4
Puntaje más bajo entre las 4
dimensiones; B8 con la media más
baja del instrumento (M = 2,57)
El personal identifica beneficios
técnicos de la IA pero reconoce no
haber recibido capacitación formal
Convergencia: la brecha formativa se
confirma tanto en la escala como en
las respuestas narrativas
Utilidad y confianza (C) M =
16,6; DE = 4,9
C14 «Confío en los resultados de la
IA» presenta la media más baja de
la dimensión (M = 2,96)
Varios participantes condicionan la
adopción a evidencia científica
robusta y auditoría de los sistemas
Convergencia: la confianza en la IA es
moderada y está supeditada a
validación clínica externa
Barreras (D) M = 19,1; DE =
4,2
Media alta en toda la dimensión; el
conocimiento no se correlaciona
con barreras (ρ = 0,079; p = 0,722)
Internet, infraestructura y tiempo
emergen como barreras
dominantes; percibidas como
estructurales, no superables por
formación individual
Convergencia y matiz: los datos
cuantitativos reflejan alta percepción
de barreras; los cualitativos precisan
su naturaleza sistémica
Expectativas (E) M = 19,3;
DE = 4,8
Correlación muy fuerte con
Utilidad (ρ = 0,894); E23 ítem con
mayor media del instrumento (M =
4,13)
El personal expresa alta disposición
a capacitarse, pero condiciona la
adopción a que la IA sea
complementaria al juicio clínico,
no sustituta
Convergencia con matiz ético: la
predisposición es alta, pero supeditada
al principio de supervisión médica
permanente
Fuente: Elaboración propia.
La triangulación revela coherencia estructural
entre los componentes del estudio. La brecha
formativa identificada en Conocimiento, B8
con la media más baja del instrumento (M =
2,57), se confirma narrativamente en las
respuestas abiertas. La ausencia de correlación
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 298
entre Conocimiento y Barreras (ρ = 0,079)
adquiere sentido cualitativo: los obstáculos son
percibidos como estructurales, no atribuibles a
déficit de conocimiento individual. La
dimensión con mayor riqueza interpretativa fue
Expectativas: la correlación Utilidad-
Expectativas (ρ = 0,894) y la media más alta del
instrumento (E23, M = 4,13) se articulan con un
matiz cualitativo crítico, la alta disposición está
condicionada al principio de supervisión
médica permanente y a que la herramienta no
sea percibida como carga adicional en un
sistema ya tensionado. Los hallazgos de esta
prueba piloto describen un patrón que ha sido
documentado de forma creciente en la literatura
internacional: el personal médico reconoce el
potencial transformador de la inteligencia
artificial en oncología, muestra alta disposición
a adoptarla, pero enfrenta una brecha formativa
real y obstáculos estructurales que ningún nivel
de motivación individual puede resolver por sí
solo.
La dimensión de Conocimiento obtuvo la media
más baja del instrumento (M = 15,8; DE = 4,4),
con el ítem B8, referido específicamente a la
recepción de capacitación formal en IA como el
punto más crítico (M = 2,57; DE = 1,16). Este
hallazgo coincide con lo reportado por
Weidener y Fischer (2024) en una encuesta a
487 estudiantes de medicina de tres países de
habla alemana, donde la educación formal en IA
era mínima a pesar del creciente uso de
herramientas basadas en esta tecnología.
Simultáneamente, un estudio con médicos de
Fibromialgia en el contexto de un congreso
europeo (n = 26) evidenció que, pese a la
experiencia clínica previa, la mayoría del
personal se sentía insuficientemente preparado
para integrar la IA en su práctica, identificando
la capacitación dirigida como la condición más
urgente para la adopción (Cascella et al., 2024).
La dimensión de Expectativas y disposición a
adoptar IA (M = 19,3; DE = 4,8) fue la más alta
del instrumento, con E23 («Considero necesaria
una capacitación formal en IA oncológica», M
= 4,13) como el ítem de mayor puntuación.
Lejos de contradecirse, estos dos extremos, bajo
conocimiento, alta expectativa, representan la
tensión característica del profesional médico
que se enfrenta a una tecnología emergente en
un sistema de salud con recursos limitados. Una
encuesta a 1.692 médicos estadounidenses
realizada por la American Medical Association
en 2026 mostró que el 80% usa IA en contextos
profesionales, el doble respecto a 2023—, pero
que la formación continúa siendo la principal
demanda (Association, 2026). En el contexto
latinoamericano, solo tres países cuentan con
programas públicos de formación en IA, y
Ecuador no figura entre ellos (Regazzoni,
2024), lo que contextualiza el déficit formativo
detectado en el HECAM como un problema
sistémico regional, no una debilidad
institucional aislada.
El hallazgo más relevante del estudio desde la
perspectiva analítica es la ausencia de
correlación entre Conocimiento y Barreras (ρ =
0,079; p = 0,722). Esto refuta la hipótesis
implícita de que la capacitación resuelve los
obstáculos: los médicos con mayor
conocimiento de IA no perciben menos barreras
que sus colegas con menor familiaridad. Una
revisión de alcance con estudios publicados
entre 2020 y 2023 sobre la implementación de
tecnologías digitales en hospitales de países de
ingresos bajos y medios (Yew et al., 2025)
identificó que los obstáculos de infraestructura,
conectividad e integración de sistemas son
independientes del nivel de alfabetización
digital del personal, lo que valida este hallazgo
en el contexto del HECAM. La correlación
muy fuerte entre Utilidad y confianza y
Expectativas (ρ = 0,894; p < 0,001) es la
relación más robusta del estudio y responde al
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 299
postulado central del Modelo de Aceptación
Tecnológica (TAM): la intención de uso está
determinada primariamente por la utilidad
percibida (Kelly et al., 2019). Este vínculo ha
sido replicado en entornos hospitalarios de
distintas latitudes. En una encuesta con médicos
de cuidados intensivos en Alemania (n = 7.475),
la percepción de valor clínico fue el predictor
más fuerte de la actitud favorable hacia los
sistemas de IA (Giebel et al., 2026), en
consonancia con el presente estudio. La
Asociación Médica Estadounidense documentó
en 2024 que el 65% de los médicos percibe una
ventaja en el uso de IA para el cuidado de
pacientes, cifra que ascendió al 76% en 2026
(Association, 2026); la progresión sugiere que
la utilidad percibida sigue creciendo a medida
que la evidencia clínica de la IA se acumula.
No obstante, la confianza en los resultados de la
IA se mantiene como el eslabón débil de la
cadena de aceptación (Salazar et al., 2026). Los
ítems C14 («Confío en los resultados de
sistemas de IA», M = 2,96) y C15 (La IA puede
reducir errores clínicos», M = 3,00) reflejan un
escepticismo técnicamente fundamentado, no
un rechazo ideológico. Una encuesta a médicos
de atención primaria y asistentes en Kansas (n =
532) identificó como preocupaciones
principales los estándares no regulados
(mediana = 4,0) y los problemas de
responsabilidad legal (mediana = 4,0) (Dean
et al., 2024), ambos relacionados con la
confianza en la tecnología. En el mismo sentido,
un estudio mixto con médicos polacos (Dean
et al., 2024) encontró que el escepticismo ante
la IA no proviene del desconocimiento, sino de
una evaluación racional de las limitaciones
actuales de los sistemas: riesgo de error,
opacidad algorítmica y ausencia de marcos de
gobernanza claros. La alta percepción de
barreras estructurales (dimensión D, M = 19,1)
es congruente con la situación de América
Latina, donde las inversiones privadas en
tecnología digital para salud descendieron un
84% entre 2021 y 2023 (Regazzoni, 2024). Una
revisión sistemática con metaanálisis sobre la
adopción de tecnologías digitales en 91 estudios
de países de ingresos bajos y medios (Wang
et al., 2024) señaló que la infraestructura
inadecuada, conectividad, software, equipos, es
el obstáculo más consistentemente citado por
los profesionales de salud, muy por encima de
la resistencia personal.
En el contexto hospitalario ecuatoriano, donde
el acceso a internet es intermitente y los
sistemas informáticos tienen alta tasa de
desactualización, esta percepción de barrera no
es subjetiva sino objetivamente fundada.
Eltawil et al. (2023) corroboran, en una revisión
de alcance sobre adopción de IA en radiología,
que la ausencia de infraestructura y de
programas de capacitación acreditados son los
dos factores que más consistentemente predicen
la no adopción en instituciones de salud. La
ausencia de diferencias estadísticamente
significativas por sexo (U de Mann-Whitney, p
> 0,05 en todas las dimensiones; r = 0,000–
0,115) es coherente con estudios que señalan
que el sexo no es un predictor robusto de la
actitud hacia la IA en contextos donde el
entorno institucional es homogéneo.
Una encuesta a 572 radiólogos europeos
(Zanardo et al., 2024) no encontró diferencias
sistemáticas por sexo en las expectativas sobre
IA diagnóstica; los autores atribuyen esto a que
la especialidad y el entorno clínico compartido
son variables de mayor peso que el sexo
individual. No obstante, un estudio con 156
oftalmólogos búlgaros identificó diferencias de
sexo en la confianza diagnóstica (hombres más
desconfiados; p = 0,009) (Radeva et al., 2026),
lo que sugiere que el tamaño muestral del
presente estudio (n = 23) puede no tener
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 300
potencia estadística suficiente para detectar
diferencias de esa magnitud. La ausencia de
diferencias por categoría profesional (Kruskal,
p > 0,05) contrasta parcialmente con estudios
donde la especialidad predice la actitud hacia la
IA. Sin embargo, los tamaños de efecto
moderados a grandes (η² = 0,199 para Utilidad;
η² = 0,175 para Score total) indican que la
ausencia de significancia es atribuible al tamaño
muestral reducido más que a la inexistencia real
de diferencias. Un estudio con médicos de
atención primaria en Polonia (Mache et al.,
2025) documentó que el rol profesional y la
carga asistencial son mejores predictores de la
actitud hacia la IA que la especialidad clínica
per se, en entornos con presión asistencial
elevada como el sistema público ecuatoriano,
donde el tiempo emerge como barrera
transversal a todas las categorías.
La validez de contenido del Cuestionario V1.0
se sustenta en tres pilares convergentes. El
coeficiente V de Aiken, calculado con
intervalos de confianza al 95% según Penfield y
Giacobbi (Penfield y Giacobbi, 2004), garantiza
que los valores obtenidos no son producto del
azar sino del acuerdo técnico de un panel
multidisciplinario de seis expertos. El umbral de
V ≥ 0,80 empleado es el estándar establecido en
la literatura para fases exploratorias de
validación de instrumento (Aiken, 1985). El
valor global obtenido (V = 0,924) es
comparable al reportado en estudios de
validación de cuestionarios de percepción de IA
en contextos académico-médicos, como el de
Khojasteh et al., (2025) (Khojasteh et al.,
2025), quienes reportaron un Índice de Validez
de Contenido de 0,903 y un alfa de Cronbach de
0,883 para un cuestionario de 30 ítems Likert
aplicado a 252 estudiantes de medicina. La
consistencia interna demostrada (α global =
0,937; IC 95%: 0,872–0,963; α por dimensión:
0,823–0,947) supera los umbrales
convencionales de aceptabilidad y se ubica en
el rango de «buena a excelente» según los
criterios de George y Mallery (George &
Mallery, 1999). Es relevante señalar que la
literatura especializada en tamaño de muestra
para pruebas de confiabilidad establece que,
para estimar el alfa de Cronbach con un nivel de
potencia del 80% y un error tipo I del 5%, se
requieren entre 10 y 30 observaciones para
instrumentos con correlaciones inter-ítem
moderadas (Bujang et al., 2024), por lo que n =
23 es metodológicamente adecuado para esta
fase piloto.
Los valores reducidos del W de Kendall,
comprendidos entre 0,167 y 0,222, con valores
de p superiores a 0,05, deben interpretarse
considerando la distribución de las
puntuaciones otorgadas por los expertos.
Bujang et al. (2024) señalan que el coeficiente
W de Kendall es sensible al rango de variación
de las respuestas. Cuando los evaluadores
concentran sus valoraciones en los niveles
superiores de una escala, como ocurrió en el
presente estudio, en el que la mayoría asignó la
puntuación máxima de 4 en casi todos los
criterios, disminuye la variabilidad de los
rangos necesaria para detectar concordancia
ordinal. Este fenómeno, denominado efecto
techo, no implica por sí mismo que el
instrumento carezca de validez. Ante esta
limitada variabilidad, la V de Aiken constituye
una medida complementaria apropiada para
estimar el grado de acuerdo entre los jueces. En
el presente estudio, este coeficiente alcanzó
valores sistemáticamente elevados, lo que
respalda la validez de contenido de los ítems
evaluados (Penfield y Giacobbi, 2004).
Asimismo, Calzolari (2023) ha documentado
que una V de Aiken elevada puede coexistir con
un W de Kendall reducido cuando existe una
alta concentración de las respuestas en los
valores superiores de la escala. Por tanto, ambos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 301
indicadores deben interpretarse conjuntamente
y en función de la distribución de las
puntuaciones. El diseño mixto permitió
identificar aspectos que no podían ser
examinados únicamente mediante los ítems
cerrados de la escala tipo Likert. El análisis
temático de las respuestas obtenidas en las
cuatro preguntas abiertas, realizado de acuerdo
con el procedimiento propuesto por Braun y
Clarke (2006), reveló que la elevada disposición
registrada en la dimensión E estuvo
condicionada por una premisa que no aparecía
explícitamente en los ítems cerrados: la
inteligencia artificial (IA) debe emplearse como
una herramienta complementaria y no como
sustituta del juicio clínico, además de operar
bajo supervisión médica permanente.
Este resultado coincide con lo reportado por
Hantel et al. (2024) en una encuesta aplicada a
204 oncólogos estadounidenses. En ese estudio,
el 81,4 % de los participantes consideró
necesario que los pacientes otorgaran su
consentimiento para el uso de IA en las
decisiones terapéuticas, mientras que el 84,8 %
señaló que las recomendaciones generadas por
estas tecnologías debían poder ser explicadas
por el médico. La preocupación por la
responsabilidad legal ante los errores
algorítmicos, identificada en diversas
respuestas del presente análisis temático,
también ha sido señalada como una barrera ética
relevante en oncología. Menos de la mitad de
los oncólogos encuestados por Hantel et al.
(2024) identificó con claridad al profesional
médico como responsable de los posibles
errores derivados del uso de IA.
La preocupación por la posible
deshumanización de la relación médico-
paciente, expresada con especial intensidad en
el contexto oncológico “Son seres humanos, no
números” (M021) y “Falta de acercamiento con
el paciente oncológico en la consulta”
(M023)—, es consistente con la literatura sobre
bioética clínica. Kelkar et al. (2024) sostienen
que la IA dirigida directamente al paciente, a
diferencia de aquella utilizada como apoyo para
el profesional clínico, puede representar
mayores amenazas para la dignidad del paciente
oncológico debido a la posible erosión del
vínculo terapéutico.
De manera similar, Gibelli et al. (2024)
identifican la despersonalización de la atención
y la opacidad de los algoritmos, conocida como
el problema de la “caja negra”, entre los
principales desafíos deontológicos asociados
con la incorporación de IA en la medicina. Estas
preocupaciones adquieren particular relevancia
en especialidades caracterizadas por una
elevada carga emocional, como la oncología.
Por su parte, Welch et al. (2024) enfatizan que
la conservación de interacciones empáticas
continúa siendo esencial para el bienestar de los
pacientes, incluso en contextos clínicos donde
la IA se integra progresivamente en la atención
sanitaria. Las preocupaciones relacionadas con
la privacidad, el tratamiento de datos sensibles
y la ausencia de una normativa regulatoria
específica, identificadas como el tercer eje
temático de la pregunta F4, reflejan una brecha
relevante en el contexto ecuatoriano. Olayiwola
et al. (2026), en una revisión narrativa sobre las
barreras para la salud digital en países de
ingresos bajos y medios, identificaron la
insuficiencia de las normas de protección de
datos y la debilidad de los mecanismos de
ciberseguridad como obstáculos éticos
importantes para la implementación de IA en el
ámbito hospitalario.
Aunque Ecuador cuenta desde 2021 con la Ley
Orgánica de Protección de Datos Personales, su
aplicación específica en los servicios
hospitalarios y en los sistemas basados en IA
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 302
todavía representa un desafío. En consecuencia,
las preocupaciones expresadas por los
participantes no deben interpretarse únicamente
como resistencia al cambio tecnológico, sino
como señales de alerta relacionadas con la
protección de la información clínica, la
seguridad de los sistemas y la responsabilidad
institucional. La divergencia cualitativo-
cuantitativa más significativa se identificó en la
dimensión Barreras. Mientras que los ítems de
la escala Likert presentaron puntuaciones altas
y homogéneas, el análisis temático de las
respuestas a la pregunta F2 mostró que los
participantes percibían las barreras como
problemas estructurales y sistémicos, y no como
limitaciones atribuibles exclusivamente al
individuo. Kaboré et al. (2022), en una revisión
sistemática sobre la sostenibilidad de las
intervenciones digitales en salud, señalan que la
limitada conectividad a internet, la insuficiencia
de equipos tecnológicos y los problemas de
usabilidad de los sistemas son algunas de las
barreras más frecuentes en los hospitales de
países en desarrollo.
Los mismos autores sostienen que la resolución
de estos obstáculos requiere intervenciones en
los niveles político, administrativo e
institucional, y no solamente procesos de
capacitación dirigidos al personal sanitario.
Este planteamiento coincide con las respuestas
proporcionadas por los participantes del
HECAM en la pregunta F2, quienes atribuyeron
las dificultades para incorporar IA a las
condiciones tecnológicas y organizacionales del
establecimiento de salud. Los resultados
presentan implicaciones concretas en tres
niveles interdependientes: formación médica,
gestión institucional y política sanitaria. En
cuanto a la formación médica, el bajo resultado
registrado en la dimensión B, particularmente
en el ítem B8 (M = 2,57), sugiere que las
competencias relacionadas con la IA todavía no
se han incorporado sistemáticamente en los
programas de formación oncológica del
HECAM. Park et al. (2024) concluyeron que,
ante la ausencia de un consenso sobre la manera
de integrar la IA en los currículos médicos, las
instituciones que implementaron módulos
formativos piloto obtuvieron mejoras en la
alfabetización digital sin incrementar
significativamente la carga académica
percibida.
Por otra parte, la elevada puntuación obtenida
en el ítem E23 (M = 4,13) evidencia una
disposición favorable del personal para
participar en procesos de capacitación sobre IA.
Esta receptividad constituye una condición
relevante para el éxito de las intervenciones
formativas, especialmente cuando los
programas se adaptan a las funciones,
necesidades y experiencias previas de los
profesionales de la salud (Blanco et al., 2025).
En el nivel de gestión institucional, la
correlación positiva entre las dimensiones
Barreras y Expectativas (ρ = 0,597; p = 0,003)
indica que el reconocimiento de los obstáculos
existentes no necesariamente disminuye la
disposición para adoptar estas tecnologías. Por
el contrario, este resultado sugiere que el
personal no rechaza la IA en sí misma, sino las
condiciones actuales bajo las cuales podría
implementarse. Zhou et al. (2026) señalan que
las actitudes favorables hacia la IA como
herramienta de apoyo aumentan cuando los
profesionales consideran que su incorporación
reducirá la carga asistencial en lugar de
incrementarla.
Este resultado también se reflejó en las
respuestas cualitativas del presente estudio.
Algunos participantes condicionaron
explícitamente la adopción de la IA a que su
implementación no generara trabajo adicional.
Por ejemplo, el participante M010 manifestó la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 303
necesidad de “que se otorgue tiempo de la
práctica asistencial para incorporar IA” (F3). En
consecuencia, el diseño institucional debería
priorizar la integración de estas herramientas en
los flujos de trabajo existentes y evitar que su
utilización se convierta en una carga operativa
adicional. Yew et al. (2025), en una revisión
sobre la implementación de tecnologías
digitales en hospitales de países de ingresos
medios, concluyen que el soporte técnico
continuo, la disponibilidad de infraestructura y
la adaptación de las herramientas al contexto
local son factores determinantes para la
sostenibilidad de la adopción.
Estos factores pueden resultar incluso más
relevantes que las características técnicas del
sistema implementado. En el nivel de política
sanitaria, la preocupación reiterada por la
ausencia de una normativa regulatoria
específica, identificada en las respuestas de la
pregunta F4, evidencia una brecha que no puede
ser resuelta únicamente mediante acciones
formativas o administrativas dentro del
hospital. Barbosa y Goldfajn (2026), en el
marco de las orientaciones promovidas por la
Organización Panamericana de la Salud,
señalan que la regulación de la IA en salud debe
garantizar la supervisión humana, la
transparencia algorítmica y la equidad en el
acceso como condiciones previas para una
implementación responsable. En América
Latina, donde la infraestructura tecnológica
continúa siendo uno de los principales
obstáculos para la transformación digital de los
sistemas sanitarios (Regazzoni, 2024), la
política ecuatoriana de transformación digital
debería traducir las preocupaciones expresadas
por el personal médico en estándares
específicos para la utilización de IA en
oncología. Estos estándares deberían incluir
protocolos de supervisión humana,
responsabilidad profesional, protección de
datos, evaluación de riesgos y auditoría
periódica de los sistemas algorítmicos. El
muestreo no probabilístico por conveniencia y
el reducido tamaño de la muestra (n = 23)
constituyen las principales limitaciones de la
investigación. Bujang et al. (2024) señalan que
una muestra de entre 20 y 30 participantes
puede ser útil en estudios piloto orientados a
obtener estimaciones preliminares de
confiabilidad; sin embargo, este tamaño resulta
insuficiente para realizar análisis factoriales
confirmatorios o generalizar los resultados a
poblaciones más amplias.
Los tamaños del efecto, entre moderados y
grandes, identificados en las comparaciones por
categoría profesional (η² = 0,175–0,199) deben
interpretarse con cautela debido a la limitada
potencia estadística de las pruebas no
paramétricas y al reducido número de
participantes en algunos subgrupos. En
particular, la categoría “Otro” estuvo
conformada por dos participantes, al igual que
el grupo con entre uno y tres años de
experiencia profesional. Estas condiciones
incrementan el riesgo de cometer un error de
tipo II, es decir, de no detectar diferencias que
podrían existir realmente entre los grupos.
Giebel et al. (2026) advierten que, en
investigaciones realizadas en contextos
institucionales homogéneos, la similitud de las
experiencias y condiciones laborales de los
participantes puede reducir la variabilidad de
las respuestas y limitar la capacidad para
identificar diferencias entre subgrupos.
En el presente estudio, el hecho de que todos los
participantes pertenecieran al mismo hospital de
referencia pudo haber reducido la dispersión de
las puntuaciones y favorecido la obtención de
resultados no significativos. Otro aspecto que
debe considerarse es el posible sesgo de
deseabilidad social, frecuente en
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 304
investigaciones sobre tecnologías emergentes
que generan elevadas expectativas académicas
y profesionales. Vecellio (2025), en una
encuesta realizada con médicos de atención
primaria en Suiza, señaló que las intenciones
declaradas de utilizar IA suelen ser más
favorables que su utilización real posterior. Esto
sugiere que los estudios de percepción pueden
sobreestimar la disposición efectiva de los
profesionales para adoptar estas tecnologías.
Asimismo, el diseño transversal permitió
obtener una representación de las percepciones
del personal en un momento específico, pero no
hizo posible analizar la evolución de sus
actitudes después de adquirir experiencia
directa con herramientas de IA. Una revisión
sistemática con metaanálisis sobre el
conocimiento, las actitudes y las prácticas de los
médicos frente a la IA clínica encontró que el
nivel de utilización real suele ser inferior al
nivel de aceptación declarado. Por tanto, una
actitud favorable no garantiza necesariamente la
adopción efectiva de estas tecnologías
(Abdulazeem et al., 2025). El alcance de la
investigación, restringido a un único hospital de
tercer nivel de la ciudad de Quito, también
limita la transferibilidad de los resultados. El
HECAM dispone de una dotación de recursos y
de una capacidad técnica que pueden ser
superiores a las de otros establecimientos del
sistema público ecuatoriano. Por esta razón, las
barreras estructurales identificadas podrían
manifestarse con mayor intensidad en
hospitales de menor complejidad o ubicados en
zonas con conectividad e infraestructura
tecnológica más limitadas.
Los resultados de esta prueba piloto permiten
plantear tres líneas prioritarias para futuras
investigaciones. La primera corresponde a la
validación confirmatoria del Cuestionario V1.0
mediante una muestra ampliada y multicéntrica.
Un tamaño muestral igual o superior a 100
participantes podría facilitar la evaluación de la
estructura de cuatro dimensiones propuesta,
aunque su suficiencia deberá determinarse en
función del número de ítems, las cargas
factoriales y el modelo estadístico seleccionado.
La versión V2.0 del instrumento debería
incorporar ítems relacionados con la normativa
regulatoria, la protección de datos y los marcos
de responsabilidad profesional aplicables al uso
de IA. Estas dimensiones fueron identificadas
como ausentes mediante el análisis temático.
También debería considerarse la recodificación
o inversión de los ítems de la dimensión
Barreras antes de calcular las puntuaciones
globales, debido a que los reactivos formulados
en sentido negativo requieren un tratamiento
coherente para evitar interpretaciones erróneas
(Taber, 2018). Jerez et al. (2025) señalan que la
adaptación de los instrumentos de percepción
de IA a los contextos culturales e institucionales
específicos puede mejorar su capacidad para
predecir la aceptación y utilización de estas
tecnologías.
Por consiguiente, la validación del cuestionario
debería considerar las particularidades del
sistema sanitario ecuatoriano, la disponibilidad
tecnológica de los hospitales y las experiencias
previas del personal con sistemas digitales. La
segunda línea de investigación corresponde al
desarrollo de estudios longitudinales que
permitan examinar la evolución de las actitudes
médicas desde la expectativa inicial hasta la
experiencia real de utilización. Wang et al.
(2024), en una revisión sistemática con
metaanálisis, identificaron que la mayoría de las
investigaciones sobre adopción de tecnologías
en salud emplea diseños transversales. Esta
característica impide establecer si las actitudes
favorables anteceden a la experiencia de uso o
se desarrollan como resultado de ella. En el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 305
contexto oncológico ecuatoriano, un diseño de
pretest y postest que evalúe las actitudes antes y
después de un programa piloto de capacitación
y utilización de IA proporcionaría información
más sólida que una nueva encuesta transversal.
Este diseño permitiría examinar cambios en el
conocimiento, la percepción de utilidad, la
confianza, las preocupaciones éticas y la
intención de uso después de una experiencia
práctica supervisada. La tercera línea, y la de
mayor urgencia desde la perspectiva clínica,
corresponde al desarrollo de estudios de
implementación que evalúen el efecto de la IA
sobre resultados concretos relacionados con el
cáncer de mama en Ecuador. Entre estos
indicadores podrían incluirse el tiempo
transcurrido entre la consulta inicial y el
diagnóstico histopatológico, la concordancia en
la estadificación, la oportunidad del inicio del
tratamiento y la supervivencia a cinco años.
D’Amiano et al. (2025) sostienen que la
transparencia y la representación adecuada de
las poblaciones constituyen condiciones
esenciales para garantizar la generalización de
los resultados de las investigaciones
oncológicas basadas en IA. Los modelos
entrenados con datos procedentes de
poblaciones diferentes pueden reproducir
sesgos existentes y ampliar las desigualdades
sanitarias en lugar de reducirlas. En ausencia de
evidencia clínica generada en el contexto
nacional, la inversión en IA oncológica podría
continuar percibiéndose como una importación
tecnológica sin suficiente apropiación
institucional ni garantía de sostenibilidad.
Conclusiones
Esta prueba piloto alcanzó sus tres objetivos
específicos: validar psicométricamente el
instrumento de medición, caracterizar la
percepción del personal médico del HECAM
sobre la IA en oncología y explorar los factores
que condicionan su disposición a adoptarla. Las
conclusiones se presentan en correspondencia
con los hallazgos del estudio: El Cuestionario
V1.0 demostró validez de contenido alta (V de
Aiken global = 0,924; IC 95%: 0,692–1,000),
consistencia interna excelente (α de Cronbach
global = 0,937; IC 95%: 0,872–0,963) y valores
de suficiencia adecuados en cuatro de cinco
dimensiones, posicionándolo como un
instrumento psicométricamente sólido para
aplicaciones ampliadas. Los resultados del W
de Kendall (W = 0,167–0,222; p > 0,05),
aunque bajos, se explican por el efecto techo de
las puntuaciones y no reflejan desacuerdo
sustantivo entre los expertos evaluadores.
El nivel de conocimiento sobre IA fue la
dimensión con menor puntaje (M = 15,8/25; DE
= 4,4), con el ítem referido a capacitación
formal (B8, M = 2,57) como el más bajo del
instrumento. La brecha formativa es real y
demanda intervención curricular específica en
los programas de educación continua del
HECAM. La percepción de utilidad y confianza
se situó en un rango moderado (M = 16,6/25),
con reservas específicas respecto a la confianza
en los resultados de la IA (C14, M = 2,96) y a
su capacidad para reducir errores clínicos (C15,
M = 3,00). Estas reservas reflejan una
evaluación técnicamente fundamentada, no un
rechazo a la tecnología, y son convergentes con
lo reportado en estudios internacionales con
oncólogos. Las barreras percibidas fueron altas
y estadísticamente homogéneas en toda la
muestra (M = 19,1/25), sin diferencias
significativas por sexo, profesión ni años de
experiencia. La ausencia de correlación entre
Conocimiento y Barreras (ρ = 0,079; p = 0,722)
confirma que los obstáculos son estructurales,
infraestructura, conectividad, tiempo y no
atribuibles al déficit formativo individual. La
disposición a adoptar IA fue la dimensión con
mayor puntaje (M = 19,3/25; E23, M = 4,13),
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 306
con una correlación muy fuerte con Utilidad y
confianza (ρ = 0,894; p < 0,001), consistente
con el Modelo de Aceptación Tecnológica. El
análisis temático cualitativo precisa que esta
predisposición es condicionada: el personal
médico acepta la IA únicamente como
herramienta complementaria al juicio clínico,
bajo supervisión médica permanente, con
evidencia clínica verificable y en un marco
normativo que defina responsabilidades ante
errores algorítmicos. Las correlaciones entre
dimensiones identificaron que el par Utilidad-
Expectativas (ρ = 0,894) es el eje central del
modelo de aceptación en esta muestra. La única
correlación no significativa, conocimiento con
Barreras (ρ = 0,079), implica que las
intervenciones de capacitación y las de mejora
de infraestructura deben diseñarse y ejecutarse
en paralelo, no en secuencia. En conjunto, los
resultados refutan la hipótesis simplificadora de
que mayor conocimiento conduce
automáticamente a menor percepción de
barreras. El personal médico del HECAM
muestra predisposición genuina hacia la IA en
oncología, pero la condiciona a tres requisitos
que deben concurrir simultáneamente:
capacitación acreditada, infraestructura
tecnológica funcional y un marco regulatorio
que garantice la supervisión humana del
proceso diagnóstico y delimite la
responsabilidad profesional ante los errores del
algoritmo. El Cuestionario V1.0 validado en
este estudio ofrece una herramienta replicable
para medir estas percepciones en estudios
multicéntricos y longitudinales que permitan
evaluar el impacto de intervenciones específicas
sobre la adopción de IA en la oncología
ecuatoriana.
Agradecimientos
Los autores agradecen a la Dirección de
Investigación y Desarrollo (DIDE) de la
Universidad Técnica de Ambato (UTA). Este
estudio fue desarrollado en el marco del
Proyecto de Investigación PFCS59, aprobado
por la Dirección de Investigación y Desarrollo
(DIDE) de la Universidad Técnica de Ambato
(UTA) mediante resolución UTA-CONIN-
2025-0060-R. Los autores no recibieron
financiamiento externo adicional para la
realización de este trabajo.
Referencias Bibliográficas
Abdulazeem, H. M., Meckawy, R., Schwarz, S.,
Novillo-Ortiz, D., & Klug, S. J. (2025).
Knowledge, attitude, and practice of primary
care physicians toward clinical AI-assisted
digital health technologies: Systematic
review and meta-analysis. International
Journal of Medical Informatics, 201,
105945.
https://pubmed.ncbi.nlm.nih.gov/40286705/
Aiken, L. R. (1985). Three coefficients for
analyzing the reliability and validity of
ratings. Educational and Psychological
Measurement, 45(1), 131–142.
https://www.safeandcivilschools.com/Schoo
lwide?gad_source=1&gad_campaignid=215
American Medical Association. (2026).
Physician survey on augmented intelligence.
AMA.
https://www.reportlinker.com/market-
Barbosa, J., & Goldfajn, I. (2026). Inteligencia
artificial en salud pública.
https://www.paho.org/sites/default/files/202
6/05/ai-ra-tool-rev-final-esp-aug-1.pdf
Blanco, M. A., Nelson, S. W., Ramesh, S.,
Callahan, C. E., Josephs, K. A., Jacque, B.,
& Baecher-Lind, L. E. (2025). Integrating
artificial intelligence into medical education:
A roadmap informed by a survey of faculty
and students. Medical Education Online,
30(1), 2531177.
https://pubmed.ncbi.nlm.nih.gov/40660466/
Braun, V., & Clarke, V. (2006). Using thematic
analysis in psychology. Qualitative
Research in Psychology, 3(2), 77–101.
https://www.tandfonline.com/doi/abs/10.11
91/1478088706qp063oa
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 307
Bujang, M, Omar, E, Foo, D. & Hon, Y. K.
(2024). Sample size determination for
conducting a pilot study to assess reliability
of a questionnaire. Restorative Dentistry &
Endodontics, 49(1).
https://pubmed.ncbi.nlm.nih.gov/38449496/
Calzolari, A. (2023). Aspectos prácticos del uso
del coeficiente de concordancia W de
Kendall para el jueceo de cuestionarios en
enfermería. Arandu Poty, 2(2), 23–32.
https://divulgacioncientifica.unca.edu.py/in
dex.php/AranduPoty/article/view/61
Cascella, M., Guerra, C., De Feo, R., Cerrone,
V., Farah, S., Sarzi-Puttini, P., & Salaffi, F.
(2024). Cross-sectional study on medical
attitude towards artificial intelligence use in
fibromyalgia: Insights from the Annual
Thinking Lab on Fibromyalgia Syndrome
(ATLAS 2024). Translational
Medicine@UniSa, 26(2), 153.
https://pmc.ncbi.nlm.nih.gov/articles/PMC1
1960775/
Cazap, E., & de Celis, E. S. P. (2024).
Announcing the new editor-in-chief of
ecancermedicalscience.
Ecancermedicalscience, 18.
https://doi.org/10.3332/ecancer.2024.ed133
Colegio de Médicos de Pichincha. (2026). En
Ecuador, el cáncer de mama es el de mayor
incidencia y mortalidad en mujeres.
https://colegiomedicodepichincha.org/en-
ecuador-el-cancer-de-mama-es-el-de-
mayor-incidencia-y-mortalidad-en-mujeres/
D’Amiano, A. J., Cheunkarndee, T., Azoba, C.,
Chen, K. Y., Mak, R. H., & Perni, S. (2025).
Transparency and representation in clinical
research utilizing artificial intelligence in
oncology: A scoping review. Cancer
Medicine, 14(5), e70728.
https://pubmed.ncbi.nlm.nih.gov/40059400/
Dean, T. B., Seecheran, R., Badgett, R. G.,
Zackula, R., & Symons, J. (2024).
Perceptions and attitudes toward artificial
intelligence among frontline physicians and
physicians’ assistants in Kansas: A cross-
sectional survey. JAMIA Open, 7(4),
ooae100.
https://pubmed.ncbi.nlm.nih.gov/40059400/
Eltawil, F. A., Atalla, M., Boulos, E.,
Amirabadi, A., & Tyrrell, P. N. (2023).
Analyzing barriers and enablers for the
acceptance of artificial intelligence
innovations into radiology practice: A
scoping review. Tomography, 9(4), 1443–
1455.
https://pubmed.ncbi.nlm.nih.gov/40059400/
ESMO Daily Reporter. (s. f.). La IA transforma
el diagnóstico del cáncer: Persisten las
barreras sistemáticas. Recuperado el 10 de
mayo de 2026, de
https://dailyreporter.esmo.org/spotlight/ai-
is-transforming-cancer-diagnosis-but-
systemic-barriers-still-hold-it-back
George, D., & Mallery, P. (1999). SPSS for
Windows step by step: A simple guide and
reference. Allyn & Bacon.
https://eric.ed.gov/?id=ED425201
Gibelli, F., Maio, G., & Ricci, G. (2024).
Healthcare in the age of sapient machines:
Physician decision-making autonomy faced
with artificial intelligence. Ethical,
deontological and compensatory aspects.
Frontiers in Medicine, 11, 1477371.
https://eric.ed.gov/?id=ED425201
Giebel, G. D., Raszke, P., Tokic, M.,
Palmowski, L., Timmesfeld, N., Nowak, H.,
Adamzik, M., Heinz, P., Brunkhorst, F. M.,
& Wasem, J. (2026). Attitude and perception
toward artificial intelligence among German
physicians with intensive care experience: A
survey study. Frontiers in Health Services,
5, 1–10.
https://doi.org/10.3389/frhs.2025.1721620
Guzmán, C. (2024). Prevalencia de la
aplicación de modelos y conocimientos en
inteligencia artificial para el diagnóstico
temprano de cáncer por médicos radiólogos
de la ciudad de Quito en 2024. Universidad
de Las Américas.
http://dspace.udla.edu.ec/handle/33000/171
30
Hantel, A., Walsh, T. P., Marron, J. M., Kehl,
K. L., Sharp, R., Van Allen, E., & Abel, G.
A. (2024). Perspectives of oncologists on the
ethical implications of using artificial
intelligence for cancer care. JAMA Network
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 308
Open, 7(3), e244077.
https://eric.ed.gov/?id=ED425201
Kaboré, S. S., Ngangue, P., Soubeiga, D.,
Barro, A., Pilabré, A. H., Bationo, N.,
Pafadnam, Y., Drabo, K. M., Hien, H., &
Savadogo, G. B. L. (2022). Barriers and
facilitators for the sustainability of digital
health interventions in low- and middle-
income countries: A systematic review.
Frontiers in Digital Health, 4, 1014375.
https://eric.ed.gov/?id=ED425201
Kelkar, A. H., Hantel, A., Koranteng, E., Cutler,
C. S., Hammer, M. J., & Abel, G. A. (2024).
Digital health to patient-facing artificial
intelligence: Ethical implications and threats
to dignity for patients with cancer. JCO
Oncology Practice, 20(3), 314–317.
https://eric.ed.gov/?id=ED425201
Kelly, C. J., Karthikesalingam, A., Suleyman,
M., Corrado, G., & King, D. (2019). Key
challenges for delivering clinical impact
with artificial intelligence. BMC Medicine,
17(1), 195.
https://eric.ed.gov/?id=ED425201
Khan, M. A., Queen, A., Yousuf, M., Patel, Y.
A., Kausar, M. A., Ali, A., Anwar, S., Khan,
F. H., Elagib, H. M., Shahien, M. M., &
Alshabrmi, F. M. (2026). The expanding role
of artificial intelligence in personalised
medicine: From innovation to individualized
care. Frontiers in Medicine, 13, 1795879.
https://doi.org/10.3389/fmed.2026.1795879
Khojasteh, L., Karimian, Z., Nasiri, E.,
Kafipour, R., & Farahmandi, A. Y. (2025).
Artificial intelligence and academic writing
questionnaire (AI-AWQ): Development and
validation among medical students’
experiences using exploratory factor
analysis. BMC Medical Education, 25(1),
1697.
https://pubmed.ncbi.nlm.nih.gov/41402961/
Mache, S., Bernburg, M., Würtenberger, A., &
Groneberg, D. A. (2025). Artificial
intelligence in primary care: Support or
additional burden on physicians’ healthcare
work? A qualitative study. Clinics and
Practice, 15(8), 138.
https://doi.org/10.3389/fmed.2026.1795879
Maldonado, I., Checa, F., Tarupi, W., Moreno,
A., Noboa, A., Pacheco, L., Puente, R.,
Soria, T., & Cevallos, I. (2025). Cáncer en el
Ecuador: ¿Qué ha cambiado en las últimas
tres décadas? Metro Ciencia, 33(Suplemento
1), s56–s69. https://doi.org/10.47464/metro-
ciencia/vol33/suplemento-1/2025/s56-s69
Ministerio de Salud Pública del Ecuador.
(2024). Política nacional de transformación
digital. https://www.salud.msp.gob.ec
Montero, K., & Silva, J. (2025). Uso de la
inteligencia artificial en el diagnóstico de
cáncer de mama. Ciencia Latina Revista
Científica Multidisciplinar.
https://ciencialatina.org/index.php/cienciala/
article/view/17982/25851
Narcisol, P., & Alcívar, R. (2026). Análisis
comparativo de algoritmos basados en
inteligencia artificial para la detección
temprana del cáncer de mama. Revista
Científica de Informática ENCRIPTAR,
9(17), 65–86.
https://doi.org/10.56124/encriptar.v9i17.004
Olayiwola, Q. B., Sanusi, O. M., Amoo, G. S.,
Agboola, O. J., Adeyemi, J. A., Suleiman, H.
A., Ibrahim, M. A., & Hassan, T. A. (2026).
Barriers to digital health implementation in
low- and middle-income countries: A
narrative review. Discover Public Health,
23(1), 499.
Organización Panamericana de la Salud.
(2021). Inteligencia artificial en salud
pública.
https://www.paho.org/es/documentos/intelig
encia-artificial-salud-publica
Park, S. H., Pinto-Powell, R., Thesen, T.,
Lindqwister, A., Levy, J., Chacko, R.,
Gonzalez, D., Bridges, C., Schwendt, A., &
Byrum, T. (2024). Preparing healthcare
leaders of the digital age with an integrative
artificial intelligence curriculum: A pilot
study. Medical Education Online, 29(1),
2315684.
https://subscriptions.elsevier.com/clinicalke
y-ai
Penfield, R. D., & Giacobbi, P. R., Jr. (2004).
Applying a score confidence interval to
Aiken’s item content-relevance index.
Measurement in Physical Education and
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 309
Exercise Science, 8(4), 213–225.
https://www.tandfonline.com/doi/abs/10.12
07/s15327841mpee0804_3
Qi, Y. (2026). The role of artificial intelligence
applications in enhancing healthcare
professionals’ performance in the context of
“Internet Plus Healthcare.” The
Development of Humanities and Social
Sciences, 2(1), 87–100.
https://doi.org/10.71204/vs0xng32
Radeva, M. N., Hristova, E., Georgiev, R. T., &
Zlatarova, Z. I. (2026). Awareness, trust, and
expectations of AI for glaucoma care among
Bulgarian ophthalmologists: Role of
demographic factors. PLOS Digital Health,
5(1), e0001199.
https://journals.plos.org/digitalhealth/article
?id=10.1371/journal.pdig.0001199
Ramírez, M, Alvarado, V., Villavicencio, F. P.
R., Cárdenas, J. S., Padilla, A. T. O., &
Rodríguez, G. A. (2024). Diagnóstico
asistido por computadora en mamografías
para la detección del cáncer de mama.
Revista de la Facultad de Medicina
Humana, 24(4), 20.
https://dialnet.unirioja.es/servlet/articulo?co
digo=9795270
Regazzoni, C. J. (2024, noviembre). Health,
Latin America, and the promise of artificial
intelligence. Think Global Health.
https://www.thinkglobalhealth.org/article/he
alth-latin-america-and-promise-artificial-
intelligence
Salazar-Garcés, L. F., Morales-Urrutia, E.,
Cashabamba, F., Proaño Alulema, R. X., &
Leiva Suero, L. E. (2026). Evaluating AI-
driven precision oncology for breast cancer
in low- and middle-income countries: A
review of machine learning performance,
genomic data use, and clinical feasibility.
Frontiers in Digital Health, 7.
https://doi.org/10.3389/fdgth.2025.1702339
SOLCA Núcleo Tungurahua. (2025). SOLCA
Núcleo Tungurahua.
https://solcatungurahua.org/
Taber, K. S. (2018). The use of Cronbach’s
alpha when developing and reporting
research instruments in science education.
Research in Science Education, 48(6), 1273–
1296.
Trujillo Ruiz, J. (2026). Guía básica de
inteligencia médica artificial.
https://doi.org/10.13039/501100011033/y
Vecellio, M. (2025). Physician readiness for AI
in primary care: A cross-sectional survey on
the knowledge-attitude gap and
implementation priorities in Switzerland.
medRxiv.
Villacrés, T., Soria, T., Buizza, C., & González-
Andrade, F. (2018). Se requieren más
médicos especialistas para tratar el cáncer:
Urge la formación prioritaria y un número
suficiente de oncólogos en Ecuador. Revista
de la Facultad de Ciencias Médicas de
Quito, 43(2).
https://biblioteca.solcaquito.org.ec/entities/p
ublication/c157c8a5-2601-4851-9b8e-
4558ae13d843
Wang, M., Huang, K., Li, X., Zhao, X.,
Downey, L., Hassounah, S., Liu, X., Jin, Y.,
& Ren, M. (2024). Health workers’ adoption
of digital health technology in low- and
middle-income countries: A systematic
review and meta-analysis. Bulletin of the
World Health Organization, 103(2), 126.
https://trinetx.com/data/?campaignid=23910
Weidener, L., & Fischer, M. (2024). Artificial
intelligence in medicine: Cross-sectional
study among medical students on
application, education, and ethical aspects.
JMIR Medical Education, 10(1), e51247.
https://pubmed.ncbi.nlm.nih.gov/38180787/
Welch, J., Bashir, H., Leach, E., & Wells, M.
(2024). Navigating the impact of artificial
intelligence on humanistic medicine.
International Journal of Computing and
Artificial Intelligence, 5(1), 59–60.
https://www.computersciencejournals.com/i
jcai/article/85/5-1-16-148.pdf
Yáñez, O, Kim, J., Bonilla, J., Montalvo, F., &
Veas Romero, M. (2025). Perspectivas
estudiantiles y docentes sobre la IA en la
educación sanitaria: Revisión sistemática
exploratoria. Revista Española de Educación
Médica, 6(2), 176–197.
https://dialnet.unirioja.es/servlet/articulo?co
digo=10410543
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 310
Yew, S. Q., Trivedi, D., Adanan, N. I. H., &
Chew, B. H. (2025). Facilitators and barriers
to the implementation of digital health
technologies inhospital settings in lower-
and middle-income countries since the onset
of the COVID-19 pandemic: Scoping
review. Journal of Medical Internet
Research, 27, e63482.
https://pubmed.ncbi.nlm.nih.gov/40053793/
Zanardo, M., Visser, J. J., Colarieti, A.,
Cuocolo, R., Klontzas, M. E., Pinto dos
Santos, D., Sardanelli, F., & European
Society of Radiology. (2024). Impact of AI
on radiology: A EuroAIM/EuSoMII 2024
survey among members of the European
Society of Radiology. Insights into Imaging,
15(1), 240.
https://pubmed.ncbi.nlm.nih.gov/39373853/
Zhou, X., Jomhari, N., Farid, N. D. N., & Xing,
Y. (2026). Physicians’ perceptions and
attitudes on artificial intelligence in hospital
management: A qualitative study. BMC
Health Services Research, 26(1), 14.
https://link.springer.com/article/10.1186/s12
913-025-13815-1
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Fanny Michelle
Meléndez Yánez, Luis Fabián Salazar Garcés
.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Fanny Michelle Meléndez-Yánez: Redacción del borrador original del manuscrito; recolección de datos e investigación de campo en el HECAM;
curación y análisis formal de los datos; revisión y edición del manuscrito.
Luis Fabián Salazar-Garcés: Conceptualización e idea original del estudio; diseño metodológico; análisis formal de los datos; revisión crítica y
correcciones del manuscrito; supervisión y dirección del proyecto de investigación.
Declaración de conflicto de intereses
Los autores declaran no tener ningún conflicto de interés económico, profesional o personal que pudiera haber influido en el diseño, la ejecución, el
análisis o la publicación de este estudio.
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 hallazgos de este estudio están disponibles previa solicitud razonada al autor de correspondencia, sujeto a las
restricciones éticas aplicables en virtud del consentimiento informado otorgado por los participantes y la aprobación del CEISH-UTA.
