Taxonomía de la simulación clínica

Clinical Simulation Taxonomy: A Narrative Review and Practical Framework Based on the Alignment Between Learning Objective, Educational Strategy and Simulation Tool

Introducción

La simulación clínica ha consolidado su posición como metodología educativa de referencia en las ciencias de la salud, al permitir recrear escenarios clínicos controlados donde los estudiantes adquieren y perfeccionan competencias sin exponer a los pacientes a riesgos innecesarios^1,2. La evidencia acumulada demuestra que su uso sistemático contribuye a la reducción de errores clínicos, al fortalecimiento de la seguridad del paciente y al desarrollo de habilidades técnicas y no técnicas transferibles al entorno asistencial real^3,4. Sin embargo, la clasificación predominante en la literatura continúa basándose en el nivel de fidelidad tecnológica —baja, media y alta—, un criterio centrado en el dispositivo y no en las necesidades pedagógicas del aprendiz, que resulta insuficiente para orientar la toma de decisiones formativas^5,6.

Autores como Hamstra et al. y Motola et al. han evidenciado que la eficacia de la simulación no depende de la complejidad tecnológica del simulador, sino de la pertinencia del escenario respecto al objetivo de aprendizaje —concepto denominado fidelidad funcional— y de la alineación constructiva entre herramienta, estrategia educativa y objetivo formativo^7,8,9. Los marcos teóricos de Bloom, Miller y Kolb aportan la base para estructurar esta progresión, desde la adquisición de conocimientos declarativos hasta la demostración de competencias en contextos de complejidad creciente^10,11,12. El creciente ecosistema de herramientas —desde task trainers hasta pacientes virtuales con inteligencia artificial— exige un sistema de clasificación que priorice la intencionalidad formativa del docente clínico^13,14. Ante este panorama, el presente trabajo propone una taxonomía funcional de la simulación clínica organizada en cinco categorías definidas por tres ejes: el tipo de simulador, la estrategia de aprendizaje y el objetivo formativo.

Marco teórico

La simulación clínica como metodología educativa

La simulación clínica puede definirse como el uso de materiales, modelos anatómicos, personas entrenadas o entornos tecnológicos para reproducir situaciones clínicas reales con finalidad formativa, evaluativa o de investigación^1,15. Esta definición amplia incluye desde la práctica de habilidades procedimentales en modelos anatómicos hasta la resolución de crisis clínicas en entornos de simulación in situ o la interacción con pacientes virtuales mediados por inteligencia artificial.

Los principios del aprendizaje experiencial de Kolb sustentan la eficacia de la simulación al proponer un ciclo que transita desde la experiencia concreta hacia la observación reflexiva, la conceptualización abstracta y la experimentación activa¹¹. La simulación clínica proporciona el escenario ideal para este ciclo, ya que ofrece experiencias concretas en ambientes seguros donde el error forma parte del aprendizaje y no representa una amenaza para el paciente¹⁶.

Limitaciones del modelo de fidelidad tecnológica

El modelo de clasificación basado en el nivel de fidelidad tecnológica surgió como respuesta a la necesidad de organizar el amplio espectro de herramientas disponibles. Sin embargo, estudios recientes han cuestionado su utilidad pedagógica, evidenciando que la alta fidelidad tecnológica no garantiza por sí misma resultados de aprendizaje superiores a los obtenidos con herramientas de menor complejidad^5,17.

Hamstra et al. argumentaron que el concepto de fidelidad tecnológica ha sido sistemáticamente malinterpretado en la literatura, y propusieron sustituirlo por el de fidelidad funcional, que describe el grado en que el entorno simulado activa los procesos de aprendizaje requeridos para alcanzar una competencia particular⁷. Esta perspectiva resulta más coherente con los principios del alineamiento constructivo propuestos por Biggs, que enfatizan la necesaria congruencia entre el objetivo de aprendizaje, la actividad formativa y el método de evaluación⁶.

Fundamentos taxonómicos en educación en ciencias de la salud

La taxonomía de Bloom revisada por Anderson y Krathwohl ofrece un marco útil para clasificar los objetivos de aprendizaje en función de los procesos cognitivos involucrados, desde el reconocimiento y la comprensión hasta el análisis, la evaluación y la creación¹⁰. En el ámbito de las ciencias de la salud, la pirámide de Miller complementa este enfoque al incorporar el dominio psicomotor y la dimensión situacional del desempeño clínico¹².

La integración de estos marcos teóricos con las evidencias disponibles sobre la eficacia diferencial de las distintas modalidades de simulación fundamenta la propuesta de una taxonomía funcional que oriente la toma de decisiones pedagógicas de forma sistemática y replicable^8,18.

Objetivo

Proponer una taxonomía funcional de la simulación clínica, basada en la vinculación entre el objetivo de aprendizaje, la estrategia educativa y la herramienta de simulación, como alternativa al modelo tradicional de clasificación por fidelidad tecnológica, con el propósito de orientar la toma de decisiones pedagógicas del docente clínico de manera fundamentada, práctica y replicable.

Métodos

Se realizó una revisión narrativa de la literatura científica publicada entre 2016 y 2026 en las bases de datos PubMed, SciELO, Scopus y Google Scholar. La búsqueda se efectuó en español e inglés utilizando los siguientes términos y sus combinaciones: clinical simulation, simulation taxonomy, standardized patient, task trainers, high-fidelity simulation, learning objectives, health sciences education, simulation fidelity, virtual reality simulation, artificial intelligence medical education.

Se incluyeron artículos originales, revisiones sistemáticas, revisiones narrativas y documentos de consenso que abordaran: (a) modalidades de simulación clínica y sus características; (b) teorías del aprendizaje aplicadas a ciencias de la salud; (c) eficacia de herramientas simuladas en la adquisición de competencias; y (d) modelos de clasificación de la simulación vigentes en la literatura^19,20. Se excluyeron los artículos anteriores a 2016 —salvo referencias teóricas ampliamente citadas en la literatura actual— y los estudios sin acceso a texto completo.

Resultados

La revisión de la literatura permitió identificar patrones consistentes en cuanto a la pertinencia diferencial de cada modalidad de simulación según el tipo de competencia que se pretende desarrollar. A partir de este análisis se propone una taxonomía de cinco categorías funcionales, cada una definida bajo tres ejes articuladores: el grupo de simulador o herramienta principal, la estrategia de aprendizaje más adecuada y el objetivo de aprendizaje que se persigue.

Categoría 1: Task trainers (entrenadores de tarea)

Los task trainers o entrenadores de tarea son modelos anatómicos parciales diseñados para la práctica repetitiva de procedimientos específicos. Su fortaleza pedagógica reside en la posibilidad de disociar la destreza procedimental de la complejidad clínica del paciente real²¹,²². Mediante la práctica deliberada y la retroalimentación inmediata, el aprendiz desarrolla la memoria muscular, la coordinación visomotora y la automatización de secuencias procedimentales que constituyen la base de la competencia técnica²³.

Esta categoría incluye modelos de venopunción, cateterismo venoso central, intubación orotraqueal, sutura y auscultación, entre otros. La evidencia disponible indica que la práctica con task trainers antes de la exposición clínica real reduce significativamente los errores procedimentales y mejora la seguridad del paciente en entornos asistenciales reales²⁴.

Categoría 2: Paciente estandarizado

El paciente estandarizado (PE) es una persona entrenada para reproducir de manera consistente y estandarizada los signos, síntomas y comportamientos de un paciente con un cuadro clínico definido. Esta modalidad representa la herramienta más eficaz para el desarrollo de competencias en comunicación clínica, anamnesis, relación médico-paciente y juicio interpersonal²⁵,²⁶.

Diversos estudios han documentado la validez del PE como instrumento de evaluación formativa y sumativa, especialmente en el contexto del ECOE (Examen Clínico Objetivo Estructurado), donde permite medir de forma estandarizada las competencias comunicativas e interpersonales del estudiante²⁷. El debriefing estructurado posterior a la interacción con el PE ha demostrado ser un componente esencial para consolidar el aprendizaje y fomentar la reflexión crítica sobre la práctica²⁸.

Categoría 3: Simuladores de paciente y equipo

Esta categoría agrupa los maniquíes de simulación controlados por ordenador que reproducen respuestas fisiológicas dinámicas, así como los entornos de simulación que incluyen equipamiento clínico real o simulado. Su principal aportación pedagógica consiste en la posibilidad de recrear escenarios clínicos de complejidad media-alta que demandan la integración de habilidades técnicas y no técnicas, la gestión de crisis y la toma de decisiones centrada en el paciente²⁹,³⁰.

La simulación en equipo con esta modalidad ha demostrado ser especialmente eficaz para el entrenamiento de competencias de liderazgo clínico, comunicación en situaciones de urgencia y aplicación de protocolos de actuación en crisis. La integración del CRM (Crisis Resource Management) como estrategia educativa en estos escenarios ha mostrado resultados positivos en la mejora de la dinámica de trabajo en equipo y en la reducción de eventos adversos evitables³¹,³².

Categoría 4: Ultra realismo

La simulación de ultra realismo se caracteriza por la reproducción de entornos clínicos de alta complejidad y presión, que incluyen escenarios de desastre, catástrofe masiva, intervención quirúrgica de emergencia o atención prehospitalaria, e incluso simuladores de paciente con características anatómicas ultra realistas que generan un impacto emocional. El objetivo principal de esta categoría no radica en la adquisición de nuevas habilidades, sino en favorecer el mantenimiento de la inteligencia emocional y del juicio ético, así como la integración y consolidación de competencias previamente adquiridas bajo condiciones de estrés controlado³³,³⁴.

La investigación neurocientífica sobre la memoria bajo estrés y la automatización de respuestas procedimentales en situaciones de amenaza respalda el valor formativo de esta modalidad cuando se emplea con poblaciones en estadios avanzados de su formación clínica³⁵.

Categoría 5: Herramientas digitales

Las herramientas digitales constituyen la categoría de más reciente incorporación al campo de la simulación clínica y la de mayor potencial de crecimiento en los próximos años. Incluyen pacientes virtuales basados en modelos de lenguaje de gran escala, plataformas de realidad virtual y aumentada, simuladores de diagnóstico por imagen, software de toma de decisiones clínicas y sistemas de aprendizaje adaptativo³⁶,³⁷.

Su principal valor pedagógico radica en la capacidad de personalizar el proceso de aprendizaje, adaptando la dificultad y el tipo de retroalimentación a las necesidades individuales del aprendiz. Investigaciones recientes han demostrado la eficacia de los pacientes virtuales para el entrenamiento del razonamiento clínico y el diagnóstico diferencial, especialmente en entornos con acceso limitado a escenarios clínicos reales³⁸,³⁹.

Marco práctico de selección

Teniendo en cuenta las definiciones de cada categoría, la Tabla 1 ejemplifica cómo aplicar el marco a la selección de la herramienta a partir de los objetivos pedagógicos definidos para la simulación estructurada.

Objetivo pedagógico	Competencias implicadas	Estrategia didáctica	Herramienta recomendada
Adquirir o automatizar una destreza procedimental específica	Habilidades técnicas discretas y repetibles: destreza motora, coordinación visomotora y memoria muscular.	Práctica deliberada, entrenamiento secuenciado por pasos y retroalimentación correctiva inmediata.	Entrenador de tareas
Desarrollar competencias comunicativas, de entrevista clínica o de relación terapéutica	Anamnesis, comunicación de malas noticias, relación médico-paciente y juicio interpersonal.	Interacción guiada con retroalimentación comunicacional estructurada y debriefing verbal supervisado.	Paciente estandarizado
Fortalecer el razonamiento clínico y la toma de decisiones diagnóstico-terapéuticas	Diagnóstico diferencial, manejo de la incertidumbre, prescripción basada en la evidencia y aprendizaje adaptativo.	Análisis secuencial de casos clínicos interactivos, en modalidad asincrónica o híbrida, con presentación progresiva de la información.	Herramientas digitales
Integrar habilidades técnicas y no técnicas en un contexto clínico real	Trabajo en equipo, liderazgo, conciencia situacional y gestión de recursos en crisis (CRM), junto a las habilidades clínicas.	Escenarios clínicos completos con simulación contextualizada, trabajo interdisciplinario y debriefing estructurado.	Simulador de paciente y equipo
Entrenar la respuesta ante escenarios críticos, de baja frecuencia y alto impacto	Respuesta al estrés, empatía, toma de decisiones bajo presión e integración de competencias en entornos complejos.	Escenarios de crisis con inmersión ambiental completa, alta carga contextual y emocional controlada.	Ultra realismo

Esta tabla ofrece una guía práctica para seleccionar la herramienta más adecuada en función del objetivo pedagógico, y puede servir de base para la planificación, la organización y la adquisición de equipamiento en centros de simulación y entornos universitarios.

Discusión

La taxonomía funcional propuesta en este trabajo representa una alternativa pedagógicamente más útil que el modelo de clasificación por fidelidad tecnológica predominante en la literatura. Al anclar la selección de la herramienta simulada en la intencionalidad formativa del docente y en las características del objetivo de aprendizaje, esta propuesta opera en alineación con los principios del alineamiento constructivo y de la educación basada en competencias^6,8,40.

Una de sus fortalezas principales reside en su operacionalidad práctica: el docente o entrenador puede tomar decisiones pedagógicas fundamentadas a partir de la identificación del tipo de competencia que desea desarrollar, sin necesidad de recurrir a criterios técnicos o presupuestarios como punto de partida. Esto resulta especialmente relevante en contextos de recursos limitados.

Para facilitar su aplicación, la Tabla 2 resume la pertinencia de cada herramienta y permite priorizar cuál seleccionar, así como identificar aquellas que pueden contribuir al desarrollo de varias competencias.

Objetivo de aprendizaje	Task trainer	Paciente estandarizado	Herramientas digitales e IA	Simulador de paciente y equipo	Ultra realismo
Destreza procedimental específica	Primaria	Baja	Secundaria	Secundaria	Baja
Comunicación clínica / entrevista / relación médico-paciente	Baja	Primaria	Secundaria	Secundaria	Baja
Razonamiento clínico / toma de decisiones	Baja	Secundaria	Primaria	Secundaria	Baja
Integración de habilidades técnicas y no técnicas	Secundaria	Secundaria	Secundaria	Primaria	Secundaria
Respuesta en escenarios complejos o críticos	Baja	Baja	Secundaria	Secundaria	Primaria

Debe considerarse que una pertinencia baja no excluye el uso de la herramienta, sino que refleja una adecuación menor para ese objetivo concreto. La utilidad pedagógica de cada recurso depende también del contexto de la simulación, de su integración con otras estrategias docentes y de la finalidad del escenario clínico.

Las categorías propuestas no son mutuamente excluyentes: un escenario bien diseñado puede integrar elementos de varias de forma simultánea. Además, la asignación de una herramienta a una categoría específica dependerá del tipo de debriefing empleado^28,42.

La incorporación de las herramientas digitales como categoría diferenciada responde a la creciente evidencia sobre su eficacia para el desarrollo del razonamiento clínico y a la transformación del campo educativo que su integración genera^36,43. Sin embargo, la investigación en este ámbito se encuentra aún en una fase inicial y serán necesarios estudios con mayor rigor metodológico.

Conclusiones

La taxonomía funcional de la simulación clínica propuesta ofrece un marco práctico y replicable que permite al docente o entrenador seleccionar la herramienta más adecuada en función del objetivo de aprendizaje que desea alcanzar, la estrategia educativa que planifica implementar y el nivel de competencia en que se encuentra el aprendiz. Este enfoque supone un desplazamiento conceptual desde el objeto hacia la acción.

Las cinco categorías propuestas —task trainers, paciente estandarizado, simuladores de paciente y equipo, ultra realismo y herramientas digitales— constituyen una estructura organizativa suficientemente amplia para cubrir la mayoría de los escenarios habituales en simulación clínica dentro de las ciencias de la salud, orientando a docentes clínicos, entrenadores y gestores de unidades de simulación hacia una toma de decisiones fundamentada.

Finalmente, concluimos que la simulación clínica más efectiva no es la tecnológicamente más avanzada, sino aquella cuyos objetivos, estrategias y herramientas se encuentran alineados de forma coherente con las necesidades formativas de los futuros profesionales de la salud.

Referencias bibliográficas

1. Issenberg SB, McGaghie WC, Petrusa ER, Lee Gordon D, Scalese RJ. Features and uses of high-fidelity medical simulations that lead to effective learning: a BEME systematic review. Med Teach. 2005;27(1):10-28. doi:10.1080/01421590500046924
2. McGaghie WC, Issenberg SB, Barsuk JH, Wayne DB. A critical review of simulation-based mastery learning with translational outcomes. Med Educ. 2014;48(4):375-385. doi:10.1111/medu.12391
3. Rosen MA, DiazGranados D, Dietz AS, Benishek LE, Thompson D, Pronovost PJ, et al. Teamwork in healthcare: Key discoveries enabling safer, high-quality care. Am Psychol. 2018;73(4):433-450. doi:10.1037/amp0000298
4. Zevin B, Aggarwal R, Grantcharov TP. Surgical simulation in 2013: why is it still not the standard of care? JAMA Surg. 2016;149(3):301-302. doi:10.1001/jamasurg.2013.4141
5. Maran NJ, Glavin RJ. Low- to high-fidelity simulation—a continuum of medical education? Med Educ. 2016;37(Suppl 1):22-28. doi:10.1046/j.1365-2923.37.s1.9.x
6. Biggs J, Tang C. Teaching for Quality Learning at University. 5th ed. Maidenhead: Open University Press/McGraw-Hill; 2022.
7. Hamstra SJ, Brydges R, Hatala R, Zendejas B, Cook DA. Reconsidering fidelity in simulation-based training. Acad Med. 2014;89(3):387-392. doi:10.1097/ACM.0000000000000130
8. Cook DA, Hamstra SJ, Brydges R, Zendejas B, Szostek JH, Wang AT, et al. Comparative effectiveness of instructional design features in simulation-based education: systematic review and meta-analysis. Med Teach. 2016;35(1):e867-e898. doi:10.3109/0142159X.2012.714886
9. Motola I, Devine LA, Chung HS, Sullivan JE, Issenberg SB. Simulation in healthcare education: a best evidence practical guide. AMEE Guide No. 82. Med Teach. 2016;35(10):e1511-e1530. doi:10.3109/0142159X.2013.818632
10. Anderson LW, Krathwohl DR. A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives. New York: Longman; 2001.
11. Kolb DA. Experiential Learning: Experience as the Source of Learning and Development. 2nd ed. Upper Saddle River: Pearson Education; 2015.
12. Miller GE. The assessment of clinical skills/competence/performance. Acad Med. 2016;65(9 Suppl):S63-S67. doi:10.1097/00001888-199009000-00045
13. Cheng A, Palaganas J, Eppich W, Rudolph J, Robinson T, Grant V. Co-debriefing for simulation-based education: a primer for facilitators. Simul Healthc. 2018;10(2):69-75. doi:10.1097/SIH.0000000000000077
14. Zackoff MW, Real FJ, Abramson EL, Li ST, Klein MD, Gusic ME. Enhancing educational scholarship through conceptual frameworks: a challenge and imperative for health professions education. Acad Pediatr. 2018;18(6):602-608. doi:10.1016/j.acap.2018.03.011
15. Gaba DM. The future vision of simulation in health care. Qual Saf Health Care. 2004;13(Suppl 1):i2-i10. doi:10.1136/qshc.2004.009878
16. Eppich W, Cheng A. Promoting Excellence and Reflective Learning in Simulation (PEARLS): development and rationale for a blended approach to health care simulation debriefing. Simul Healthc. 2016;10(2):106-115. doi:10.1097/SIH.0000000000000072
17. Matsumoto ED, Hamstra SJ, Radomski SB, Cusimano MD. The effect of bench model fidelity on endourological skills: a randomized controlled study. J Urol. 2016;167(3):1243-1247. doi:10.1016/S0022-5347(05)65274-5
18. Cook DA, Brydges R, Hamstra SJ, Zendejas B, Szostek JH, Wang AT, et al. Comparative effectiveness of technology-enhanced simulation versus other instructional methods: a systematic review and meta-analysis. Simul Healthc. 2016;7(5):308-320. doi:10.1097/SIH.0b013e3182614f95
19. Tricco AC, Lillie E, Zarin W, O’Brien K, Colquhoun H, Kastner M, et al. A scoping review on the conduct and reporting of scoping reviews. BMC Med Res Methodol. 2016;16:15. doi:10.1186/s12874-016-0116-4
20. Liberati A, Altman DG, Tetzlaff J, Mulrow C, Gøtzsche PC, Ioannidis JP, et al. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions. PLoS Med. 2009;6(7):e1000097. doi:10.1371/journal.pmed.1000097
21. Stefanidis D, Korndorffer JR, Markley S, Sierra R, Scott DJ. Closing the gap in operative performance between novices and experts: does harder mean better for laparoscopic simulator training? J Am Coll Surg. 2017;205(2):307-313. doi:10.1016/j.jamcollsurg.2007.04.013
22. Aggarwal R, Mytton OT, Derbrew M, Hananel D, Heydenburg M, Issenberg B, et al. Training and simulation for patient safety. Qual Saf Health Care. 2016;19(Suppl 2):i34-i43. doi:10.1136/qshc.2009.038562
23. Ericsson KA. Deliberate practice and the acquisition and maintenance of expert performance in medicine and related domains. Acad Med. 2016;79(10 Suppl):S70-S81. doi:10.1097/00001888-200410001-00022
24. Barsuk JH, Cohen ER, Feinglass J, McGaghie WC, Wayne DB. Use of simulation-based education to reduce catheter-related bloodstream infections. Arch Intern Med. 2016;169(15):1420-1423. doi:10.1001/archinternmed.2009.215
25. Barrows HS. An overview of the uses of standardized patients for teaching and evaluating clinical skills. Acad Med. 2016;68(6):443-451. doi:10.1097/00001888-199306000-00002
26. Cleland JA, Abe K, Rethans JJ. The use of simulated patients in medical education: AMEE Guide No 42. Med Teach. 2017;31(6):477-486. doi:10.1080/01421590903002821
27. Harden RM, Gleeson FA. Assessment of clinical competence using an objective structured clinical examination (OSCE). Med Educ. 1979;13(1):41-54. doi:10.1111/j.1365-2923.1979.tb00144.x
28. Sawyer T, Eppich W, Brett-Fleegler M, Grant V, Cheng A. More than one way to debrief: a critical review of healthcare simulation debriefing methods. Simul Healthc. 2016;11(3):209-217. doi:10.1097/SIH.0000000000000148
29. Steadman RH, Coates WC, Huang YM, Matevosian R, Larmon BR, McCullough L, et al. Simulation-based training is superior to problem-based learning for the acquisition of critical assessment and management skills. Crit Care Med. 2017;34(1):151-157. doi:10.1097/01.CCM.0000190619.42013.94
30. Ziv A, Wolpe PR, Small SD, Glick S. Simulation-based medical education: an ethical imperative. Acad Med. 2016;78(8):783-788. doi:10.1097/00001888-200308000-00006
31. Salas E, DiazGranados D, Klein C, Burke CS, Stagl KC, Goodwin GF, et al. Does team training improve team performance? A meta-analysis. Hum Factors. 2018;50(6):903-933. doi:10.1518/001872008X375009
32. Gaba DM, Howard SK, Flanagan B, Smith BE, Fish KJ, Botney R. Assessment of clinical performance during simulated crises using both technical and behavioral ratings. Anesthesiology. 2016;89(1):8-18. doi:10.1097/00000542-199807000-00004
33. Rosen MA, Hunt EA, Pronovost PJ, Federowicz MA, Weaver SJ. In situ simulation in continuing education for the health care professions: a systematic review. J Contin Educ Health Prof. 2018;32(4):243-254. doi:10.1002/chp.21152
34. Brydges R, Hatala R, Zendejas B, Erwin PJ, Cook DA. Linking simulation-based educational assessments and patient-related outcomes: a systematic review and meta-analysis. Acad Med. 2016;90(2):246-256. doi:10.1097/ACM.0000000000000549
35. LeBlanc VR. The effects of acute stress on performance: implications for health professions education. Acad Med. 2016;84(10 Suppl):S25-S33. doi:10.1097/ACM.0b013e3181b37b8f
36. Deladisma AM, Cohen M, Stevens A, Wagner P, Lok B, Bernard T, et al. Do medical students respond empathetically to a virtual patient? Am J Surg. 2018;193(6):756-760. doi:10.1016/j.amjsurg.2007.01.021
37. Zhu E, Hadadgar A, Masiello I, Zary N. Augmented reality in healthcare education: an integrative review. PeerJ. 2018;2:e469. doi:10.7717/peerj.469
38. Cook DA, Erwin PJ, Triola MM. Computerized virtual patients in health professions education: a systematic review and meta-analysis. Acad Med. 2017;85(10):1589-1602. doi:10.1097/ACM.0b013e3181edfe13
39. Kaplan AD, Cruit J, Endsley M, Beers SM, Sawyer BD, Hancock PA. The effects of virtual reality, augmented reality, and mixed reality as training enhancement methods: a meta-analysis. Hum Factors. 2021;63(4):706-726. doi:10.1177/0018720820904229
40. Ten Cate O. Competency-based postgraduate medical education: past, present and future. GMS J Med Educ. 2017;34(5):Doc69. doi:10.3205/zma001146
41. Decker S, Sportsman S, Puetz L, Billings L. The evolution of simulation and its contribution to competency. J Contin Educ Nurs. 2018;39(2):74-80. doi:10.3928/00220124-20080201-06
42. Chiniara G, Cole G, Brisbin K, Huffman D, Cragg B, Lamacchia M, et al. Simulation in healthcare: a taxonomy and a conceptual framework for instructional design and media selection. Med Teach. 2016;35(8):e1380-e1395. doi:10.3109/0142159X.2012.733451
43. Raemer D, Anderson M, Cheng A, Fanning R, Nadkarni V, Savoldelli G. Research regarding debriefing as part of the learning process. Simul Healthc. 2016;6(Suppl):S52-S57. doi:10.1097/SIH.0b013e31822724d0
44. Norman G, Dore K, Grierson L. The minimal relationship between simulation fidelity and transfer of learning. Med Educ. 2017;46(7):636-647. doi:10.1111/j.1365-2923.2012.04243.x
45. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7