Abres ChatGPT y escribes una pregunta:
"Tengo muchos datos faltantes en mi estudio. ¿Cómo debo manejarlos?"
La IA responde con cinco o seis párrafos sobre imputación por la media, imputación múltiple, análisis de casos completos… menciona cada método, pero no explica ninguno bien. Después de leerlo todo, sigues sin saber qué enfoque es adecuado para tus datos.
El problema no es que la IA sea poco inteligente. La forma en que hiciste la pregunta hizo inevitable este resultado desde el principio.
Tres fallos fatales de las preguntas improvisadas
Fallo 1: La IA no sabe quién eres
"¿Cómo manejo los datos faltantes?" puede preguntarlo un estudiante de secundaria, un científico de datos o un investigador clínico. Pero los tres necesitan respuestas completamente diferentes.
Sin conocer tu perfil, la IA elige la opción más "segura": una respuesta genérica que cubre todo y no ayuda a nadie.
Compara esto: añade una definición de rol y la conversación cambia por completo:
"Eres un bioestadístico con 10 años de experiencia en investigación clínica. Soy un médico residente que acaba de empezar un estudio de cohortes…"
La IA sabe inmediatamente qué tono, qué profundidad y qué terminología usar.
Fallo 2: La IA no conoce tu situación específica
La respuesta correcta a un problema de datos faltantes depende de muchos detalles:
- ¿Qué variable falta? ¿Continua o binaria?
- ¿Qué porcentaje falta? ¿5 % o 30 %?
- ¿La ausencia es aleatoria (MAR) o no aleatoria (MNAR)?
- ¿Qué software estadístico usas?
Tú tienes toda esta información en la cabeza, pero no se la diste a la IA. Ella rellena los huecos con suposiciones, y esas suposiciones suelen ser erróneas.
El resultado: una respuesta que parece exhaustiva pero que no tiene nada que ver con tu estudio real.
Fallo 3: No especificaste el formato de salida
La misma pregunta puede ser respondida como:
- Un artículo de divulgación científica
- Una lista de pasos procedimentales
- Un párrafo listo para pegar en tu sección de Métodos
- Una tabla comparando los pros y contras de cada enfoque
¿Cuál necesitabas? No lo dijiste, así que la IA decide por ti—generalmente en el formato que le parece más "natural", no en el que tú puedes usar realmente.
Una comparación real
Aquí hay dos formas de preguntar lo mismo: construir una pregunta de investigación PICO.
Enfoque A (improvisado):
"Ayúdame a escribir una pregunta de investigación PICO sobre el tratamiento farmacológico de la diabetes tipo 2."
La IA devuelve típicamente un ejemplo genérico sin ninguna relación con tu estudio concreto.
Enfoque B (estructurado):
"Eres un epidemiólogo clínico con experiencia en guiar a residentes en el diseño de estudios observacionales.
Estoy diseñando un estudio de cohortes retrospectivo con pacientes con diabetes tipo 2 de 18 a 65 años atendidos en un hospital comunitario. Quiero comparar el efecto de los inhibidores de SGLT-2 frente a los inhibidores de DPP-4 en eventos cardiovasculares adversos mayores (MACE) durante 3 años de seguimiento. Se han excluido los pacientes con insuficiencia cardíaca basal.
Por favor:
- Construye un marco PICO completo (cada elemento listado por separado)
- Identifica posibles variables de confusión en esta pregunta de investigación
- Sugiere 3–5 combinaciones de términos de búsqueda para PubMed
Idioma de salida: Español"
El enfoque B produce contenido que puedes insertar directamente en tu propuesta de investigación.
Los tres elementos de un prompt médico estructurado
Todo prompt efectivo para investigación médica contiene tres componentes esenciales:
| Elemento | Propósito | Ejemplo |
|---|---|---|
| Definición de rol | Indica a la IA desde qué perfil profesional debe razonar | "Como bioestadístico con experiencia en ensayos clínicos" |
| Contexto de investigación | Proporciona suficiente detalle para que la IA entienda tu situación específica | Diseño del estudio, muestra, variables, condiciones conocidas |
| Especificación de salida | Define la estructura y el formato de la respuesta | "Lista en formato PICO, incluye términos MeSH" |
Los tres son imprescindibles. Sin rol, la respuesta es demasiado genérica. Sin contexto, la respuesta es irrelevante para tu estudio. Sin especificación de salida, recibes un formato que no puedes usar.
Por qué escribir prompts desde cero rara vez funciona
El principio es claro, pero la mayoría de los investigadores no pueden sostenerlo en la práctica:
- Demasiado tiempo escribir desde cero: Un prompt bien estructurado requiere 10–15 minutos
- No está claro qué contexto incluir: Diferentes tareas de investigación requieren información de fondo completamente diferente
- Fácil omitir restricciones importantes: Olvidar decirle a la IA "no recomiendes regresión por pasos" lleva a recomendaciones estadísticamente cuestionables
- Sin conocimiento de los patrones de fallo del dominio: Por ejemplo, la imputación por media en variables binarias es una trampa conocida, pero solo si ya la has experimentado
Estos problemas no pueden resolverse con preguntas improvisadas.
Un enfoque mejor
Para cada tarea habitual en el flujo de trabajo de investigación médica, existen plantillas de prompts estructurados y optimizados. Estas plantillas ya incluyen:
- Definición de rol apropiada y marco profesional
- Preguntas clave de recopilación de información para esa tarea específica
- Salvaguardas que previenen errores comunes de la IA
- Formatos de salida estandarizados
Solo tienes que rellenar los detalles de tu investigación—diseño, variables, tamaño de muestra—y copiar el prompt generado en cualquier herramienta de IA que prefieras.
Las plantillas cubren todo el pipeline de investigación: revisión de literatura, construcción del PICO, selección de métodos estadísticos, edición de manuscritos y generación de resúmenes.
Las plantillas gratuitas están listas para usar sin necesidad de registro.
Prueba el Constructor de Preguntas PICO → · Ver todas las plantillas de prompts →