Médicos de Latinoamérica fueron asignados al azar para responder cuatro casos clínicos simulados, cada uno con cuatro preguntas abiertas, con el apoyo de un sistema de IA conversacional con evidencia trazable o con su forma habitual de buscar información. Dos especialistas ciegos por área calificaron cada respuesta con una rúbrica de seis dimensiones, y el desenlace principal fue un puntaje compuesto de validez por médico. De 202 médicos que empezaron, 71 completaron el ejercicio y fueron analizados (26 con apoyo y 45 con práctica habitual), para un total de 1,136 respuestas.
Los médicos con apoyo obtuvieron puntajes más altos, con una mediana de 2.83 frente a 2.46 sobre 3 (diferencia 0.38; IC 95% 0.17 a 0.54; P < .001), y tuvieron más probabilidad de alcanzar el umbral de validez tras ajustar por título académico (odds ratio 3.61; IC 95% 1.16 a 11.17). El efecto se mantuvo en los cuatro criterios con mayor concordancia entre evaluadores, pero no en la exactitud por sí sola, que un evaluador externo también encontró no significativa; el tiempo de respuesta y las búsquedas no difirieron, y la aceptabilidad fue alta (2.92 de 3). La muestra está formada por voluntarios que terminaron el ejercicio, por lo que los autores consideran los hallazgos exploratorios; es un preprint aún sin revisión por pares.
