Juegos de razonamiento clínico: qué entrena cada tipo

Un juego de diagnóstico entrena a llegar a la hipótesis; un juego de conducta entrena el paso siguiente, decidir qué hacer con ella. Los dos caben en el estudio del ciclo clínico, pero ejercitan partes diferentes del razonamiento, y saber qué parte entrena cada uno ayuda a elegir dónde poner tu tiempo.

NEXO es un juego diario de diagnóstico médico: un caso clínico por día, seis pistas progresivas y retroalimentación por proximidad en la CIE-10 en cinco niveles.

Este texto organiza los juegos de razonamiento clínico por la etapa de la decisión que ejercitan, resume lo que muestran los estudios publicados con la plataforma Human Dx, explica por qué importan el retorno y la calibración de la confianza y cierra con los límites de la investigación sobre juegos. Los formatos de juego por fase del curso están en juegos para estudiantes de Medicina, la evidencia general sobre gamificación en gamificación en la educación médica y los pacientes virtuales en pacientes virtuales.

Puntos principales

• El razonamiento clínico tiene etapas: recolectar datos, formular hipótesis, elegir la conducta. Cada tipo de juego ejercita más unas que otras.
• Las herramientas de paciente virtual mejoraron con más frecuencia medidas específicas, como recolección de datos, ideas diagnósticas y conducta, que medidas generales de resolución de problemas.
• Los juegos de decisión bajo tiempo ya se probaron en ensayos aleatorizados con médicos de emergencia, con efecto sobre el triaje.
• Los estudios con la plataforma Human Dx muestran que los casos cortos con respuesta abierta sirven para medir el desempeño diagnóstico y que los diagnósticos combinados de varios participantes aciertan más.
• La confianza y el acierto van poco juntos; el retorno inmediato es lo que permite ajustar una al otro.
• La investigación sobre juegos todavía tiene pocos ensayos, desenlaces heterogéneos y muchas medidas sin validación.

Sumario

• Las etapas de la decisión clínica
• Los tipos de juego por la etapa que entrenan
• Lo que muestran los datos de Human Dx
• Retorno y calibración
• Límites de los estudios sobre juegos
• Cómo combinar los tipos
• Preguntas frecuentes
• Checklist para elegir un juego de razonamiento

Las etapas de la decisión clínica

El razonamiento clínico no es una habilidad única. Una revisión de alcance sobre métodos de evaluación del razonamiento clínico, con 377 artículos, concluyó que hay muchos métodos y que cada uno se alinea con componentes diferentes de ese constructo complejo (Daniel et al., 2019). Los autores recomiendan programas de evaluación que combinen métodos complementarios para cubrir todos los componentes (Daniel et al., 2019).

Lo mismo vale para el entrenamiento. Si evaluar exige varios métodos, entrenar también pide más de un formato. Un juego puede ser óptimo para una etapa y no haber sido hecho para otra, y eso no es un defecto: es foco.

Recolectar datos

La primera etapa es decidir qué preguntar, qué examinar y qué información buscar. Aparece con fuerza en los pacientes virtuales, en los que eliges las preguntas y el caso responde. La revisión sobre herramientas de paciente virtual encontró mejora más consistente en medidas específicas del caso, como la recolección de datos, que en medidas generales (Plackett et al., 2022).

Formular hipótesis

La segunda etapa es pasar de los hallazgos a las hipótesis y ordenarlas. Es la etapa del diagnóstico diferencial, tratada en detalle en el texto sobre diagnóstico diferencial con pistas. Los juegos de diagnóstico, en los que el caso llega poco a poco y necesitas nombrar el cuadro, concentran el entrenamiento aquí.

Decidir la conducta

La tercera etapa es decidir qué hacer: tratar, observar, derivar, trasladar. Los "key features" de un problema clínico, usados en exámenes de decisión clínica, se definieron como los pasos críticos en la identificación y el manejo de ese problema (Bordage et al., 1995). En la validación hecha para el examen nacional canadiense, médicos de fuera del comité confirmaron 92% de esos pasos críticos en el estudio retrospectivo y 94% en el prospectivo (Bordage et al., 1995).

Interpretar datos bajo incertidumbre

Una cuarta habilidad atraviesa las otras: interpretar un dato nuevo cuando el cuadro todavía es ambiguo. El test de concordancia de scripts se creó para medir exactamente eso, y la revisión de sus evidencias de validez apoya el uso para evaluar la interpretación de datos clínicos bajo incertidumbre (Lubarsky et al., 2011). Cómo se relaciona ese formato con la probabilidad antes y después de un examen está en el texto sobre probabilidad pretest.

Los tipos de juego según la etapa que entrenan

El texto sobre juegos para estudiantes de Medicina separa los juegos por formato. Aquí el recorte es otro: qué decisión pide el juego que tomes y qué muestran los estudios sobre esa decisión.

Juegos de hipótesis

Son los juegos en que el caso llega por partes y la tarea es llegar al diagnóstico. Entrenan el paso de los hallazgos a la hipótesis y la revisión de la hipótesis con cada información nueva. Presentar el caso poco a poco, en pistas seriadas, es la forma más usada de enseñar razonamiento clínico, tal vez porque imita directamente la actividad diagnóstica de los médicos (Schmidt y Mamede, 2015).

El punto fuerte es la repetición: los casos cortos permiten ver muchas presentaciones en poco tiempo, y la retroalimentación llega justo después de la hipótesis. El texto sobre razonamiento clínico muestra cómo esa repetición ayuda a armar los guiones de enfermedad.

Juegos de recolección de datos y conducta

Son los pacientes virtuales en que eliges preguntas, exámenes y conductas, y el caso responde a las elecciones. En la revisión de 19 estudios con estudiantes de grado, los análisis de recolección de datos, ideas diagnósticas y conducta mostraron mejora en el 72% de las veces, frente al 43% en los de aplicación de conocimiento, flexibilidad de pensamiento y resolución de problemas (Plackett et al., 2022). Los autores sugieren que las medidas específicas del caso pueden ser más sensibles al cambio, dado que el razonamiento clínico depende mucho del contexto (Plackett et al., 2022).

Los tipos, la evidencia y el diseño de los pacientes virtuales están en pacientes virtuales; aquí basta con retener que son el formato más estudiado para la etapa de la conducta.

Juegos de decisión bajo tiempo

Un grupo de investigación desarrolló juegos serios para entrenar el triaje de pacientes con trauma en hospitales sin centro de trauma. En el primer ensayo, con 320 médicos, quienes jugaron uno de los dos juegos dejaron menos pacientes graves sin traslado en una simulación validada, con diferencias de 18 y 17 puntos porcentuales respecto al control (Mohan et al., 2018). El material educativo en texto, en el mismo ensayo, no tuvo efecto significativo (Mohan et al., 2018).

Los dos juegos incluían retroalimentación sobre los errores diagnósticos, explicando el origen y las consecuencias de cada uno (Mohan et al., 2018). En un ensayo aleatorizado mayor, con 800 médicos de urgencias, el entrenamiento con el juego redujo la proporción de personas mayores con trauma grave que no fueron trasladadas: 49% frente al 57% en el grupo de educación habitual, diferencia ajustada de 7 puntos porcentuales (Mohan et al., 2026).

Es uno de los pocos ejemplos de juego probado con un desenlace medido en las atenciones del año siguiente, y no solo en un examen (Mohan et al., 2026). Estos juegos son para médicos formados, pero muestran que decisiones de conducta específicas también se pueden entrenar con juegos.

Juegos de interpretación bajo incertidumbre

Algunos formatos presentan un caso, una hipótesis y un dato nuevo, y preguntan si el dato hace que la hipótesis sea más o menos probable. Es la lógica del test de concordancia de guiones, cuyas puntuaciones se correlacionan poco con pruebas de conocimiento factual puro (Lubarsky et al., 2011). Esto sugiere que el formato mide algo más allá de la memoria de hechos, lo que lo convierte en un buen complemento para quien ya estudia con preguntas.

Plataformas de casos con respuesta abierta

Hay además plataformas en que lees un caso corto y escribes, sin alternativas, una lista ordenada de diagnósticos. Human Dx es la más estudiada de este tipo, y dos estudios publicados con sus datos están en la próxima sección.

Los tipos lado a lado

Tipo de juego	Etapa que más entrena	Qué muestran los estudios
Hipótesis con pistas	Formular y revisar hipótesis	Formato más usado en la enseñanza del razonamiento (Schmidt y Mamede, 2015)
Paciente virtual con elecciones	Recolección de datos y conducta	Mejora más frecuente en medidas específicas del caso (Plackett et al., 2022)
Decisión bajo tiempo	Conducta específica, como el triaje	Ensayos aleatorizados con médicos de urgencias (Mohan et al., 2018; Mohan et al., 2026)
Interpretación bajo incertidumbre	Peso de un dato nuevo	Validez respaldada para medir la interpretación bajo incertidumbre (Lubarsky et al., 2011)
Casos con respuesta abierta	Lista diagnóstica sin alternativas	Validados como medida de desempeño diagnóstico (Chatterjee et al., 2019)

La columna "etapa que más entrena" es orientación editorial; la tercera columna resume las fuentes citadas.

Qué muestran los datos de Human Dx

Dos estudios publicados en JAMA Network Open en 2019 usaron datos de la plataforma Human Dx (Chatterjee et al., 2019; Barnett et al., 2019). Los números que aparecen a continuación provienen solo de esos artículos.

Medir el desempeño diagnóstico

El primer estudio analizó 11.023 intentos de resolver simulaciones de casos cortos y abiertos, hechos por 1.738 médicos graduados, residentes y estudiantes en Estados Unidos (Chatterjee et al., 2019). El objetivo era validar un método automatizado para medir el desempeño diagnóstico, con tres medidas: exactitud, eficiencia y una puntuación combinada (Chatterjee et al., 2019).

Los médicos graduados tuvieron una exactitud media mayor que los estudiantes, con una diferencia de 8,1 puntos en la escala del estudio (Chatterjee et al., 2019). También fueron más eficientes que los residentes, los internos y los estudiantes (Chatterjee et al., 2019). Los autores concluyen que el desempeño diagnóstico es mayor en quienes tienen más formación y que la puntuación puede ser una medida válida, con retorno inmediato al usuario (Chatterjee et al., 2019).

Un punto importante para quien lee ese estudio: valida una forma de medir, y no prueba si jugar mejora el desempeño. Los casos cortos con respuesta abierta ya se usaron para medir el desempeño diagnóstico; el efecto de entrenamiento es otra pregunta.

Varios diagnósticos juntos

El segundo estudio usó datos de 2.069 usuarios, entre residentes, médicos graduados y estudiantes, que resolvieron casos estructurados enviados por otros usuarios (Barnett et al., 2019). La exactitud, definida como el diagnóstico correcto entre los tres primeros de la lista, fue de 62,5% para médicos individuales y llegó a 85,6% en grupos de nueve (Barnett et al., 2019).

Los grupos de dos a nueve participantes, con una exactitud de 77,7% a 85,5%, superaron a los especialistas individuales que resolvían casos de su propia subespecialidad, que acertaron 66,3% (Barnett et al., 2019). La ganancia varió según el motivo de consulta, de 17,3 puntos porcentuales en el dolor abdominal a 29,8 en la fiebre (Barnett et al., 2019). Los autores piden nuevos estudios en el contexto clínico (Barnett et al., 2019).

Qué le dice esto a quien estudia

El estudio de grupos habla de inteligencia colectiva aplicada al diagnóstico, y no de aprendizaje (Barnett et al., 2019). Para el estudiante, la lección práctica es modesta y útil: comparar tu lista con la de otras personas que resolvieron el mismo caso muestra hipótesis que no consideraste. Discutir el caso con el grupo es la versión de aula de esa idea.

Retorno y calibración

La calibración es la relación entre cuánto aciertas y cuánto crees que aciertas. Un estudio con médicos de medicina general la definió justamente así, como la relación entre la exactitud diagnóstica y la confianza en esa exactitud (Meyer et al., 2013).

Confianza y acierto van poco juntos

En ese estudio, 118 médicos acertaron 55,3% de los casos más fáciles y 5,8% de los más difíciles (Meyer et al., 2013). La confianza, sin embargo, cambió poco: 7,2 contra 6,4 en una escala de 0 a 10 (Meyer et al., 2013). Más confianza se asoció con menos pedidos de exámenes adicionales, y los autores advierten que ese desajuste puede impedir la revisión de casos difíciles (Meyer et al., 2013).

En un estudio anterior, con 72 estudiantes, 72 residentes y 72 profesores de clínica médica, la confianza y el acierto estuvieron solo levemente alineados (Friedman et al., 2005). Cuando no estaban alineados, los residentes fueron excesivamente confiados en 41% de los casos, los profesores en 36% y los estudiantes en 25% (Friedman et al., 2005).

Exceso de confianza y error

Una revisión sobre el tema sostiene que los médicos en general subestiman la probabilidad de que su propio diagnóstico esté equivocado y que esa tendencia al exceso de confianza tiene factores individuales y factores reforzados por el sistema (Berner y Graber, 2008). Parte del problema es que, en la práctica, el retorno sobre el diagnóstico muchas veces no llega.

Una revisión reciente con especialistas en razonamiento clínico recuerda que muchos errores diagnósticos pasan desapercibidos para los propios médicos, a menos que causen un daño relevante (Bradford et al., 2026). Los especialistas consultados describieron la calibración como algo que oscila y depende del contexto, y recomendaron medirla también en decisiones intermedias, antes del diagnóstico final (Bradford et al., 2026).

Por qué el retorno es el centro del juego

En la educación en general, el retorno está entre las influencias más fuertes sobre el aprendizaje, pero el efecto puede ser positivo o negativo, según el tipo de retorno y la forma de darlo (Hattie y Timperley, 2007). Los autores también discuten el momento del retorno como una de las cuestiones que pesan en el efecto (Hattie y Timperley, 2007).

Los juegos de razonamiento tienen una ventaja natural aquí: cada caso termina con una respuesta, y el retorno llega en el momento. En un estudio piloto con 72 médicos de urgencias, las sesiones de juego acompañadas por especialistas que daban retorno inmediato y personalizado sobre el razonamiento fueron descritas como divertidas y valiosas por el 93% de los participantes del grupo de intervención (Mohan et al., 2023).

Cómo entrenar la calibración

Una forma simple, como orientación editorial: antes de ver la respuesta de cada caso, anota la hipótesis y tu confianza en ella, de 0 a 10. Después de algunos casos, compara. Si la confianza fue alta en los errores, conviene desacelerar en los casos en que todo parece obvio. Si fue baja en los aciertos, conviene confiar un poco más en los patrones que ya dominas. Con el registro, el retorno de cada caso se convierte en aprendizaje sobre tu propia manera de equivocarte.

Límites de los estudios sobre juegos

La investigación sobre juegos en la enseñanza de la salud creció, pero todavía tiene lagunas que valen para todos los formatos.

Pocos ensayos y desenlaces variados

La revisión Cochrane sobre juegos educativos para profesionales de la salud, con búsqueda hasta enero de 2012, incluyó solo dos ensayos aleatorizados (Akl et al., 2013). Una revisión sistemática posterior, con búsqueda hasta agosto de 2017, reunió 30 ensayos con 3.634 participantes y no hizo metaanálisis por la heterogeneidad de poblaciones, intervenciones y desenlaces (Gentry et al., 2019). La misma revisión concluyó que no había evidencia suficiente para decir si un tipo de juego es más eficaz que otro (Gentry et al., 2019). El panorama general de estas revisiones está en el texto sobre gamificación en la educación médica.

Formatos poco comparados entre sí

En la revisión narrativa sobre la enseñanza del razonamiento clínico, solo 24 de los 48 artículos traían datos empíricos (Schmidt y Mamede, 2015). Los autores registran que todavía faltan estudios sobre la eficacia del formato de pistas seriadas, que hay alguna evidencia a favor del caso completo orientado al conocimiento y que los enfoques centrados en enseñar "una manera de pensar" se mostraron en gran parte ineficaces (Schmidt y Mamede, 2015). Ellos proponen que los estudiantes en fases diferentes de la formación se beneficien de enfoques diferentes (Schmidt y Mamede, 2015).

Medidas sin validación

En la revisión sobre pacientes virtuales y razonamiento clínico, el 42% de los estudios no reportaron ninguna medida de validez o confiabilidad del desenlace de razonamiento (Plackett et al., 2022). Incluso los formatos de evaluación bien estudiados tienen lagunas: en la prueba de concordancia de guiones, las evidencias sobre el proceso de respuesta y sobre las consecuencias educativas todavía son débiles (Lubarsky et al., 2011).

Medir no es entrenar

Los estudios con datos de Human Dx validaron una medida de desempeño (Chatterjee et al., 2019) y probaron la combinación de diagnósticos (Barnett et al., 2019). Ninguno de los dos fue diseñado para medir cuánto aprende alguien jugando. Esa diferencia vale para leer cualquier estudio sobre juegos: preguntar si el desenlace es el desempeño en el propio juego, en un examen o en la práctica.

Los efectos en la práctica todavía son raros

El ensayo de triaje con 800 médicos es una excepción, e incluso en él el efecto apareció en la falta de transferencia de pacientes graves, sin diferencia en la transferencia excesiva ni en el desenlace combinado de mortalidad o readmisión en 30 días (Mohan et al., 2026). Resultados así muestran el camino y también cuánto falta todavía por medir.

Cómo puede avanzar la investigación

Los vacíos apuntan a preguntas claras: comparar formatos entre sí, usar medidas validadas, seguir el desempeño meses después y, cuando sea posible, medir decisiones en la práctica. Los investigadores de educación médica que quieran estudiar el entrenamiento con casos en pistas pueden conocer el NEXO Researcher. Si coordinas una facultad, liga o residencia y quieres usar casos así en la enseñanza y seguir el resultado del grupo, conoce el NEXO Closer. Los médicos que quieran repasar casos pueden conocer el NEXO Curator, y quienes producen contenido de Medicina, el NEXO Creators.

Cómo combinar los tipos

Cada formato cubre parte de las etapas, y la revisión sobre métodos de evaluación recomienda justamente combinar métodos complementarios (Daniel et al., 2019). Un guion posible, como orientación editorial:

1. Hipótesis todos los días: un caso corto de diagnóstico, con hipótesis y confianza anotadas antes de la respuesta.
2. Conducta algunas veces por semana: un paciente virtual o una discusión de caso en la que tengas que decidir qué hacer.
3. Interpretación de datos: preguntas que pidan el peso de un hallazgo nuevo sobre una hipótesis.
4. Revisión con el grupo: comparar listas de hipótesis del mismo caso y discutir las diferencias.
5. Registro de los errores: guardar el hallazgo que separó la enfermedad correcta de la que elegiste.

Orientación editorial; ajústala a la fase del curso y al estadio en que estás.

Errores comunes al entrenar con juegos

Algunos hábitos reducen lo que un juego puede enseñar. Los puntos de abajo son orientación editorial, ligados a las fuentes cuando hay una.

• Mirar solo el marcador: el acierto del día dice poco; lo que enseña es entender por qué la hipótesis equivocada pareció correcta. El efecto de la retroalimentación depende del tipo de retroalimentación y de cómo se usa (Hattie y Timperley, 2007).
• Entrenar siempre la misma etapa: quien solo hace casos de diagnóstico entrena poco la conducta, y lo contrario también vale. Cada método cubre partes diferentes del razonamiento (Daniel et al., 2019).
• Ignorar la propia confianza: sin anotar cuánto confiabas, la retroalimentación no ayuda a calibrar. Confianza y acierto suelen ir poco juntos (Meyer et al., 2013).
• Jugar demasiado rápido en los casos difíciles: la prisa ayuda a entrenar patrones, pero los casos en que fallaste merecen una segunda lectura, hallazgo por hallazgo.
• Leer la medida como aprendizaje: ir bien en un juego muestra desempeño en ese formato; la prueba real es el razonamiento ante el paciente, con supervisión.

Entrenar la hipótesis en NEXO

En NEXO, cada caso llega en hasta seis pistas y la tarea es llegar al diagnóstico, lo que concentra el entrenamiento en la etapa de formular y revisar hipótesis. Cada hipótesis muestra la proximidad en la CIE-10 en cinco niveles, una retroalimentación inmediata que dice si estás en el grupo correcto de enfermedades y cuán lejos quedaste. En la tercera pista aparece el área del caso y, en la quinta, la franja de la CIE; puedes saltar una pista cuando quieras avanzar.

Esa retroalimentación es un buen material para entrenar la calibración: anota la confianza antes de cada hipótesis y compárala con la proximidad que muestra el juego. El Diario trae un caso por día, el mismo para todo el mundo, lo que permite comparar listas con el grupo, como en el estudio de diagnósticos combinados. El Archivo reúne los casos anteriores, el Multimedia trae casos con imagen y audio, el modo Continentes, casos ligados a África, Américas, Asia, Europa y Oceanía, y el modo Adrenalina, con la dosis elegida antes, entrena la hipótesis con tiempo.

El botón de Anki crea la tarjeta directo desde NEXO y la abre en la app de Anki, busca las tarjetas que ya tienes y, cuando el caso tiene imagen, lleva la imagen a la tarjeta. El ranking tiene las pestañas Global, Universidades y Grupo, esta con código de invitación. Para entender los límites de cada modo, ve la página de economía de NEXO, y para conocer el juego, lee qué es NEXO.

Preguntas frecuentes

¿Qué son los juegos de razonamiento clínico?

Son juegos con casos clínicos en los que tienes que tomar una decisión de razonamiento: formular una hipótesis, elegir qué dato buscar, decidir una conducta o interpretar una información nueva. Cada tipo concentra el entrenamiento en una de esas etapas.

¿Funcionan los juegos de razonamiento clínico?

Hay resultados positivos, sobre todo en medidas específicas del caso, como recolección de datos, ideas diagnósticas y conducta (Plackett et al., 2022). Las revisiones todavía no permiten decir qué tipo de juego es más eficaz (Gentry et al., 2019).

¿Cuál es la diferencia entre un juego de diagnóstico y un juego de conducta?

El juego de diagnóstico entrena llegar a la hipótesis a partir de los hallazgos. El juego de conducta entrena el paso siguiente, decidir qué hacer, como en los pacientes virtuales con elecciones y en los juegos de triaje probados con médicos de urgencias (Mohan et al., 2026).

¿Qué es Human Dx y qué mostraron los estudios?

Es una plataforma en línea de casos cortos con respuesta abierta. Estudios con sus datos mostraron que la puntuación puede medir el desempeño diagnóstico (Chatterjee et al., 2019) y que las listas combinadas de varios participantes acertaron más que las individuales, de 62,5% a 85,6% (Barnett et al., 2019).

¿Qué es la calibración diagnóstica?

Es la relación entre cuánto aciertas y cuánto confías en el acierto (Meyer et al., 2013). Médicos y estudiantes suelen tener una confianza poco alineada con el acierto (Friedman et al., 2005), y el retorno de cada caso ayuda a ajustar una con la otra.

¿Cómo ayuda NEXO a entrenar el razonamiento clínico?

Cada caso llega en hasta seis pistas, y la hipótesis muestra la proximidad en la CIE-10, lo que concentra el entrenamiento en la formulación y la revisión de hipótesis, con retorno inmediato. El caso diario, el mismo para todos, permite comparar el razonamiento con el grupo.

¿Qué tipo de juego usar en el internado?

En el internado, la etapa de la conducta pesa más, porque pasas a decidir qué hacer con la hipótesis. Vale la pena mantener el entrenamiento diario de hipótesis y sumar casos en los que sea necesario elegir la conducta, como pacientes virtuales con elecciones y discusiones con el tutor. La combinación sigue la recomendación de usar métodos complementarios (Daniel et al., 2019).

¿Los juegos sustituyen el internado?

Complementan el internado: amplían el número de casos que ves y dan retorno rápido, mientras el contacto con el paciente, la supervisión y la discusión con el tutor siguen en el centro de la formación. El texto sobre razonamiento clínico muestra cómo juntar las dos cosas.

Lista de verificación para elegir un juego de razonamiento

1. Qué etapa entrena el juego: ¿hipótesis, recolección de datos, conducta o interpretación?
2. ¿El retorno es inmediato y explica el error?
3. ¿La respuesta es abierta o solo de opción múltiple?
4. ¿Se puede registrar la confianza antes de la respuesta?
5. ¿Los casos son revisados por quien entiende del tema?
6. ¿Hay casos suficientes para repetir la misma etapa muchas veces?
7. ¿Se puede comparar el razonamiento con el grupo?
8. ¿El juego cabe en la rutina sin quitar el tiempo del internado y de las preguntas?
9. ¿Existe un estudio publicado sobre el formato, y el desenlace es aprendizaje o solo medida?
10. ¿Combinas formatos para cubrir las otras etapas?

¿Quieres entrenar hoy? Juega el caso del día en NEXO.

Referencias

1. Daniel M, Rencic J, Durning SJ, et al. Clinical Reasoning Assessment Methods: A Scoping Review and Practical Guidance. Acad Med. 2019. https://pubmed.ncbi.nlm.nih.gov/30720527/
2. Plackett R, Kassianos AP, Mylan S, et al. The effectiveness of using virtual patient educational tools to improve medical students' clinical reasoning skills: a systematic review. BMC Med Educ. 2022. https://pubmed.ncbi.nlm.nih.gov/35550085/
3. Bordage G, Brailovsky C, Carretier H, Page G. Content validation of key features on a national examination of clinical decision-making skills. Acad Med. 1995. https://pubmed.ncbi.nlm.nih.gov/7718059/
4. Lubarsky S, Charlin B, Cook DA, et al. Script concordance testing: a review of published validity evidence. Med Educ. 2011. https://pubmed.ncbi.nlm.nih.gov/21401680/
5. Schmidt HG, Mamede S. How to improve the teaching of clinical reasoning: a narrative review and a proposal. Med Educ. 2015. https://pubmed.ncbi.nlm.nih.gov/26383068/
6. Mohan D, Fischhoff B, Angus DC, et al. Serious games may improve physician heuristics in trauma triage. Proc Natl Acad Sci U S A. 2018. https://pubmed.ncbi.nlm.nih.gov/30150397/
7. Mohan D, Chang CH, Fischhoff B, et al. Using Serious Games to Increase the Implementation of Trauma Triage Guidelines: A Randomized Clinical Trial. JAMA. 2026. https://pubmed.ncbi.nlm.nih.gov/42008277/
8. Chatterjee S, Desai S, Manesh R, et al. Assessment of a Simulated Case-Based Measurement of Physician Diagnostic Performance. JAMA Netw Open. 2019. https://pubmed.ncbi.nlm.nih.gov/30646211/
9. Barnett ML, Boddupalli D, Nundy S, et al. Comparative Accuracy of Diagnosis by Collective Intelligence of Multiple Physicians vs Individual Physicians. JAMA Netw Open. 2019. https://pubmed.ncbi.nlm.nih.gov/30821822/
10. Meyer AN, Payne VL, Meeks DW, et al. Physicians' diagnostic accuracy, confidence, and resource requests: a vignette study. JAMA Intern Med. 2013. https://pubmed.ncbi.nlm.nih.gov/23979070/
11. Friedman CP, Gatti GG, Franz TM, et al. Do physicians know when their diagnoses are correct? Implications for decision support and error reduction. J Gen Intern Med. 2005. https://pubmed.ncbi.nlm.nih.gov/15857490/
12. Berner ES, Graber ML. Overconfidence as a cause of diagnostic error in medicine. Am J Med. 2008. https://pubmed.ncbi.nlm.nih.gov/18440350/
13. Bradford A, Shahid U, Cholankeril R, et al. Methods to measure clinicians' diagnostic calibration: an appraisal for real world application. Diagnosis (Berl). 2026. https://pubmed.ncbi.nlm.nih.gov/42678279/
14. Hattie J, Timperley H. The Power of Feedback. Rev Educ Res. 2007. https://doi.org/10.3102/003465430298487
15. Mohan D, Elmer J, Arnold RM, et al. Testing a Novel Deliberate Practice Intervention to Improve Diagnostic Reasoning in Trauma Triage: A Pilot Randomized Clinical Trial. JAMA Netw Open. 2023. https://pubmed.ncbi.nlm.nih.gov/37195666/
16. Akl EA, Kairouz VF, Sackett KM, et al. Educational games for health professionals. Cochrane Database Syst Rev. 2013. https://pubmed.ncbi.nlm.nih.gov/23543543/
17. Gentry SV, Gauthier A, L'Estrade Ehrstrom B, et al. Serious Gaming and Gamification Education in Health Professions: Systematic Review. J Med Internet Res. 2019. https://pubmed.ncbi.nlm.nih.gov/30920375/