Editorial  
1
Rev Argent Cir. 2026;118(2):e-ededc- hꢂp://dx.doi.org/10.25132/raac.v118.n2.ededc  
La importancia de saber preguntar: ingeniería de prompts y modelos  
de lenguaje en la consulta médica  
The importance of asking the right quesꢀons: prompt engineering and language models in clinical  
pracꢀce  
Enrique Díaz Cantón*  
La incorporación de los grandes modelos de exacꢀtud, y por eso revistas de referencia ya publican  
lenguaje (LLM) a la prácꢀca clínica ha sido verꢀginosa: recomendaciones formales sobre cómo redactar con-  
5
en pocos meses, pacientes y profesionales comenzaron signas clínicas .  
a consultarlos a diario para informarse, redactar y razo-  
nar sobre problemas médicos. El trabajo Chatbots ba-  
sados en inteligencia arꢀꢁcial: la importancia de saber ¿Qué modelos conviene usar en medicina?  
1
preguntar pone el dedo en una verdad frecuentemen-  
te soslayada: la calidad de la respuesta es función de la  
La progresión de los modelos en los bancos de  
®
calidad de la pregunta. Lejos de ser un detalle técnico, prueba médicos ha sido notable. Med-PaLM 2 alcanzó  
esta dependencia ꢀene consecuencias clínicas directas. alrededor del 86,5% en MedQA, un conjunto de pre-  
Que el resultado varíe según cómo se formula guntas con formato USMLE , y Med-Gemini elevó el es-  
la consulta no es una intuición, sino un hallazgo repro- tado del arte al 91,1% en 2024 . Conviene, sin embargo,  
6
®
7
ducible. El estudio de Chen y cols. en JAMA Oncology una advertencia: el desempeño en exámenes de opción  
mostró que, ante un mismo escenario clínico planteado múlꢀple no equivale a competencia clínica. Las prime-  
®
con cuatro variantes de redacción, ChatGPT modifica- ras versiones apenas rozaban el umbral de aprobación  
8
ba sus recomendaciones de tratamiento. El 98% de las del USMLE , y, como vimos, el mismo ecosistema que  
respuestas contenía al menos una opción concordante sobresale respondiendo preguntas cerradas produce  
con las guías NCCN, pero el 34,3% incluía, además, al- un tercio de recomendaciones no concordantes cuan-  
2
guna recomendación no concordante y el 12,5 % cons- do se lo interroga sobre tratamiento abierto . La tabla  
ꢀ
tuía verdaderas “alucinaciones” ‒terapias inexistentes 1 sinteꢀza, con la prudencia debida, esta evidencia he-  
o curaꢀvas para enfermedad incurable‒, mezcladas en- terogénea.  
tre consejos por lo demás sensatos y, por ello, diꢁciles  
2
de detectar . La formulación de la pregunta, en suma,  
■
TABLA 1  
se comporta como una variable clínica más.  
Desempeño de modelos de lenguaje (de generaciones anteriores)  
en bancos de prueba médicos seleccionados  
Modelo  
Ingeniería de prompts: una nueva competencia clínica  
Banco de prueba  
Resultado  
Fuente  
[8]  
(
desarrollador)  
GPT-3.5  
USMLE  
Desempeño cercano al  
umbral de aprobación  
La ingeniería de prompts es el conjunto de  
técnicas que orientan a un modelo hacia respuestas  
precisas y verificables. Las más estudiadas incluyen  
el zero-shot (instrucción directa), el few-shot (aportar  
ejemplos resueltos), la asignación de rol, el anclaje con  
contexto o guías ‒incluida la generación aumentada  
por recuperación‒y, especialmente, el razonamiento  
encadenado o chain-of-thought, que solicita al modelo  
®
(
OpenAI)  
(Pasos 1-3)  
9
8% con ≥ 1  
Concordancia con  
guías NCCN en  
opción concordante;  
GPT-3.5  
OpenAI)  
®
3
4,3% con ≥ 1 no  
[2]  
(
oncología (mama,  
próstata, pulmón)  
concordante;  
2,5 % “alucinaciones”  
1
Med-PaLM 2  
MedQA (esꢀlo  
®
Hasta 86,5 % de exacꢀtud  
[6]  
(Google)  
USMLE)  
Med-Gemini  
MedQA (esꢀlo  
91,1 % (estado del arte,  
2024)  
®
[7]  
3
(Google)  
USMLE)  
desplegar pasos intermedios antes de concluir . Su va-  
Nota: los estudios recogidos corresponden a modelos de generaciones an-  
teriores (2023–2024) y emplean metodologías y poblaciones disꢀntas; no  
consꢀtuyen una comparación directa entre modelos ni reflejan el estado  
del arte actual (véase el apartado siguiente). MedQA: banco de preguntas  
con formato USMLE; NCCN: Naꢀonal Comprehensive Cancer Network; US-  
MLE: United States Medical Licensing Examinaꢀon.  
riante zero-shot ‒el conocido “pensemos paso a paso”‒  
mejora de manera notable el desempeño en tareas de  
4
razonamiento complejo . No se trata de retórica: pres-  
cribir cómo debe estructurarse la respuesta cambia su  
*
Oncólogo clínico, Insꢀtuto Universitario CEMIC, Buenos Aires, Argenꢀna.  
Codirector, Programa de Posgrado en Inteligencia Arꢀꢁcial y Medicina, Academia Nacional de Medicina, Buenos Aires, Argenꢀna.  
Correspondencia: ediazcanton@iuc.edu.ar  
2
Díaz Cantón E. Editorial: la importancia de saber preguntar. Rev Argent Cir. 2026;118(2):e-ededc  
Un panorama en rápida transformación  
salida en escenarios clínicos complejos, donde el juicio  
experto sigue siendo insusꢀtuible.  
Conviene subrayar que los estudios reunidos  
La lección de este trabajo trasciende la anéc-  
en la tabla 1 emplearon modelos de generaciones an- dota tecnológica. El profesional que incorpore estas  
teriores y que el campo avanza a una velocidad inusual. herramientas necesitará dos alfabeꢀzaciones comple-  
mentarias: saber preguntar, esto es, dominar la inge-  
niería de prompts como una destreza clínica; y saber  
dudar, someꢀendo cada respuesta al juicio experto y  
a las guías vigentes. Usados con esa disciplina ‒y con  
transparencia hacia el paciente‒, los chatbots pueden  
ser un aliado valioso. Usados sin ella, mulꢀplicarán los  
errores con una elocuencia inédita. La pregunta correc-  
ta, una vez más, sigue siendo la mitad de la respuesta.  
En 2026 conviven modelos de frontera de propósito  
®
general notablemente más capaces ‒como GPT-5.5 ,  
®
®
Claude Opus 4.8 o la familia Gemini 3 ‒y, sobre todo,  
herramientas especializadas en medicina que anclan  
cada respuesta en la literatura primaria mediante re-  
cuperación aumentada (RAG) y la citan de forma audi-  
®
table. Plataformas como OpenEvidence ‒uꢀlizada por  
más del 40% de los médicos de los Estados Unidos y con  
acuerdos de contenido con el New England Journal of  
®
Medicine y JAMA‒o Vera Health ‒respuestas gradua-  
Declaración sobre el uso de inteligencia arꢀꢁcial: El autor  
das según la calidad de la evidencia, en alianza con el  
declara que, en la preparación de este editorial, uꢀlizó herra-  
American College of Emergency Physicians‒ejemplifi- mientas de inteligencia arꢀꢁcial generaꢀva basadas en mo-  
9
,10  
delos de lenguaje de gran escala como apoyo en la búsque-  
da y el cotejo de la bibliograꢃa, la organización del texto y la  
edición de esꢀlo. Todas las aꢁrmaciones, las referencias y los  
can esta tendencia . La evidencia revisada por pares  
respalda el enfoque: incorporar conocimiento clínico  
formal y recuperación semánꢀca elevó el desempeño datos cuanꢀtaꢀvos fueron veriꢁcados por el autor contra las  
fuentes primarias citadas. El contenido conceptual, las inter-  
en el Paso 3 del USMLE a alrededor del 95%, por en-  
pretaciones y las conclusiones son de su exclusiva responsabi-  
1
1
cima de un LLM naꢀvo (90,5%) . Aun así, ni la mayor  
lidad; la inteligencia arꢀꢁcial no ꢁgura como autora ni asume  
potencia ni la especialización eximen de validar cada responsabilidad alguna sobre el contenido.  
■
ENGLISH VERSION  
The integraꢀon of large language models  
LLMs) into clinical pracꢀce has been rapid and  
significant: within few months, paꢀents and  
Prompt engineering: a novel clinical competence  
Prompt engineering is the set of techniques  
(
a
used to guide a model toward accurate and verifiable  
responses. The most widely studied techniques include  
zero-shot (direct instrucꢀon), few-shot (providing  
solved examples), role assignment, context or  
guideline anchoring—including retrieval-augmented  
generaꢀon—and, notably, chain-of-thought reasoning,  
which prompts the model to display intermediate steps  
healthcare professionals began to consult them daily  
to gather informaꢀon, draꢂ documents, and discuss  
medical issues. The paper ‘Arꢀficial intelligence-based  
chatbots: the importance of asking the right quesꢀons’1  
highlights a frequently neglected reality: the quality of  
the answer is conꢀngent upon the quality of the inquiry.  
Far from being a mere technical detail, this dependency  
has direct clinical implicaꢀons.  
3
before arriving at a conclusion . Its zero-shot variant—  
the well-known “let’s think step by step”—significantly  
4
The fact that the result varies depending  
improves performance in complex reasoning tasks .  
on how the query is phrased is not just intuiꢀon, but  
rather a reproducible finding. The study by Chen et al.  
in JAMA Oncology demonstrated that, when presented  
with the same clinical scenario described in four  
different ways, ChatGPT modified the recommended  
treatment approach. In 98% of responses, at least one  
This is not a maꢃer of rhetoric: prescribing how a  
response should be structured alters its accuracy,  
which is why leading journals are already publishing  
5
formal recommendaꢀons on draꢂing clinical prompts .  
2
NCCN-concordant treatment was included . However,  
Which models are best suited for use in medicine?  
3
4.3% also included at least one nonconcordant  
recommendaꢀon, and 12.5% of outputs were  
hallucinaꢀons (non-existent therapies or curaꢀve  
treatments for an incurable disease), which were  
embedded in otherwise sensible recommendaꢀons  
and thus difficult to detect. In summary, the way in  
which a quesꢀon is formulated is an addiꢀonal clinical  
variable.  
The progress made with models on medical  
benchmarks has been remarkable. Med-PaLM  
2
achieved a score of approximately 86.5% on MedQA,  
an evaluaꢀon dataset of medical knowledge quesꢀons  
from the United States Medical Licensing Examinaꢀon  
6
(USMLE) . In 2024, Med-Gemini achieved a state-of-  
7
the-art improvement of 91.1% . Please be aware that  
Díaz Cantón E. Editorial: la importancia de saber preguntar. Rev Argent Cir. 2026;118(2):e-ededc  
3
performance in mulꢀple-choice exams is not necessarily Gemini 3 family—coexist with medical-specific tools  
an indicator of clinical competence. The early versions that anchor every response to primary literature via  
barely performed at or near the USMLE passing retrieval-augmented generaꢀon (RAG) and cite it in  
8
threshold . As we have seen, the same ecosystem that an auditable manner. Examples of this trend include  
excels in closed-ended quesꢀons produces one-third plaꢄorms such as OpenEvidence, which is used by  
of non-concordant recommendaꢀons when asked over 40% of physicians in the United States and has  
1
about treatments using open-ended quesꢀons . Table content partnerships with the New England Journal of  
1
summarizes this heterogeneous evidence with due Medicine and JAMA, and Vera Health, which provides  
cauꢀon.  
graded responses based on the quality of evidence in  
partnership with the American College of Emergency  
Physicians9 . Peer-reviewed evidence supports this  
approach: incorporaꢀng formal clinical knowledge  
and semanꢀc retrieval increased Step 3 USMLE  
performance to approximately 95%, outperforming a  
,10  
■
TABLE 1  
Performance of (previous-generaꢀon) language models on selected  
medical benchmarks.  
Model  
developer)  
1
1
Benchmark  
Result  
Source  
[8]  
naꢀve LLM (90.5%) . Nevertheless, the greater power  
and specializaꢀon of these models do not exempt their  
outputs from validaꢀon in complex clinical scenarios,  
where expert judgment remains irreplaceable.  
(
Performance at or  
near the passing  
threshold  
GPT-3.5  
OpenAI)  
USMLE (Steps 1–3)  
(
Concordance with  
NCCN guidelines in  
oncology (breast  
cancer, prostate  
cancer, and lung  
cancer)  
98% with ≥ 1  
concordant opꢀon;  
34.3% with ≥ 1  
nonconcordant  
opꢀon; 12.5%  
The lesson of this paper goes beyond the  
technological anecdote. Professionals integraꢀng  
these tools will require two complementary literacies:  
knowing how to ask—that is, mastering prompt  
engineering as a clinical skill—and knowing how to  
doubt, subjecꢀng every response to expert judgment  
and current guidelines. When used with discipline  
and transparency toward the paꢀent, chatbots can  
be valuable allies. Otherwise, they will mulꢀply errors  
with unprecedented eloquence. Once again, the right  
quesꢀon is half the answer.  
GPT-3.5  
OpenAI)  
[2]  
(
“hallucinaꢀons”  
Med-PaLM 2  
Google)  
MedQA (USMLE)  
Accuracy up to 86.5%  
[6]  
(
Med-Gemini  
91.1 % (state-of-the-  
MedQA (USMLE)  
[7]  
(Google)  
art, 2024)  
Note: The cited studies pertain to earlier-generaꢀon models (2023–2024)  
and employ different methodologies and populaꢀons. They do not  
consꢀtute a direct comparison between models, nor do they reflect the  
current state of the art (see the following secꢀon). MedQA: benchmark  
dataset (USMLE subset); NCCN: Naꢀonal Comprehensive Cancer Network;  
USMLE: United States Medical Licensing Examinaꢀon.  
Arꢀꢁcial intelligence disclosure: The author declares that,  
during the preparaꢀon of this editorial, generaꢀve arꢀꢁcial  
intelligence tools based on large language models were  
uꢀlized to assist with literature search and cross-referencing,  
A panorama under rapid transformaꢀon  
It is worth noꢀng that the studies compiled in text organizaꢀon, and copyediꢀng. All statements, references,  
Table 1 uꢀlized previous-generaꢀon models, and that  
the field is advancing at an unprecedented pace. As  
and quanꢀtaꢀve data were veriꢁed by the author against the  
primary sources cited. The conceptual content, interpretaꢀons,  
and conclusions are the sole responsibility of the author; the  
of 2026, significantly more capable general-purpose arꢀꢁcial intelligence is not credited as an author, nor does it  
fronꢀer models—like GPT-5.5, Claude Opus 4.8, or the assume any responsibility for the content.  
Referencias bibliográficas /References  
1
. Peña ME, Gigena A, Iglesia F. Chatbots basados en inteligencia arꢀfi-  
7. Saab K, Tu T, Weng WH, et al. Capabiliꢀes of Gemini models in  
medicine. arXiv:2404.18416 [preprint]. 2024.  
cial: la importancia de saber preguntar. Rev Argent Cir. 2026;118(2):e-  
1961. DOI: hꢃp://dx.doi.org/10.25132/raac.v118.n2.1961  
8. Kung TH, Cheatham M, Medenilla A, et al. Performan-  
ce of ChatGPT on USMLE: potential for AI-assisted me-  
dical education using large language models. PLOS Digit  
2
. Chen S, Kann BH, Foote MB, Aerts HJWL, Savova GK, Mak RH,  
Biꢃerman DS. Use of Arꢀficial Intelligence Chatbots for Can-  
cer Treatment Informaꢀon. JAMA Oncol. 2023;9(10):1459-62.  
doi:10.1001/jamaoncol.2023.2954.  
Health.  
0000198.  
2023;2(2):e0000198.  
doi:10.1371/journal.pdig.  
3
4
. Wei J, Wang X, Schuurmans D, et al. Chain-of-thought prompꢀng  
elicits reasoning in large language models. Adv Neural Inf Process  
Syst. 2022;35:24824-37.  
9. Elkin PL, Mehta G, LeHouillier F, et al. Semanꢀc Clinical Arꢀficial  
Intelligence vs Naꢀve Large Language Model Performance on the  
USMLE. JAMA Netw Open. 2025;8(4):e256359. doi:10.1001/ja-  
manetworkopen.2025.6359.  
. Kojima T, Gu SS, Reid M, Matsuo Y, Iwasawa Y. Large language  
models are zero-shot reasoners. Adv Neural Inf Process Syst.  
10. OpenEvidence. OpenEvidence creates the first AI in history to  
score 100% on the United States Medical Licensing Examinaꢀon  
(USMLE) [comunicado]. 15 ago 2025. Disponible en: openeviden-  
ce.com.  
2
022;35:22199-213.  
5
6
. Schulte B. Consideraꢀons for Prompꢀng Large Language Models.  
JAMA Oncol. 2024;10(4):538.  
. Singhal K, Azizi S, Tu T, et al. Large language models encode cli-  
nical knowledge. Nature. 2023;620(7972):172-80. doi:10.1038/  
s41586-023-06291-2.  
11. Vera Health (Veracity-Health Inc.). Plataforma de soporte a la de-  
cisión clínica basada en evidencia. Disponible en: verahealth.ai  
(consultado en 2026).