Presentamos un nuevo modelo de referencia, DischargeSim, que evalúa la capacidad de los modelos de lenguaje a gran escala (LLM) para servir como educadores personalizados tras el alta hospitalaria tras las visitas de los pacientes. Simula conversaciones multiturno posteriores a la visita entre DoctorAgents y PatientAgents basados en LLM con diversos perfiles psicosociales (p. ej., alfabetización en salud, educación e inteligencia emocional). Las interacciones se estructuran en torno a seis temas de alta clínicamente relevantes y se evalúan en tres ejes: calidad conversacional mediante evaluaciones automatizadas y de LLM como juez; generación de documentos personalizados, incluyendo resúmenes de texto libre y listas de verificación estructuradas de la AHRQ; y comprensión del paciente mediante pruebas de opción múltiple posteriores. Los resultados experimentales con 18 LLM revelan una variación significativa en el rendimiento de la educación tras el alta, con un rendimiento que varía significativamente según el perfil del paciente. En concreto, el tamaño del modelo no siempre se traduce en mejores resultados educativos, lo que pone de relieve la disyuntiva entre el uso de la estrategia y la priorización del contenido. DischargeSim representa un primer paso hacia la evaluación comparativa de los LLM en la educación clínica posterior a la visita y la promoción de un apoyo equitativo y personalizado al paciente.
