抽象的
背景
人工智能(AI)在医疗保健中变得越来越重要,因此需要医疗保健专业人员的使用能力。医学生和从业人员需要基本的理解和技能发展,以管理数据,监督AI工具并根据AI应用程序做出明智的决定。将AI纳入医学教育对于满足这一需求至关重要。
方法
这项横断面的研究旨在评估本科医学生的人工智能准备水平,因为他们在苏丹Qaboos大学医学与健康科学学院进入临床年份。在医学课程的临床前几个课程中接触了各种与AI相关的主题后,对学生的准备时间进行了评估。这医学人工智能准备量表(MAIRS-MS)问卷被用作研究工具。
结果
在115名学生中,共有84个完成了问卷(答复率为73.04%)。其中45个(53.57%)是女性,而男性39(46.43%)。认知部分根据医学AI术语的知识,AI应用程序背后的逻辑和数据科学评估了参与者的认知准备,并获得了最低分数(平均值= 3.52)。相反,问卷的视觉部分评估了参与者理解医疗AI的局限性和潜力的能力,并预测机会和风险表现出最高的准备水平,其得分最高(平均值= 3.90)。值得注意的是,通过性别或学年,AI能力得分没有统计学上的显着差异。
结论
这项研究的结果表明,尽管医学生进入临床年份,但医学生表现出了适度的AI准备水平,但仍然存在明显的差距,尤其是在理解AI术语,逻辑和数据科学等认知领域。大多数学生使用Chatgpt作为AI工具,,,,精通技术和非技术人员之间的态度有显着差异。需要进一步的努力来提高学生评估AI工具的能力。医学院应考虑将AI整合到其课程中,以增强学生为将来的医学实践做好准备。评估学生对医疗保健中AI的准备就绪对于确定知识和技能差距以及指导未来的培训工作至关重要。
背景
人工智能的进步(AI)导致其在医疗保健领域的利用增加,从而对拥有AI具有专业知识的医疗保健专业人员的需求[1]。随着医疗保健行业转向基于价值的护理,专家正在探索技术和AI解决方案如何以降低成本提供高质量的护理[2]。这意味着,由于创新技术和AI的广泛实施,未来的医生将需要适应医疗保健的重大变化[3]。因此,他们应该对AI有基本的了解,以识别和评估其日益增长的潜力。他们将需要发展技能来管理数据,监督AI工具并根据AI应用程序的输出做出明智的决定[4,,,,5]。为了满足这一需求,可以预料AI将来将成为医学教育不可或缺的一部分[6]。
目前的医学生,居民和医生缺乏在人工智能(AI)等新兴技术方面的熟练程度[7],这部分归因于传统的医学教育方法,这些方法尚未跟上该领域的变化。据报道,医生在医疗保健中使用AI的抗药性可能是由于该领域缺乏正式培训[8]。
医学教育通常专注于临床前讲座的核心阶段之后的患者护理,沟通技巧和基于系统的实践[9]。但是,AI的最新进展,公共可访问性和AI工具的性能,特别是Chatgpt在USMLE医学检查方面表现良好,没有事先医学培训,将加快将AI和以技术为导向的主题整合到医学课程中[10]。实际上,医生和医学生本身已经强调了在医学教育期间对AI应用的结构化培训计划的需求[11]。总体而言,人们越来越认识到需要更好地为医学生和居民在医疗保健中使用AI的准备[10]。
关于AI教育干预措施的有效性的研究有限,因为大多数现有文献只描述了程序,提出了内容修改或提出建议[12]。尽管专家同意,了解AI的应用,应用程序,缺点和局限性很重要,但就应该将多少AI引入医学课程尚无共识[13]。与其仅专注于引入复杂的技术工具,不如说,目标应该是增强与AI技术合作的准备并评估未来的创新[14]。评估学生对医疗保健中AI的准备就绪对于确定知识和技能差距以及指导未来的培训工作至关重要[13]。
在苏丹Qaboos大学(SQU),医学生从临床前阶段(在此期间,基础科学(例如人类解剖学和生理学)以基于系统的课程格式教授)到临床阶段,在此期间,他们在教学医院和互联诊所中与患者更直接接触。这项研究旨在在课程的临床前阶段在多个课程中接触到与AI相关的主题后,在进入临床阶段的医学生准备水平。
方法
环境
这项研究是对苏丹卡布斯大学医学与健康科学学院招收的本科医学生的横断面分析。下蹲的课程是围绕以学生为中心的综合方法结构的,该方法跨越了六年,包括三个阶段。第一阶段(两个学期)涵盖了基础医学,第二阶段(四个学期)围绕综合器官系统课程进行组织,第三阶段(三年)涉及导致MD考试的临床文员。参见图 1。
接触AI概念
我们的学生会尽早接触AI的概念。在第一阶段和第二阶段,他们研究了医学信息学I和II,这将它们介绍给了AI的基本术语,也将AI用于临床决策支持系统(CDSSS)。一些学生对CDSS进行了更详细的研究,并在上面进行课堂演讲(图 1)。
在第二阶段,学生参加了将基础科学与临床病例相结合的综合模块(IM-II)课程,涵盖了病理生理学,检查策略,对实验室和放射学研究,管理计划以及道德和社会文化问题的解释。对于本课程中讨论的每个临床情况,学生都会接触某些AI应用程序;并被要求评估工具,其局限性和相关的道德考虑因素。图 1;桌子 1。
尽管我们不能从这种接触中的直接因果关系归因于任何准备就绪测量,但预期我们学生的测量结果可能表现出比不包括这种早期暴露的学生的准备时间更大的准备时间。
在每个会议期间,我们都融合了各种学习方法,以增强学生的参与并促进他们的自我指导的学习能力。在每个会议中,我们鼓励学生进行讨论,分享他们的观点,团队合作并进行文学搜索以回答问题。桌子 2提供涵盖的主题以及该课程中使用的相应学习活动的示例,即集成模块-II。
学习工具
通过使用医学人工智能准备量表(MAIRS-MS)问卷旨在评估医学生对AI准备就绪的看法[13]。这mairs-ms问卷已得到验证,已经评估了心理测量参数,并获得了设计师使用问卷的书面许可[13]。它由五个部分组成:人口统计,认知(八个项目),能力(八个项目),视觉(三个项目),道德(三个项目)。
在我们的研究中,调查表是通过Google表格管理的,其原始措辞是整个问卷的原始措辞,并增加了与其他课程中先前接触AI有关的两个问题。通过其机构电子邮件地址完成了集成模块-II课程后,在第二阶段的第三学期之前将与问卷的链接分发给了学生。问卷从2022年11月27日至2022年12月4日开放。在参与研究之前,已获得所有学生的知情同意。
将原始数据输入到Excel(版本365)电子表格中,并获得了描述性统计信息。进行了Mann-Whitney测试,以测试性别结果和事先暴露于AI的统计差异。在p<0.05。计算了Cronbach的Alpha,以测试每个类别和整体的内部一致性的结果。
结果
在115名学生中,共有84个完成了调查表,回答率为73.04%。在84名学生中,有45名(53.57%)被确定为女性,39名(46.43%)被确定为男性。桌子 3显示了MAIRS-MS问卷中对问题的回答的结果。表3对MAIRS-MS量表的响应。
不同部分的学生准备就绪,平均得分为3.5 3.9。最高的是视觉派系。(3.90),其次是伦理派。(3.80)。
桌子 4显示了Cronbach的Alpha测试的结果,表明可接受的内部一致性。
这些结果表明,问卷具有强大的内部可靠性,证实了其在医学生中衡量AI准备就绪的有效性。
在所有项目中,基于先前接触AI的统计学上没有显着差异,只有一个项目(认知:我可以定义AI.的基本概念和术语)在性别上显示出统计学上的差异(Fâ= 3.75;Mâ=Mâ= 3.33; 3.33;p= 0.0062)。
讨论
这项研究的目的是评估医学生进入临床年份在医疗保健中采用人工智能(AI)方面的准备。结果表明,在所有四个部分中,学生的准备分数都大于3,这表明备良度中等至高。认知部分根据AI术语的知识,AI应用程序背后的逻辑和数据科学的逻辑评估了参与者的认知准备,并获得了最低的分数。另一方面,视觉部分主要测试了参与者理解医疗AI的局限性和潜力,预测机会和风险并产生想法的能力,这表现出最高水平的准备。较低的认知评分的潜在原因可能包括在临床前培训期间缺乏足够的AI技术方面的接触,对医学课程中数据科学和算法逻辑的强调有限,以及AI概念的抽象性质,这可能对医学生很具有挑战性。
一个意外的发现是,只有80%的学生报告说,尽管所有学生都参加医学信息I和II,涵盖AI主题。这很可能是由于该调查偶然地在Chatgpt 3.5公开发行的时期进行的。由于其巨大的影响,许多人开始仅将AI与大型语言模型(LLMS)联系起来。一些学生可能会根据他们对Chatgpt的了解而不是正式的AI课程来对调查做出回应。由于调查已经进行了,因此无法进行调整。需要对此主题进行进一步研究。
总体而言,准备得分高于3的中点,表明SQUEND医学生表现出适度的AI准备。由于Mairs-MS问卷相对较新,我们只能找到其他两项研究(除原始工作),并在单个Likert量表分数上进行了报告[15]。一项研究[15]测量了2022年6月的医疗和牙科专业人员(不是学生)(不是学生)(我们的学生)的精通状况(不到我们的5个月)。他们的分数几乎全部低于3,并且低于我们的研究得分。另一个[16]是德国医学生中的一项小型研究。在预测试中,除了一项(我发现使用AI用于教育,服务和研究目的)很有价值。但是,这并不是完全奇怪的,因为在这两种情况下,他们的学生都没有接受过AI培训,并且在我们的简介中引用的文献表明,当前的卫生专业人员通常缺乏AI知识和技能。因为我们没有进行预测试前后,所以我们不知道培训的确切影响;但是,我们的数字确实使我们对学生的准备就绪有信心。
尽管越来越多的文献主张AI融入医学教育,但我们尚未找到一个全面且广泛适用的框架[5,,,,12,,,,17]。此外,目前的课程建议缺乏特定的学习成果,并且不基于任何特定的教育理论[17]。因此,有必要建立标准化的核心能力,以使医学教育者能够通过基于特定的教育理论的特定学习成果设计AI课程,并与医疗保健专业人员和医疗保健系统的需求保持一致[14,,,,17]。
此外,继续评估学生的需求,看法和准备时间对于根据他们的需求调整课程并达到理想的学习成果并考虑适当的教育理论至关重要。例如。11,,,,12]。
鉴于已经密集的医学课程,专家们通过纵向模型提出了AI将AI整合到各个级别的医学教育中,旨在增强知识和技能的获取[12,,,,18]。医学教育者倡导各种教学方法,以教育医疗保健专业人员有关AI技能的教育,包括涵盖AI的理论和术语,并为学生提供体验式学习机会,让学生使用AI工具并获得反馈[18]。
在这项研究中,向学生介绍了AI理论和术语,并在整个临床前年的各种临床场景中也暴露于实践练习。采用了不同的教学活动,例如关于AI使用的道德方面的讨论和辩论,包括自治和机密性,以及评估AI和机器学习在应对医疗保健挑战方面的潜力。还观察到学生参与评估媒体或文献中讨论的AI工具,他们可以通过评估关键因素,例如准确性,用于培训和测试的数据的性质以及资金来源等关键因素来做出明智的决定。
但是,应该指出的是,全面的AI课程的开发仍在进行中。专家正在呼吁提供有证据的课程,并计划进行评估,以允许根据学生和教师反馈进行迭代改进。他们还强调需要评估干预措施,例如评估不同课程水平的态度和准备就绪。这是因为缺乏有关医学教育中实施计划的评估的已发表文献,这可以为计划改进提供宝贵的指导。因此,在医学教育中对AI课程的持续评估和完善,以确保其有效性和影响。
随着越来越多的AI驱动医疗保健服务集成到医疗保健系统中,人们担心在医疗保健中可能会发生冲突与以患者为中心的护理模型之间发生冲突。这场冲突主要是由于缺乏正规培训和对AI和新兴技术的熟悉程度低的驱动。人们认为,凭借这种技能和能力,医生将能够识别出受益于患者护理的AI工具。此外,医学教育应增强诸如有效的沟通,领导力和情商等能力,鉴于基于AI的系统无法完全解释患者的身体和情感状态的所有方面,这将变得越来越重要[19,,,,20]。
总而言之,将AI引入医学教育需要仔细考虑如何教书以及如何教书[21]。为了克服挑战,至关重要的是建立一个标准化的AI培训基本能力框架,并将AI培训纳入有关临床推理和其他基本活动的课程中。此外,应实施各种教育方法和动手学习机会来教授各种AI技能,以确保医疗保健专业人员精通AI的实践。
尽管这项研究在进入临床年份时提供了对医学生精神的见解,但需要考虑一些局限性。首先,这项研究是在一个机构中进行的,该机构限制了这些发现对具有不同课程和资源的其他本科医学计划的普遍性。其次,在临床前阶段接触AI主题之前,没有对学生的AI准备的预评估,但这不是主要问题,因为这项研究的目的是不是课程评估,而是为了确定我们的学生进入临床时期的精神准备的看法。结果表明,尽管学生已经准备好将AI整合到临床实践中的准备工作,但仍然存在明显的差距,尤其是在理解AI术语和逻辑方面,这表明需要进行进一步的培训和客观评估,以更好地为他们做好现实世界应用程序的准备。第三,虽然使用新的量表(MAIRS-MS问卷)增加了本文的价值,但其新颖性意味着我们没有足够的文献进行比较。随着越来越多的机构使用量表,本文成为比较点,我们结果的重要性将变得更加清晰。此外,该研究还取决于学生的自我报告的数据,这可能会受到社会的可取性和选择偏见的影响。同样,与使用量表进行其他研究相比,其他研究也将受到相同的限制。
结论
将AI主题纳入医学教育可以增强医学生的准备,以在医疗保健中采用AI。但是,开发具有特定学习成果和多种教学方法的标准化和证据的AI课程对于确保有效性和影响至关重要。还需要对AI课程进行持续评估和完善,以满足医疗保健专业人员和医疗保健系统的不断发展的需求。此外,AI技能和能力的发展应与增强基本能力(例如有效的沟通,领导力和情商)等基本能力保持平衡,以确保在AI驱动的医疗保健时代以患者为中心的护理。
数据可用性
在当前研究中使用和/或分析的数据集可根据合理的要求从通讯作者获得。
参考
Bajwa J,Munir U,Nori A,Williams B.医疗保健中的人工智能:改造医学实践。Futur Healthc J. 2021; 8(2):E188 94。
文章一个 Google Scholar一个
Carter J,Bababekov YJ,Majmudar医学博士。对我们的数字未来的培训:一种以人为本的设计方法,用于为有抱负的临床医生创新者提供医学教育。NPJ Digit Med。2018; 1(1)。
Buch VH,Ahmed I,Maruthappu M.医学中的人工智能:当前的趋势和未来可能性。Br J Gen实践。2018; 68(668):143 4。
文章一个 Google Scholar一个
D. B.人工智能:患者护理和卫生专业人员的教育。J Clin Diagnostic Res。2019; 13(1):Ze01 2。可从:http://www.embase.com/search/results?subaction=viewRecord%26from=export%26;ID=L625771337%250https://doi.org/10.7860/jcdr/2019/38035.12453
Masters K.医学教育中的人工智能发展:一个概念和实用框架。MededPublish。2020; 9(1)。
Goh P-S,Sandars J. Covid-19大流行后使用技术在医学教育中的愿景。MededPublish。2020; 9:49。
文章一个 Google Scholar一个
WARTMAN SA,DONALD COMBS C.医学教育必须从信息时代转变为人工智能时代。学院2018; 93(8):1107 - 9。
文章一个 Google Scholar一个
Alzaabi A,Almaskari S,Aalabdulsalam A.医生和医学生是否可以在医疗保健领域进行人工智能应用?数字治愈。2023; 9。
Pfeifer CM。美国对医学教育的进步三相创新。在线医学教育。2018; 23(1)。
功夫TH,Cheatham M,Medenilla A,Sillos C,De Leon L,Elepaã±O C等。Chatgpt在USMLE上的表现:使用大语言模型进行AI辅助医学教育的潜力。PLOS数字愈合。2023; 2(2):E0000198。
文章一个 Google Scholar一个
Civaner MM,Uncu Y,Bulut F,Chalil EG,Tatli A.医学教育中的人工智能:横断面需求评估。BMC Med Educ。2022; 22(1)。
Grunhut J,Wyatt的Marques O.教育未来的人工智能医生(AI):综合审查和拟议的更改。J Med教育课程开发。2021; 8:238212052110368。
文章一个 Google Scholar一个
Karaca O,âalä±ÅKanSa,Demir K.医学人工智能学生准备量表(MAIRS-MS) - 发展,有效性和可靠性研究。BMC Med Educ。2021; 21(1):1â9。
文章一个 Google Scholar一个
Hasan Sapci A,Aylin Sapci H.人工智能教育和医学和健康信息学的工具:系统评价。Jmir Med Educ。2020; 6(1)。
Aboalshamat K,Alhuzali R,Alalyani A,Alsharif S,Qadhi H,Almatrafi R等。医疗和牙科专业人员准备人工智能的沙特阿拉伯视觉2030年。2022; 11(4):52â9。
文章一个 Google Scholar一个
Laupichler MC,Hadizadeh DR,Wintergerst MWM,Von der Emde L,Paech D,Dick EA等。翻转的课堂课程促进医学生AI素养,重点是医学成像:单一的小组后测试前研究。BMC Med Educ。2022; 22(1)。
Lee J,Wu AS,Li D,Kulasegaram Km。本科医学教育中的人工智能:范围评论。学院2021; 96(11):S62â70。
文章一个 Google Scholar一个
Steinert Y,Mann K,Centeno A,Dolmans D,Spencer J,Gelula M等。对教师发展计划的系统评价,旨在提高医学教育的教学效率。医学教学。2006; Beme(6):497 - 526。指导(。
文章一个 Google Scholar一个
Kerasidou A.人工智能以及对医疗保健的同情,同情和信任的持续需求。公牛世界健康器官。2020; 98(4):245 50。
文章一个 Google Scholar一个
Paranjape K,Schinkel M,Panday RN,Car J,Nanayakkara P.引入医学教育中的人工智能培训。Jmir Med Educ。2019; 5(2)。
Hu R,Fan KY,Pandey P,Hu Z,Yau O,Teng M等。从教授人工智能到加拿大医学生的见解。MED MED。2022; 2(1)。
致谢
不适用。
资金
该手稿未收到任何资金。
道德声明
道德批准并同意参加
这项研究是根据赫尔辛基宣言进行的。它在苏丹卡布斯大学(Sultan Qaboos University)的医学与健康科学学院的道德上得到了道德认可(Squ-ec/ 287/2022)。在参与研究之前,从所有学生那里获得了有关该研究的详细解释的知情同意。
同意出版
不适用。
竞争利益
作者没有宣称没有竞争利益。
附加信息
出版商的注释
关于已发表的地图和机构隶属关系中的管辖权主张,Springer自然仍然是中立的。
权利和权限
开放访问本文在Creative Commons Attribution-Noncormercial-Noderivatives 4.0国际许可下获得许可,该许可允许任何非商业用途,共享,分发和复制以任何媒介或格式的形式,只要您提供适当的原始作者和来源的信用,请符合原始作者和来源,并提供了与Creative Commons的链接,并指示您是否修改了许可的材料。您没有根据本许可证的许可来共享本文或部分内容的改编材料。本文中的图像或其他第三方材料包含在文章的创意共享许可证中,除非在材料的信用额度中另有说明。如果文章的创意共享许可中未包含材料,并且您的预期用途不得由法定法规允许或超过允许的用途,则需要直接从版权所有者那里获得许可。要查看此许可证的副本,请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。重印和权限
引用本文
Alzaabi,A.,Masters,K。在临床前培训后评估医学生的人工智能。
BMC Med Educ25 ,824(2025)。https://doi.org/10.1186/s12909-025-07008-x
已收到:
公认:
出版:
doi:https://doi.org/10.1186/s12909-025-07008-x