Gracias por visitar Nature.com.La versión del navegador que está utilizando tiene soporte CSS limitado.Para obtener mejores resultados, recomendamos utilizar una versión más reciente de su navegador (o desactivar el modo de compatibilidad en Internet Explorer).Mientras tanto, para garantizar un soporte continuo, mostramos el sitio sin estilo ni JavaScript.
Las aplicaciones de la inteligencia artificial (IA) clínica están creciendo rápidamente, pero los planes de estudio de las facultades de medicina existentes ofrecen una enseñanza limitada que cubre esta área.Aquí describimos un curso de capacitación en inteligencia artificial que desarrollamos e impartimos a estudiantes de medicina canadienses y hacemos recomendaciones para capacitación futura.
La inteligencia artificial (IA) en medicina puede mejorar la eficiencia en el lugar de trabajo y ayudar en la toma de decisiones clínicas.Para guiar de forma segura el uso de la inteligencia artificial, los médicos deben tener ciertos conocimientos sobre la inteligencia artificial.Muchos comentarios abogan por enseñar conceptos de IA1, como explicar los modelos de IA y los procesos de verificación2.Sin embargo, se han implementado pocos planes estructurados, especialmente a nivel nacional.Pinto dos Santos et al.3.Se encuestó a 263 estudiantes de medicina y el 71% coincidió en que necesitaba formación en inteligencia artificial.Enseñar inteligencia artificial a un público médico requiere un diseño cuidadoso que combine conceptos técnicos y no técnicos para estudiantes que a menudo tienen amplios conocimientos previos.Describimos nuestra experiencia impartiendo una serie de talleres de IA a tres grupos de estudiantes de medicina y hacemos recomendaciones para la futura educación médica en IA.
Nuestro taller de cinco semanas de Introducción a la Inteligencia Artificial en Medicina para estudiantes de medicina se llevó a cabo tres veces entre febrero de 2019 y abril de 2021. En la Figura 1 se muestra un cronograma para cada taller, con una breve descripción de los cambios en el curso. Nuestro curso tiene Tres objetivos principales de aprendizaje: los estudiantes comprenden cómo se procesan los datos en aplicaciones de inteligencia artificial, analizan la literatura sobre inteligencia artificial para aplicaciones clínicas y aprovechan las oportunidades para colaborar con ingenieros que desarrollan inteligencia artificial.
El azul es el tema de la conferencia y el azul claro es el período interactivo de preguntas y respuestas.La sección gris es el foco de la breve revisión de la literatura.Las secciones naranjas son estudios de casos seleccionados que describen modelos o técnicas de inteligencia artificial.Green es un curso de programación guiado diseñado para enseñar inteligencia artificial a resolver problemas clínicos y evaluar modelos.El contenido y la duración de los talleres varían según una evaluación de las necesidades de los estudiantes.
El primer taller se celebró en la Universidad de Columbia Británica de febrero a abril de 2019 y los 8 participantes dieron comentarios positivos4.Debido a la COVID-19, el segundo taller se llevó a cabo virtualmente en octubre-noviembre de 2020, y se inscribieron 222 estudiantes de medicina y 3 residentes de 8 facultades de medicina canadienses.Las diapositivas y el código de la presentación se cargaron en un sitio de acceso abierto (http://ubcaimed.github.io).La respuesta clave de la primera iteración fue que las conferencias eran demasiado intensas y el material demasiado teórico.Servir a las seis zonas horarias diferentes de Canadá plantea desafíos adicionales.Por lo tanto, el segundo taller acortó cada sesión a 1 hora, simplificó el material del curso, agregó más estudios de casos y creó programas estándar que permitieron a los participantes completar fragmentos de código con una depuración mínima (Cuadro 1).Los comentarios clave de la segunda iteración incluyeron comentarios positivos sobre los ejercicios de programación y una solicitud para demostrar la planificación de un proyecto de aprendizaje automático.Por lo tanto, en nuestro tercer taller, celebrado virtualmente para 126 estudiantes de medicina en marzo-abril de 2021, incluimos más ejercicios de codificación interactivos y sesiones de retroalimentación de proyectos para demostrar el impacto del uso de conceptos de talleres en proyectos.
Análisis de datos: un campo de estudio en estadística que identifica patrones significativos en los datos mediante el análisis, el procesamiento y la comunicación de patrones de datos.
Minería de datos: el proceso de identificación y extracción de datos.En el contexto de la inteligencia artificial, esto suele ser grande, con múltiples variables para cada muestra.
Reducción de dimensionalidad: el proceso de transformar datos con muchas características individuales en menos características mientras se preservan las propiedades importantes del conjunto de datos original.
Características (en el contexto de la inteligencia artificial): propiedades medibles de una muestra.A menudo se utiliza indistintamente con "propiedad" o "variable".
Mapa de activación de gradiente: Técnica utilizada para interpretar modelos de inteligencia artificial (especialmente redes neuronales convolucionales), que analiza el proceso de optimización de la última parte de la red para identificar regiones de datos o imágenes altamente predictivas.
Modelo estándar: un modelo de IA existente que ha sido previamente entrenado para realizar tareas similares.
Pruebas (en el contexto de la inteligencia artificial): observar cómo un modelo realiza una tarea utilizando datos que no ha encontrado antes.
Entrenamiento (en el contexto de la inteligencia artificial): Proporcionar a un modelo datos y resultados para que ajuste sus parámetros internos para optimizar su capacidad de realizar tareas utilizando nuevos datos.
Vector: conjunto de datos.En el aprendizaje automático, cada elemento de la matriz suele ser una característica única de la muestra.
La Tabla 1 enumera los cursos más recientes para abril de 2021, incluidos los objetivos de aprendizaje específicos para cada tema.Este taller está destinado a personas nuevas en el nivel técnico y no requiere ningún conocimiento matemático más allá del primer año de una licenciatura en medicina.El curso fue desarrollado por 6 estudiantes de medicina y 3 docentes con títulos avanzados en ingeniería.Los ingenieros están desarrollando teorías de inteligencia artificial para enseñar, y los estudiantes de medicina están aprendiendo material clínicamente relevante.
Los talleres incluyen conferencias, estudios de casos y programación guiada.En la primera conferencia, revisamos conceptos seleccionados de análisis de datos en bioestadística, incluida la visualización de datos, la regresión logística y la comparación de estadística descriptiva e inductiva.Aunque el análisis de datos es la base de la inteligencia artificial, excluimos temas como la extracción de datos, las pruebas de significancia o la visualización interactiva.Esto se debió a limitaciones de tiempo y también a que algunos estudiantes universitarios tenían formación previa en bioestadística y querían cubrir temas más exclusivos de aprendizaje automático.La conferencia posterior presenta métodos modernos y analiza la formulación de problemas de IA, las ventajas y limitaciones de los modelos de IA y las pruebas de modelos.Las conferencias se complementan con literatura e investigaciones prácticas sobre los dispositivos de inteligencia artificial existentes.Hacemos hincapié en las habilidades necesarias para evaluar la eficacia y viabilidad de un modelo para abordar cuestiones clínicas, incluida la comprensión de las limitaciones de los dispositivos de inteligencia artificial existentes.Por ejemplo, pedimos a los estudiantes que interpretaran las pautas pediátricas sobre lesiones en la cabeza propuestas por Kupperman et al. 5, que implementaron un algoritmo de árbol de decisión de inteligencia artificial para determinar si una tomografía computarizada sería útil según un examen médico.Hacemos hincapié en que este es un ejemplo común de IA que proporciona análisis predictivos para que los médicos los interpreten, en lugar de reemplazarlos.
En los ejemplos de programación de arranque de código abierto disponibles (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demostramos cómo realizar análisis de datos exploratorios, reducción de dimensionalidad, carga de modelos estándar y entrenamiento. .y pruebas.Utilizamos cuadernos de Google Colaboratory (Google LLC, Mountain View, CA), que permiten ejecutar código Python desde un navegador web.En la figura 2 se muestra un ejemplo de un ejercicio de programación.Este ejercicio implica predecir neoplasias malignas utilizando el conjunto de datos abierto de imágenes mamarias de Wisconsin6 y un algoritmo de árbol de decisión.
Presente programas a lo largo de la semana sobre temas relacionados y seleccione ejemplos de aplicaciones de IA publicadas.Los elementos de programación solo se incluyen si se consideran relevantes para brindar información sobre la práctica clínica futura, como por ejemplo cómo evaluar modelos para determinar si están listos para su uso en ensayos clínicos.Estos ejemplos culminan en una aplicación completa de un extremo a otro que clasifica los tumores como benignos o malignos según parámetros de imágenes médicas.
Heterogeneidad de los conocimientos previos.Nuestros participantes variaron en su nivel de conocimiento matemático.Por ejemplo, los estudiantes con formación avanzada en ingeniería buscan material más detallado, como por ejemplo cómo realizar sus propias transformadas de Fourier.Sin embargo, no es posible discutir el algoritmo de Fourier en clase porque requiere un conocimiento profundo del procesamiento de señales.
Salida de asistencia.La asistencia a las reuniones de seguimiento disminuyó, especialmente en formatos en línea.Una solución puede ser realizar un seguimiento de la asistencia y proporcionar un certificado de finalización.Se sabe que las facultades de medicina reconocen los expedientes académicos de las actividades académicas extracurriculares de los estudiantes, lo que puede alentarlos a obtener un título.
Diseño del curso: debido a que la IA abarca tantos subcampos, seleccionar conceptos básicos con la profundidad y amplitud adecuadas puede ser un desafío.Por ejemplo, la continuidad del uso de herramientas de IA desde el laboratorio hasta la clínica es un tema importante.Si bien cubrimos el preprocesamiento de datos, la construcción de modelos y la validación, no incluimos temas como el análisis de big data, la visualización interactiva o la realización de ensayos clínicos de IA, sino que nos centramos en los conceptos de IA más exclusivos.Nuestro principio rector es mejorar la alfabetización, no las habilidades.Por ejemplo, comprender cómo un modelo procesa las características de entrada es importante para la interpretabilidad.Una forma de hacerlo es utilizar mapas de activación de gradiente, que pueden visualizar qué regiones de los datos son predecibles.Sin embargo, esto requiere cálculo multivariado y no puede introducirse8.Desarrollar una terminología común fue un desafío porque intentábamos explicar cómo trabajar con datos como vectores sin formalismo matemático.Tenga en cuenta que diferentes términos tienen el mismo significado; por ejemplo, en epidemiología, una "característica" se describe como una "variable" o "atributo".
Retención de conocimientos.Debido a que la aplicación de la IA es limitada, aún está por verse hasta qué punto los participantes retienen el conocimiento.Los planes de estudio de las escuelas de medicina a menudo se basan en repeticiones espaciadas para reforzar el conocimiento durante las rotaciones prácticas,9 lo que también puede aplicarse a la educación en IA.
El profesionalismo es más importante que la alfabetización.La profundidad del material está diseñada sin rigor matemático, lo que fue un problema al lanzar cursos clínicos en inteligencia artificial.En los ejemplos de programación, utilizamos un programa de plantilla que permite a los participantes completar campos y ejecutar el software sin tener que descubrir cómo configurar un entorno de programación completo.
Se abordan las preocupaciones sobre la inteligencia artificial: existe una preocupación generalizada de que la inteligencia artificial pueda reemplazar algunas tareas clínicas3.Para abordar esta cuestión, explicamos las limitaciones de la IA, incluido el hecho de que casi todas las tecnologías de IA aprobadas por los reguladores requieren supervisión médica11.También enfatizamos la importancia del sesgo porque los algoritmos son propensos al sesgo, especialmente si el conjunto de datos no es diverso12.En consecuencia, un determinado subgrupo puede modelarse incorrectamente, lo que lleva a decisiones clínicas injustas.
Los recursos están disponibles públicamente: hemos creado recursos disponibles públicamente, incluidos código y diapositivas de conferencias.Aunque el acceso al contenido sincrónico está limitado debido a las zonas horarias, el contenido de código abierto es un método conveniente para el aprendizaje asincrónico, ya que la experiencia en IA no está disponible en todas las facultades de medicina.
Colaboración interdisciplinaria: este taller es una empresa conjunta iniciada por estudiantes de medicina para planificar cursos junto con ingenieros.Esto demuestra oportunidades de colaboración y brechas de conocimiento en ambas áreas, lo que permite a los participantes comprender el papel potencial que pueden contribuir en el futuro.
Definir las competencias centrales de la IA.La definición de una lista de competencias proporciona una estructura estandarizada que puede integrarse en los planes de estudios médicos existentes basados en competencias.Este taller actualmente utiliza los niveles de objetivos de aprendizaje 2 (comprensión), 3 (aplicación) y 4 (análisis) de la taxonomía de Bloom.Disponer de recursos en niveles superiores de clasificación, como la creación de proyectos, puede fortalecer aún más el conocimiento.Esto requiere trabajar con expertos clínicos para determinar cómo se pueden aplicar los temas de IA a los flujos de trabajo clínicos y evitar la enseñanza de temas repetitivos ya incluidos en los planes de estudios médicos estándar.
Cree estudios de casos utilizando IA.Al igual que los ejemplos clínicos, el aprendizaje basado en casos puede reforzar conceptos abstractos al resaltar su relevancia para las preguntas clínicas.Por ejemplo, un estudio de taller analizó el sistema de detección de retinopatía diabética basado en inteligencia artificial de Google 13 para identificar desafíos en el camino desde el laboratorio hasta la clínica, como requisitos de validación externa y vías de aprobación regulatoria.
Utilice el aprendizaje experiencial: las habilidades técnicas requieren práctica enfocada y aplicación repetida para dominarlas, similar a las experiencias de aprendizaje rotativo de los alumnos clínicos.Una posible solución es el modelo de aula invertida, que, según se ha informado, mejora la retención de conocimientos en la educación en ingeniería14.En este modelo, los estudiantes revisan el material teórico de forma independiente y el tiempo de clase se dedica a resolver problemas a través de estudios de casos.
Ampliación para participantes multidisciplinarios: Visualizamos que la adopción de la IA implique la colaboración entre múltiples disciplinas, incluidos médicos y profesionales de la salud aliados con distintos niveles de capacitación.Por lo tanto, es posible que sea necesario desarrollar planes de estudio en consulta con profesores de diferentes departamentos para adaptar su contenido a diferentes áreas de la atención de salud.
La inteligencia artificial es de alta tecnología y sus conceptos centrales están relacionados con las matemáticas y la informática.Capacitar al personal de atención médica para comprender la inteligencia artificial presenta desafíos únicos en la selección de contenido, relevancia clínica y métodos de entrega.Esperamos que los conocimientos adquiridos en los talleres sobre IA en la educación ayuden a los futuros educadores a adoptar formas innovadoras de integrar la IA en la educación médica.
El script Python de Google Colaboratory es de código abierto y está disponible en: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG y Khan, S. Repensar la educación médica: un llamado a la acción.Acad.medicamento.88, 1407-1410 (2013).
McCoy, LG, etc. ¿Qué necesitan realmente los estudiantes de medicina saber sobre la inteligencia artificial?Números NPZH.Medicina 3, 1–3 (2020).
Dos Santos, DP, et al.Actitudes de los estudiantes de medicina hacia la inteligencia artificial: una encuesta multicéntrica.EURO.radiación.29, 1640-1646 (2019).
Fan, KY, Hu, R. y Singla, R. Introducción al aprendizaje automático para estudiantes de medicina: un proyecto piloto.J. Med.enseñar.54, 1042-1043 (2020).
Cooperman N, et al.Identificación de niños con muy bajo riesgo de sufrir una lesión cerebral clínicamente significativa después de una lesión en la cabeza: un estudio de cohorte prospectivo.Lanceta 374, 1160-1170 (2009).
Street, WN, Wolberg, WH y Mangasarian, OL.Extracción de características nucleares para el diagnóstico de tumores de mama.Ciencia Biomedica.Procesamiento de imágenes.Ciencia Biomedica.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. y Peng, L. Cómo desarrollar modelos de aprendizaje automático para la atención sanitaria.Nat.Mate.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: interpretación visual de redes profundas mediante localización basada en gradientes.Actas de la Conferencia Internacional IEEE sobre Visión por Computadora, 618–626 (2017).
Kumaravel B, Stewart K e Ilic D. Desarrollo y evaluación de un modelo en espiral para evaluar las competencias en medicina basada en evidencia utilizando OSCE en la educación médica de pregrado.Medicina BMK.enseñar.21, 1–9 (2021).
Kolachalama VB y Garg PS Aprendizaje automático y educación médica.Números NPZH.medicamento.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. y de Rooy, M. Inteligencia artificial en radiología: 100 productos comerciales y su evidencia científica.EURO.radiación.31, 3797–3804 (2021).
Topol, EJ Medicina de alto rendimiento: la convergencia de la inteligencia humana y artificial.Nat.medicamento.25, 44–56 (2019).
Beda, E. et al.Evaluación centrada en el ser humano de un sistema de aprendizaje profundo implementado en la clínica para la detección de la retinopatía diabética.Actas de la Conferencia CHI 2020 sobre factores humanos en sistemas informáticos (2020).
Kerr, B. El aula invertida en la educación en ingeniería: una revisión de la investigación.Actas de la Conferencia Internacional de 2015 sobre Aprendizaje Colaborativo Interactivo (2015).
Los autores agradecen a Danielle Walker, Tim Salcudin y Peter Zandstra del Grupo de Investigación de Inteligencia Artificial y Imágenes Biomédicas de la Universidad de Columbia Británica por su apoyo y financiación.
RH, PP, ZH, RS y MA fueron responsables del desarrollo del contenido didáctico del taller.RH y PP fueron responsables del desarrollo de los ejemplos de programación.KYF, OY, MT y PW fueron responsables de la organización logística del proyecto y del análisis de los talleres.RH, OY, MT, RS fueron los responsables de crear las figuras y tablas.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS fueron responsables de la redacción y edición del documento.
Communication Medicine agradece a Carolyn McGregor, Fabio Moraes y Aditya Borakati por sus contribuciones a la revisión de este trabajo.
Hora de publicación: 19 de febrero de 2024