Gracias por visitar Nature.com. La versión del navegador que está utilizando tiene soporte CSS limitado. Para obtener los mejores resultados, recomendamos usar una versión más nueva de su navegador (o desactivar el modo de compatibilidad en Internet Explorer). Mientras tanto, para garantizar el soporte continuo, estamos mostrando el sitio sin estilo o JavaScript.
Las aplicaciones de inteligencia artificial clínica (IA) están creciendo rápidamente, pero los planes de estudio de la escuela de medicina existente ofrecen una enseñanza limitada que cubre esta área. Aquí describimos un curso de capacitación de inteligencia artificial que desarrollamos y entregamos a estudiantes de medicina canadienses y hacemos recomendaciones para una futura capacitación.
La inteligencia artificial (IA) en la medicina puede mejorar la eficiencia del lugar de trabajo y ayudar a la toma de decisiones clínicas. Para guiar de manera segura el uso de la inteligencia artificial, los médicos deben comprender la inteligencia artificial. Muchos comentarios abogan por la enseñanza de los 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. 263 estudiantes de medicina fueron encuestados y el 71% acordó que necesitaban capacitación en inteligencia artificial. Enseñar inteligencia artificial a una audiencia médica requiere un diseño cuidadoso que combine conceptos técnicos y no técnicos para los estudiantes que a menudo tienen un amplio conocimiento previo. Describimos nuestra experiencia entregando una serie de talleres de IA a tres grupos de estudiantes de medicina y hacemos recomendaciones para futuras educación médica en IA.
Nuestra introducción de cinco semanas al taller de inteligencia artificial en medicina para estudiantes de medicina se llevó a cabo tres veces entre febrero de 2019 y abril de 2021. Tres objetivos principales de aprendizaje: los estudiantes entienden cómo se procesan los datos en aplicaciones de inteligencia artificial, analizan la literatura de inteligencia artificial para aplicaciones clínicas y aprovechan las oportunidades para colaborar con los 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 revisión breve 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 para 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 llevó a cabo en la Universidad de Columbia Británica de febrero a abril de 2019, y los 8 participantes dieron comentarios positivos4. Debido a Covid-19, el segundo taller se llevó a cabo virtualmente en octubre de octubre a noviembre de 2020, con 222 estudiantes de medicina y 3 residentes de 8 escuelas de medicina canadienses. Las diapositivas y el código de presentación se han cargado en un sitio de acceso abierto (http://ubcaimed.github.io). La retroalimentación 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 básicos 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, realizado prácticamente 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 taller en proyectos.
Análisis de datos: un campo de estudio en estadísticas que identifica patrones significativos en los datos mediante el análisis, procesamiento y comunicación de patrones de datos.
Minería de datos: el proceso de identificación y extracción de datos. En el contexto de la inteligencia artificial, esto es a menudo grande, con múltiples variables para cada muestra.
Reducción de dimensionalidad: el proceso de transformación de datos con muchas características individuales en menos características al tiempo que preserva las propiedades importantes del conjunto de datos original.
Características (en el contexto de la inteligencia artificial): propiedades medibles de una muestra. A menudo se usa indistintamente con "propiedad" o "variable".
Mapa de activación de gradiente: una 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 que son altamente predictivas.
Modelo estándar: un modelo de IA existente que ha sido pre-entrenado para realizar tareas similares.
Pruebas (en el contexto de la inteligencia artificial): observando cómo un modelo realiza una tarea utilizando datos que no ha encontrado antes.
Capacitación (en el contexto de la inteligencia artificial): proporcionar un modelo con datos y resultados para que el modelo ajuste sus parámetros internos para optimizar su capacidad para realizar tareas utilizando nuevos datos.
Vector: matriz de datos. En el aprendizaje automático, cada elemento de matriz suele ser una característica única de la muestra.
La Tabla 1 enumera los últimos cursos para abril de 2021, incluidos los objetivos de aprendizaje específicos para cada tema. Este taller está destinado a aquellos nuevos en el nivel técnico y no requiere ningún conocimiento matemático más allá del primer año de un título médico de pregrado. El curso fue desarrollado por 6 estudiantes de medicina y 3 maestros con títulos avanzados en ingeniería. Los ingenieros están desarrollando la teoría de la 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 estadísticas descriptivas e inductivas. Aunque el análisis de datos es la base de la inteligencia artificial, excluyimos temas como la minería de datos, las pruebas de significación o la visualización interactiva. Esto se debió a limitaciones de tiempo y también porque algunos estudiantes de pregrado tenían capacitación previa en bioestadística y querían cubrir más temas únicos de aprendizaje automático. La conferencia posterior introduce métodos modernos y discute la formulación del problema de la IA, las ventajas y las limitaciones de los modelos de IA y las pruebas de modelos. Las conferencias se complementan con la literatura y la investigación práctica sobre los dispositivos de inteligencia artificial existentes. Hacemos hincapié en las habilidades requeridas para evaluar la efectividad y la viabilidad de un modelo para abordar las preguntas clínicas, incluida la comprensión de las limitaciones de los dispositivos de inteligencia artificial existentes. Por ejemplo, les pedimos a los estudiantes que interpreten las pautas de lesiones en la cabeza pediátrica propuestas por Kupperman et al., 5 que implementó un algoritmo de árbol de decisión de inteligencia artificial para determinar si una tomografía computarizada sería útil basada en el examen de un médico. Hacemos hincapié en que este es un ejemplo común de IA que proporciona análisis predictivo para que los médicos interpreten, en lugar de reemplazar a los médicos.
En los ejemplos de programación Bootstrap 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 modelo estándar y entrenamiento y entrenamiento estándar y entrenamiento . y pruebas. Utilizamos Google Colaboratory Notebooks (Google LLC, Mountain View, CA), que permiten que el código Python se ejecute desde un navegador web. En la Fig. La Figura 2 proporciona un ejemplo de un ejercicio de programación. Este ejercicio implica predecir tumores malignos utilizando el conjunto de datos de imágenes de mama abiertos de Wisconsin y un algoritmo de árbol de decisión.
Presente programas durante toda 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 proporcionar información sobre la práctica clínica futura, como cómo evaluar modelos para determinar si están listos para su uso en ensayos clínicos. Estos ejemplos culminan en una aplicación completa de extremo a extremo que clasifica los tumores como benignos o malignos según los parámetros de la imagen médica.
Heterogeneidad del conocimiento previo. Nuestros participantes variaron en su nivel de conocimiento matemático. Por ejemplo, los estudiantes con antecedentes avanzados de ingeniería buscan un material más profundo, como cómo realizar sus propias transformaciones de Fourier. Sin embargo, discutir el algoritmo de Fourier en la clase no es posible porque requiere un conocimiento profundo del procesamiento de la señal.
Salida de asistencia. La asistencia a las reuniones de seguimiento disminuyó, especialmente en formatos en línea. Una solución puede ser rastrear la asistencia y proporcionar un certificado de finalización. Se sabe que las escuelas de medicina reconocen las transcripciones de las actividades académicas extracurriculares de los estudiantes, lo que puede alentar a los estudiantes a obtener un título.
Diseño del curso: Debido a que AI abarca muchos subcampos, seleccionar conceptos centrales de profundidad y amplitud apropiadas 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 enfocamos en los conceptos de IA más únicos. 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 usar mapas de activación de gradiente, que pueden visualizar qué regiones de los datos son predecibles. Sin embargo, esto requiere un cálculo multivariado y no se puede introducir 8. Desarrollar una terminología común fue un desafío porque estábamos tratando de explicar cómo trabajar con los 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 conocimiento. Debido a que la aplicación de IA es limitada, queda por ver la medida en que los participantes conservan el conocimiento. Los planes de estudio de la escuela de medicina a menudo dependen de la repetición espaciada para reforzar el conocimiento durante las rotaciones prácticas, 9 que también se puede aplicar a la educación de IA.
El profesionalismo es más importante que la alfabetización. La profundidad del material está diseñada sin rigor matemático, 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 los campos y ejecutar el software sin tener que descubrir cómo configurar un entorno de programación completo.
Incursos sobre la inteligencia artificial abordada: existe una preocupación generalizada de que la inteligencia artificial pueda reemplazar algunos deberes clínicos3. Para abordar este problema, explicamos las limitaciones de la IA, incluido el hecho de que casi todas las tecnologías de IA aprobadas por los reguladores requieren supervisión del médico11. 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, incluidas las diapositivas y el código de las conferencias. Aunque el acceso al contenido sincrónico es limitado debido a las zonas horarias, el contenido de código abierto es un método conveniente para el aprendizaje asincrónico, ya que la experiencia de IA no está disponible en todas las escuelas 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.
Defina las competencias básicas de AI. La definición de una lista de competencias proporciona una estructura estandarizada que puede integrarse en los planes de estudio médicos basados en competencias existentes. Este taller actualmente utiliza los niveles objetivos de aprendizaje 2 (comprensión), 3 (aplicación) y 4 (análisis) de la taxonomía de Bloom. Tener recursos en niveles más altos 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 temas de IA a los flujos de trabajo clínicos y prevenir la enseñanza de temas repetitivos ya incluidos en los planes de estudio médicos estándar.
Cree estudios de casos con IA. Similar a los ejemplos clínicos, el aprendizaje basado en casos puede reforzar conceptos abstractos al destacar su relevancia para las preguntas clínicas. Por ejemplo, un estudio de taller analizó el Sistema de detección de retinopatía diabética basado en AI de Google 13 para identificar desafíos a lo largo del camino desde el laboratorio hasta la clínica, como los requisitos de validación externa y las vías de aprobación regulatoria.
Use el aprendizaje experimental: las habilidades técnicas requieren una práctica enfocada y una aplicación repetida para dominar, similar a las experiencias de aprendizaje rotativo de los aprendices clínicos. Una solución potencial es el modelo de aula invertida, que se ha informado que mejora la retención de conocimiento 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.
Escala para participantes multidisciplinarios: imaginamos la adopción de IA que involucra la colaboración en múltiples disciplinas, incluidos médicos y profesionales de la salud aliados con diferentes niveles de capacitación. Por lo tanto, es posible que los planes de estudio deben desarrollarse en consulta con la facultad de diferentes departamentos para adaptar su contenido a diferentes áreas de atención médica.
La inteligencia artificial es de alta tecnología y sus conceptos centrales están relacionados con las matemáticas y la informática. La capacitación del personal de la salud para comprender la inteligencia artificial presenta desafíos únicos en la selección de contenido, relevancia clínica y métodos de entrega. Esperamos que las ideas obtenidas de los talleres de IA en Educación ayuden a futuros educadores a adoptar formas innovadoras de integrar la IA en la educación médica.
El script de Google Colaboratory Python es de código abierto y está disponible en: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Percer, KG y Khan, S. Repensar la educación médica: un llamado a la acción. Akkad. medicamento. 88, 1407–1410 (2013).
McCoy, LG, etc. ¿Qué necesitan saber realmente los estudiantes de medicina sobre la inteligencia artificial? Números NPZH. Medicina 3, 1–3 (2020).
Dos Santos, DP, et al. Las 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 lesión cerebral clínicamente significativa después de una lesión en la cabeza: un estudio de cohorte prospectivo. Lancet 374, 1160–1170 (2009).
Street, Wn, Wolberg, Wh y Mangasian, ol. Extracción de características nucleares para el diagnóstico de tumores de mama. Ciencia biomédica. Procesamiento de imágenes. Ciencia biomédica. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. y Peng, L. Cómo desarrollar modelos de aprendizaje automático para la atención médica. Nat. Mate. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-Cam: Interpretación visual de redes profundas a través de la localización basada en gradientes. Actas de la Conferencia Internacional IEEE sobre Visión Computadora, 618–626 (2017).
Kumaravel B, Stewart K e Ilic D. Desarrollo y evaluación de un modelo espiral para evaluar las competencias de medicina basadas en evidencia utilizando OSCE en 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).
Bede, E. et al. Evaluación centrada en el humano de un sistema de aprendizaje profundo desplegado en la clínica para la detección de retinopatía diabética. Actas de la Conferencia CHI 2020 sobre factores humanos en sistemas informáticos (2020).
Kerr, B. El aula invertida en educación en ingeniería: una revisión de 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 imágenes e inteligencia artificial de la Universidad de Columbia Británica por apoyo y financiación.
RH, PP, ZH, RS y MA fueron responsables de desarrollar el contenido de enseñanza del taller. RH y PP fueron responsables de desarrollar los ejemplos de programación. KYF, OY, MT y PW fueron responsables de la organización logística del proyecto y el análisis de los talleres. RH, OY, MT, RS fueron responsables de crear las figuras y tablas. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS fueron responsables de redactar y editar el documento.
Medicina de comunicación Gracias a Carolyn McGregor, Fabio Moraes y Aditya Borakati por sus contribuciones a la revisión de este trabajo.
Tiempo de publicación: Feb-19-2024