Gracias por visitar Nature.com. La versión de su navegador tiene compatibilidad limitada con CSS. Para obtener mejores resultados, le recomendamos usar una versión más reciente de su navegador (o desactivar el modo de compatibilidad en Internet Explorer). Mientras tanto, para garantizar la compatibilidad continua, mostramos el sitio sin estilos ni JavaScript.
Las aplicaciones de la inteligencia artificial (IA) clínica están creciendo rápidamente, pero los planes de estudio actuales de las facultades de medicina ofrecen una formación limitada en este ámbito. En este artículo, describimos un curso de formación en inteligencia artificial que desarrollamos e impartimos a estudiantes de medicina canadienses y formulamos recomendaciones para la formación futura.
La inteligencia artificial (IA) en medicina puede mejorar la eficiencia en el lugar de trabajo y facilitar la toma de decisiones clínicas. Para guiar de forma segura el uso de la inteligencia artificial, los médicos deben tener cierto conocimiento sobre ella. Muchos comentarios abogan por enseñar conceptos de IA¹, como la explicación de modelos de IA y procesos de verificación². Sin embargo, se han implementado pocos planes estructurados, especialmente a nivel nacional. Pinto dos Santos et al.³ encuestaron a 263 estudiantes de medicina y el 71% coincidió en que necesitaban 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 poseen 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 formación médica en IA.
Nuestro taller de introducción a la inteligencia artificial en medicina, de cinco semanas de duración, dirigido a estudiantes de medicina, se impartió tres veces entre febrero de 2019 y abril de 2021. En la Figura 1 se muestra el calendario de cada taller, junto con una breve descripción de los cambios introducidos en el curso. Nuestro curso tiene tres objetivos de aprendizaje principales: que los estudiantes comprendan cómo se procesan los datos en las aplicaciones de inteligencia artificial, que analicen la bibliografía sobre inteligencia artificial para aplicaciones clínicas y que aprovechen las oportunidades de colaborar con ingenieros que desarrollan inteligencia artificial.
El azul indica el tema de la clase y el azul claro, el periodo interactivo de preguntas y respuestas. La sección gris se centra en la breve revisión bibliográfica. Las secciones naranjas presentan estudios de caso seleccionados que describen modelos o técnicas de inteligencia artificial. El verde corresponde a un curso de programación guiada diseñado para enseñar inteligencia artificial a resolver problemas clínicos y evaluar modelos. El contenido y la duración de los talleres varían según 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 la COVID-19, el segundo taller se realizó virtualmente en octubre-noviembre de 2020, con la inscripción de 222 estudiantes de medicina y 3 residentes de 8 facultades de medicina canadienses. Las diapositivas de la presentación y el código se han subido a un sitio de acceso abierto (http://ubcaimed.github.io). Los comentarios principales de la primera iteración fueron que las conferencias eran demasiado intensas y el material demasiado teórico. Atender 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 caso y creó programas base que permitieron a los participantes completar fragmentos de código con una depuración mínima (Recuadro 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 entre marzo y abril de 2021, incluimos más ejercicios de codificación interactivos y sesiones de retroalimentación de proyectos para demostrar el impacto del uso de los conceptos del taller en los proyectos.
Análisis de datos: Un campo de estudio de la estadística que identifica patrones significativos en los datos mediante el análisis, el procesamiento y la comunicación de dichos patrones.
Minería de datos: el proceso de identificar y extraer datos. En el contexto de la inteligencia artificial, esto suele ser un proceso extenso, con múltiples variables para cada muestra.
Reducción de dimensionalidad: Proceso de transformar datos con muchas características individuales en un número menor de características, conservando al mismo tiempo las propiedades importantes del conjunto de datos original.
Características (en el contexto de la inteligencia artificial): propiedades medibles de una muestra. A menudo se utilizan 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 preentrenado 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 y optimice su capacidad de realizar tareas utilizando nuevos datos.
Vector: conjunto de datos. En el aprendizaje automático, cada elemento del conjunto suele ser una característica única de la muestra.
La Tabla 1 enumera los cursos más recientes para abril de 2021, incluyendo los objetivos de aprendizaje específicos para cada tema. Este taller está dirigido a personas sin experiencia en el ámbito técnico y no requiere conocimientos matemáticos más allá del primer año de la carrera de Medicina. El curso fue desarrollado por 6 estudiantes de Medicina y 3 profesores con títulos avanzados en Ingeniería. Los ingenieros desarrollan teoría de inteligencia artificial para la enseñanza, y los estudiantes de Medicina aprenden material clínicamente relevante.
Los talleres incluyen conferencias, estudios de caso y programación guiada. En la primera conferencia, revisamos conceptos selectos de análisis de datos en bioestadística, incluyendo visualización de datos, regresión logística y la comparación de estadística descriptiva e inductiva. Si bien el análisis de datos es la base de la inteligencia artificial, excluimos temas como minería de datos, pruebas de significancia o visualización interactiva. Esto se debió a limitaciones de tiempo y también a que algunos estudiantes de pregrado tenían formación previa en bioestadística y querían cubrir temas más específicos de aprendizaje automático. La conferencia posterior introduce métodos modernos y analiza la formulación de problemas de IA, las ventajas y limitaciones de los modelos de IA y la prueba de modelos. Las conferencias se complementan con literatura e investigación práctica sobre dispositivos de inteligencia artificial existentes. Hacemos hincapié en las habilidades necesarias para evaluar la efectividad y viabilidad de un modelo para abordar preguntas clínicas, incluyendo la comprensión de las limitaciones de los dispositivos de inteligencia artificial existentes. Por ejemplo, pedimos a los estudiantes que interpretaran las directrices pediátricas sobre traumatismo craneoencefálico 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 el examen de un médico. Hacemos hincapié en que este es un ejemplo común de cómo la IA proporciona análisis predictivos para que los médicos los interpreten, en lugar de reemplazarlos.
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 exploratorio de datos, reducción de dimensionalidad, carga de modelos estándar y entrenamiento y prueba. Utilizamos cuadernos de Google Colaboratory (Google LLC, Mountain View, CA), que permiten ejecutar código Python desde un navegador web. La Figura 2 proporciona un ejemplo de un ejercicio de programación. Este ejercicio consiste en predecir malignidades utilizando el conjunto de datos de imágenes mamarias abiertas de Wisconsin6 y un algoritmo de árbol de decisión.
Durante la semana se presentarán programas sobre temas relacionados y ejemplos seleccionados de aplicaciones de IA publicadas. Solo se incluirán elementos de programación que se consideren relevantes para comprender la práctica clínica futura, como la evaluación de modelos para determinar si están listos para su uso en ensayos clínicos. Estos ejemplos culminan en una aplicación integral que clasifica los tumores como benignos o malignos según parámetros de imágenes médicas.
Heterogeneidad de conocimientos previos. Nuestros participantes presentaban distintos niveles de conocimientos matemáticos. Por ejemplo, los estudiantes con formación avanzada en ingeniería buscan material más especializado, como la forma de realizar sus propias transformadas de Fourier. Sin embargo, abordar el algoritmo de Fourier en clase resulta inviable, ya que requiere un conocimiento profundo del procesamiento de señales.
Disminución de la asistencia. La asistencia a las reuniones de seguimiento disminuyó, especialmente en los formatos en línea. Una posible solución sería registrar la asistencia y proporcionar un certificado de finalización. Se sabe que las facultades de medicina reconocen los expedientes académicos de las actividades extracurriculares de los estudiantes, lo que puede incentivarlos a obtener un título.
Diseño del curso: Debido a que la IA abarca tantos subcampos, seleccionar conceptos centrales 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 creación de modelos y la validación, no incluimos temas como el análisis de macrodatos, la visualización interactiva o la realización de ensayos clínicos con IA; en cambio, nos centramos en los conceptos más singulares de la IA. 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 cálculo multivariado y no se puede introducir⁸. Desarrollar una terminología común fue un desafío porque intentábamos explicar cómo trabajar con datos como vectores sin formalismo matemático. Cabe señalar que diferentes términos tienen el mismo significado; por ejemplo, en epidemiología, una "característica" se describe como una "variable" o un "atributo".
Retención del conocimiento. 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 facultades de medicina suelen basarse en la repetición espaciada para reforzar el conocimiento durante las rotaciones prácticas,⁹ lo cual también puede aplicarse a la educación en IA.
La profesionalidad es más importante que la alfabetización. El contenido se presenta sin rigor matemático, lo cual representó un problema al iniciar los cursos clínicos de inteligencia artificial. En los ejemplos de programación, utilizamos una plantilla que permite a los participantes completar campos y ejecutar el software sin tener que configurar un entorno de programación completo.
Preocupaciones sobre la inteligencia artificial: Existe una preocupación generalizada de que la inteligencia artificial pueda reemplazar algunas funciones clínicas³. Para abordar este problema, explicamos las limitaciones de la IA, incluyendo el hecho de que casi todas las tecnologías de IA aprobadas por los organismos reguladores requieren la supervisión de un médico¹¹. También destacamos la importancia del sesgo, ya que los algoritmos son propensos a él, especialmente si el conjunto de datos no es diverso¹². En consecuencia, un subgrupo determinado podría modelarse incorrectamente, lo que llevaría a decisiones clínicas injustas.
Los recursos están disponibles públicamente: Hemos creado recursos de acceso público, incluyendo diapositivas de las clases y código. Si bien el acceso al contenido síncrono es limitado debido a las diferencias horarias, el contenido de código abierto es un método conveniente para el aprendizaje asíncrono, ya que no todas las facultades de medicina cuentan con experiencia en IA.
Colaboración interdisciplinaria: Este taller es una iniciativa conjunta de estudiantes de medicina para planificar cursos junto con ingenieros. Esto pone de manifiesto las oportunidades de colaboración y las lagunas de conocimiento en ambas áreas, lo que permite a los participantes comprender el papel que pueden desempeñar en el futuro.
Definir las competencias básicas de IA. Definir una lista de competencias proporciona una estructura estandarizada que puede integrarse en los planes de estudio médicos basados en competencias. Este taller utiliza actualmente los niveles 2 (Comprensión), 3 (Aplicación) y 4 (Análisis) de la taxonomía de Bloom. Contar con recursos de niveles superiores de clasificación, como la creación de proyectos, puede fortalecer aún más el conocimiento. Esto requiere colaborar 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 estudio médicos estándar.
Cree estudios de caso 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 realizado en un taller analizó el sistema de detección de retinopatía diabética basado en IA de Google¹³ para identificar los desafíos en el camino desde el laboratorio hasta la clínica, como los requisitos de validación externa y los procesos de aprobación regulatoria.
Utilice el aprendizaje experiencial: Las habilidades técnicas requieren práctica enfocada y aplicación repetida para dominarlas, de forma similar a las experiencias de aprendizaje rotativas de los estudiantes de medicina. Una posible solución es el modelo de aula invertida, que ha demostrado mejorar la retención del conocimiento en la enseñanza de la ingeniería¹⁴. En este modelo, los estudiantes revisan el material teórico de forma independiente y el tiempo de clase se dedica a resolver problemas mediante estudios de caso.
Adaptación a participantes multidisciplinarios: Prevemos que la adopción de la IA implique la colaboración entre diversas disciplinas, incluyendo médicos y profesionales paramédicos con distintos niveles de formación. Por lo tanto, es posible que sea necesario desarrollar planes de estudio en consulta con docentes de diferentes departamentos para adaptar su contenido a las distintas áreas de la atención médica.
La inteligencia artificial es una tecnología avanzada cuyos conceptos fundamentales están relacionados con las matemáticas y la informática. Capacitar al personal sanitario en inteligencia artificial presenta desafíos únicos en cuanto a la selección de contenidos, la relevancia clínica y los métodos de impartición. Esperamos que los conocimientos adquiridos en los talleres de IA en la Educación ayuden a los futuros educadores a adoptar enfoques innovadores para integrar la IA en la formación médica.
El script de 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. Akkad. medicina. 88, 1407–1410 (2013).
McCoy, LG et al. ¿Qué necesitan saber realmente los estudiantes de medicina sobre 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. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., y Singla, R. Introducción al aprendizaje automático para estudiantes de medicina: un proyecto piloto. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identificación de niños con riesgo muy bajo de lesión cerebral clínicamente significativa después de un traumatismo craneoencefálico: un estudio de cohorte prospectivo. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH y Mangasarian, OL. Extracción de características nucleares para el diagnóstico de tumores de mama. Biomedical Science. Procesamiento de imágenes. Biomedical Science. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. y Peng, L. Cómo desarrollar modelos de aprendizaje automático para la atención médica. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Interpretación visual de redes neuronales 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 espiral para evaluar las competencias en medicina basada en la evidencia mediante OSCE en la formación médica de pregrado. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB y Garg PS Aprendizaje automático y educación médica. Números NPZh. Medicina. 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. medicine. 25, 44–56 (2019).
Bede, E. et al. Evaluación centrada en el ser humano de un sistema de aprendizaje profundo implementado 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 la enseñanza de la ingeniería: una revisión de la investigación. Actas de la Conferencia Internacional de Aprendizaje Colaborativo Interactivo de 2015 (2015).
Los autores agradecen a Danielle Walker, Tim Salcudin y Peter Zandstra, del Grupo de Investigación en Imágenes Biomédicas e Inteligencia Artificial 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 y RS fueron responsables de la creación de las figuras y tablas. RH, KYF, PP, ZH, OY, MY, PW, TL, MA y RS fueron responsables de la redacción y edición del documento.
Communication Medicine agradece a Carolyn McGregor, Fabio Moraes y Aditya Borakati sus contribuciones a la revisión de este trabajo.
Fecha de publicación: 19 de febrero de 2024