Obrigado por visitar Nature.com. A versão do navegador que você está usando possui suporte limitado de CSS. Para obter melhores resultados, recomendamos o uso de uma versão mais recente do seu navegador (ou desativando o modo de compatibilidade no Internet Explorer). Enquanto isso, para garantir o suporte contínuo, estamos mostrando o site sem estilo ou JavaScript.
As aplicações da inteligência artificial clínica (IA) estão crescendo rapidamente, mas os currículos existentes na escola de medicina oferecem ensino limitado que cobre esta área. Aqui, descrevemos um curso de treinamento em inteligência artificial que desenvolvemos e entregamos aos estudantes de medicina canadense e fazemos recomendações para treinamento futuro.
A inteligência artificial (IA) na medicina pode melhorar a eficiência do local de trabalho e ajudar a tomada de decisão clínica. Para orientar com segurança o uso da inteligência artificial, os médicos devem ter algum entendimento da inteligência artificial. Muitos comentários defendem o ensino de conceitos de IA1, como explicar modelos de IA e processos de verificação2. No entanto, poucos planos estruturados foram implementados, especialmente em nível nacional. Pinto dos Santos et al.3. 263 estudantes de medicina foram pesquisados e 71% concordaram que precisavam de treinamento em inteligência artificial. Ensinar a inteligência artificial a um público médico exige um design cuidadoso que combina conceitos técnicos e não técnicos para estudantes que geralmente têm um amplo conhecimento prévio. Descrevemos nossa experiência em oferecer uma série de oficinas de IA a três grupos de estudantes de medicina e fazemos recomendações para futuras educação médica na IA.
Nossa introdução de cinco semanas à Workshop de Inteligência Artificial em Medicina para estudantes de medicina foi realizada três vezes entre fevereiro de 2019 e abril de 2021. Um cronograma para cada workshop, com uma breve descrição das alterações no curso, é mostrada na Figura 1. Nosso curso tem Três objetivos de aprendizagem primária: os alunos entendem como os dados são processados em aplicações de inteligência artificial, analisam a literatura de inteligência artificial para aplicações clínicas e aproveite as oportunidades de colaborar com engenheiros que desenvolvem inteligência artificial.
O azul é o tópico da palestra e do azul claro é o período interativo de perguntas e respostas. A seção cinza é o foco da breve revisão da literatura. As seções laranja são estudos de caso selecionados que descrevem modelos ou técnicas de inteligência artificial. Green é um curso de programação guiado projetado para ensinar inteligência artificial para resolver problemas clínicos e avaliar modelos. O conteúdo e a duração dos workshops variam de acordo com uma avaliação das necessidades dos alunos.
O primeiro workshop foi realizado na Universidade da Colúmbia Britânica de fevereiro a abril de 2019, e todos os 8 participantes deram feedback positivo4. Devido ao Covid-19, o segundo workshop foi realizado praticamente em outubro a novembro de 2020, com 222 estudantes de medicina e 3 residentes de 8 escolas de medicina canadenses se registrando. Os slides e o código de apresentação foram enviados para um site de acesso aberto (http://ubcaimed.github.io). O feedback principal da primeira iteração foi que as palestras eram muito intensas e o material também teórico. Servir os seis fusos horários diferentes do Canadá apresenta desafios adicionais. Assim, o segundo workshop reduziu cada sessão para 1 hora, simplificou o material do curso, adicionou mais estudos de caso e criou programas de caldeira que permitiram aos participantes preencher trechos de código com depuração mínima (caixa 1). O feedback principal da segunda iteração incluiu feedback positivo sobre os exercícios de programação e uma solicitação para demonstrar planejamento para um projeto de aprendizado de máquina. Portanto, em nosso terceiro workshop, realizada praticamente para 126 estudantes de medicina em março a abril de 2021, incluímos mais exercícios de codificação interativos e sessões de feedback do projeto para demonstrar o impacto do uso de conceitos de oficina nos projetos.
Análise de dados: Um campo de estudo em estatísticas que identifica padrões significativos nos dados analisando, processando e comunicando padrões de dados.
Mineração de dados: o processo de identificação e extração de dados. No contexto da inteligência artificial, isso geralmente é grande, com várias variáveis para cada amostra.
Redução da dimensionalidade: o processo de transformar dados com muitos recursos individuais em menos recursos, preservando as propriedades importantes do conjunto de dados original.
Características (no contexto da inteligência artificial): propriedades mensuráveis de uma amostra. Frequentemente usado de forma intercambiável com "propriedade" ou "variável".
Mapa de ativação de gradiente: uma técnica usada para interpretar modelos de inteligência artificial (especialmente redes neurais convolucionais), que analisa o processo de otimização da última parte da rede para identificar regiões de dados ou imagens que são altamente preditivas.
Modelo padrão: um modelo de IA existente que foi pré-treinado para executar tarefas semelhantes.
Teste (no contexto da inteligência artificial): observar como um modelo executa uma tarefa usando dados que ele não encontrou antes.
Treinamento (no contexto da inteligência artificial): fornecendo a um modelo dados e resultados para que o modelo ajuste seus parâmetros internos para otimizar sua capacidade de executar tarefas usando novos dados.
Vetor: Matriz de dados. No aprendizado de máquina, cada elemento de matriz geralmente é um recurso exclusivo da amostra.
A Tabela 1 lista os cursos mais recentes de abril de 2021, incluindo objetivos de aprendizagem direcionados para cada tópico. Este workshop destina -se a aqueles novos no nível técnico e não requer nenhum conhecimento matemático além do primeiro ano de graduação em medicina. O curso foi desenvolvido por 6 estudantes de medicina e 3 professores com diplomas avançados em engenharia. Os engenheiros estão desenvolvendo a teoria da inteligência artificial para ensinar, e os estudantes de medicina estão aprendendo material clinicamente relevante.
Os workshops incluem palestras, estudos de caso e programação guiada. Na primeira palestra, revisamos conceitos selecionados de análise de dados em bioestatística, incluindo visualização de dados, regressão logística e a comparação de estatísticas descritivas e indutivas. Embora a análise de dados seja a base da inteligência artificial, excluímos tópicos como mineração de dados, teste de significância ou visualização interativa. Isso ocorreu devido a restrições de tempo e também porque alguns estudantes de graduação tinham treinamento prévio em bioestatística e queriam cobrir tópicos de aprendizado de máquina mais exclusivos. A palestra subsequente introduz métodos modernos e discute a formulação de problemas de IA, vantagens e limitações dos modelos de IA e testes de modelos. As palestras são complementadas pela literatura e pela pesquisa prática sobre dispositivos de inteligência artificial existentes. Enfatizamos as habilidades necessárias para avaliar a eficácia e a viabilidade de um modelo para abordar questões clínicas, incluindo a compreensão das limitações dos dispositivos de inteligência artificial existentes. Por exemplo, pedimos aos alunos que interpretassem as diretrizes de lesão na cabeça pediátrica propostas por Kupperman et al., 5 que implementaram um algoritmo de árvore de decisão de inteligência artificial para determinar se uma tomografia computadorizada seria útil com base no exame de um médico. Enfatizamos que este é um exemplo comum de IA, fornecendo análises preditivas para os médicos interpretarem, em vez de substituir os médicos.
Nos exemplos disponíveis de programação de bootstrap de código aberto (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstramos como executar análise de dados exploratórios, redução de dimensionalidade, carga padrão e treinamento do modelo e treinamento . e teste. Utilizamos os notebooks do Google Colaboratory (Google LLC, Mountain View, CA), que permitem que o código Python seja executado a partir de um navegador da web. Na Fig. A Figura 2 fornece um exemplo de exercício de programação. Este exercício envolve prever malignidades usando o conjunto de dados de imagens de mama aberto de Wisconsin e um algoritmo de árvore de decisão.
Apresente programas ao longo da semana sobre tópicos relacionados e exemplos selecionados de aplicativos de IA publicados. Os elementos de programação são incluídos apenas se forem considerados relevantes para fornecer informações sobre a prática clínica futura, como avaliar modelos para determinar se estão prontos para uso em ensaios clínicos. Esses exemplos culminam em um aplicativo de ponta a ponta completo que classifica os tumores como benignos ou malignos com base em parâmetros de imagem médica.
Heterogeneidade do conhecimento prévio. Nossos participantes variaram em seu nível de conhecimento matemático. Por exemplo, os alunos com formação avançada de engenharia estão procurando um material mais aprofundado, como a realização de suas próprias transformações de Fourier. No entanto, discutir o algoritmo de Fourier em sala de aula não é possível porque requer conhecimento profundo do processamento de sinais.
Fluxo de participação. A participação nas reuniões de acompanhamento diminuiu, especialmente em formatos online. Uma solução pode ser rastrear a participação e fornecer um certificado de conclusão. Sabe -se que as escolas médicas reconhecem as transcrições das atividades acadêmicas extracurriculares dos alunos, que podem incentivar os alunos a buscar um diploma.
Design do curso: Como a IA abrange muitos subcampos, a seleção de conceitos centrais de profundidade e largura apropriadas pode ser um desafio. Por exemplo, a continuidade do uso de ferramentas de IA do laboratório para a clínica é um tópico importante. Enquanto cobrimos o pré -processamento de dados, a construção de modelos e a validação, não incluímos tópicos como análise de big data, visualização interativa ou condução de ensaios clínicos de IA, em vez disso, nos concentramos nos conceitos de IA mais exclusivos. Nosso princípio orientador é melhorar a alfabetização, não as habilidades. Por exemplo, entender como um modelo processa os recursos de entrada é importante para a interpretabilidade. Uma maneira de fazer isso é usar mapas de ativação de gradiente, que podem visualizar quais regiões dos dados são previsíveis. No entanto, isso requer cálculo multivariado e não pode ser introduzido8. O desenvolvimento de uma terminologia comum foi desafiador porque estávamos tentando explicar como trabalhar com dados como vetores sem formalismo matemático. Observe que termos diferentes têm o mesmo significado, por exemplo, na epidemiologia, uma "característica" é descrita como uma "variável" ou "atributo".
Retenção de conhecimento. Como a aplicação da IA é limitada, a extensão em que os participantes mantêm o conhecimento ainda não se sabe. Os currículos da faculdade de medicina geralmente dependem da repetição espaçada para reforçar o conhecimento durante rotações práticas, 9 que também podem ser aplicadas à educação de IA.
O profissionalismo é mais importante que a alfabetização. A profundidade do material é projetada sem rigor matemático, o que foi um problema ao lançar cursos clínicos em inteligência artificial. Nos exemplos de programação, usamos um programa de modelo que permite que os participantes preencham os campos e executem o software sem precisar descobrir como configurar um ambiente de programação completo.
Preocupações com a inteligência artificial abordada: Há uma preocupação generalizada de que a inteligência artificial possa substituir alguns deveres clínicos3. Para resolver esse problema, explicamos as limitações da IA, incluindo o fato de que quase todas as tecnologias de IA aprovadas pelos reguladores exigem supervisão médica11. Também enfatizamos a importância do viés porque os algoritmos são propensos a viés, especialmente se o conjunto de dados não for diverso12. Consequentemente, um certo subgrupo pode ser modelado incorretamente, levando a decisões clínicas desleais.
Os recursos estão disponíveis ao público: criamos recursos disponíveis ao público, incluindo slides e código de palestras. Embora o acesso ao conteúdo síncrono seja limitado devido a fusos horários, o conteúdo de código aberto é um método conveniente para o aprendizado assíncrono, pois a experiência da IA não está disponível em todas as escolas de medicina.
Colaboração interdisciplinar: Este workshop é uma joint venture iniciada por estudantes de medicina para planejar cursos juntamente com os engenheiros. Isso demonstra oportunidades de colaboração e lacunas de conhecimento em ambas as áreas, permitindo que os participantes entendam o papel potencial que eles podem contribuir no futuro.
Defina as competências principais da IA. Definir uma lista de competências fornece uma estrutura padronizada que pode ser integrada aos currículos médicos baseados em competências existentes. Atualmente, este workshop usa os níveis objetivos de aprendizado 2 (compreensão), 3 (aplicação) e 4 (análise) da taxonomia de Bloom. Ter recursos em níveis mais altos de classificação, como a criação de projetos, pode fortalecer ainda mais o conhecimento. Isso requer trabalhar com especialistas clínicos para determinar como os tópicos de IA podem ser aplicados a fluxos de trabalho clínicos e impedir o ensino de tópicos repetitivos já incluídos nos currículos médicos padrão.
Crie estudos de caso usando a IA. Semelhante aos exemplos clínicos, a aprendizagem baseada em casos pode reforçar conceitos abstratos, destacando sua relevância para questões clínicas. Por exemplo, um estudo do workshop analisou o sistema de detecção de retinopatia diabético baseado em IA do Google para identificar desafios ao longo do caminho do laboratório para a clínica, como requisitos de validação externa e caminhos de aprovação regulatória.
Use o aprendizado experimental: as habilidades técnicas requerem prática focada e aplicação repetida para dominar, semelhante às experiências de aprendizado rotativas de estagiários clínicos. Uma solução potencial é o modelo de sala de aula invertido, que foi relatado para melhorar a retenção de conhecimento na educação em engenharia14. Neste modelo, os alunos revisam o material teórico de forma independente e o tempo de aula é dedicado à solução de problemas por meio de estudos de caso.
Escala para participantes multidisciplinares: prevemos a adoção da IA envolvendo colaboração em várias disciplinas, incluindo médicos e profissionais de saúde aliados com níveis variados de treinamento. Portanto, os currículos podem precisar ser desenvolvidos em consulta com professores de diferentes departamentos para adaptar seu conteúdo a diferentes áreas dos cuidados de saúde.
A inteligência artificial é de alta tecnologia e seus principais conceitos estão relacionados à matemática e ciência da computação. O treinamento do pessoal da saúde para entender a inteligência artificial apresenta desafios únicos na seleção de conteúdo, relevância clínica e métodos de entrega. Esperamos que as idéias obtidas com a IA em oficinas de educação ajudem futuros educadores a adotar maneiras inovadoras de integrar a IA à educação médica.
O script Python do Google Colaboratory é de código aberto e está disponível em: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG e Khan, S. Repensando a educação médica: um chamado à ação. Akkad. medicamento. 88, 1407-1410 (2013).
McCoy, LG etc. O que os estudantes de medicina realmente precisam saber sobre inteligência artificial? Números NPZH. Medicine 3, 1–3 (2020).
Dos Santos, DP, et al. Atitudes dos estudantes de medicina em relação à inteligência artificial: uma pesquisa multicêntrica. EURO. radiação. 29, 1640-1646 (2019).
Fan, KY, Hu, R. e Singla, R. Introdução ao aprendizado de máquina para estudantes de medicina: um projeto piloto. J. Med. ensinar. 54, 1042-1043 (2020).
Cooperman N, et al. Identificando crianças com risco muito baixo de lesão cerebral clinicamente significativa após lesão na cabeça: um estudo de coorte prospectivo. Lancet 374, 1160-1170 (2009).
Rua, WN, Wolberg, WH e Mangasarian, OL. Extração de características nucleares para diagnóstico de tumor da mama. Ciência Biomédica. Processamento de imagem. Ciência Biomédica. Weiss. 1905, 861-870 (1993).
Chen, PHC, Liu, Y. e Peng, L. Como desenvolver modelos de aprendizado de máquina para assistência médica. Nat. Matt. 18, 410-414 (2019).
Selvaraju, RR et al. Grad-cam: interpretação visual de redes profundas por meio de localização baseada em gradiente. Anais da Conferência Internacional do IEEE sobre Visão Computal, 618–626 (2017).
Kumaravel B, Stewart K e Ilic D. Desenvolvimento e avaliação de um modelo em espiral para avaliar as competências de medicamentos baseados em evidências usando a OSCE na educação médica de graduação. BMK Medicine. ensinar. 21, 1–9 (2021).
Kolachalama VB e Garg PS Learning e Educação Médica. Números NPZH. medicamento. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. e De Rooy, M. Inteligência Artificial em Radiologia: 100 produtos comerciais e suas evidências científicas. EURO. radiação. 31, 3797-3804 (2021).
Topol, EJ Medicina de alto desempenho: a convergência da inteligência humana e artificial. Nat. medicamento. 25, 44-56 (2019).
Bede, E. et al. Avaliação centrada no homem de um sistema de aprendizado profundo implantado na clínica para a detecção de retinopatia diabética. Anais da Conferência de CHI de 2020 sobre fatores humanos em sistemas de computação (2020).
Kerr, B. A sala de aula invertida em Educação em Engenharia: Uma Revisão de Pesquisa. Anais da Conferência Internacional de 2015 sobre Aprendizagem Colaborativa Interativa (2015).
Os autores agradecem a Danielle Walker, Tim Salcudin e Peter Zandstra, da imagem biomédica e cluster de pesquisa de inteligência artificial da Universidade da Colúmbia Britânica por apoio e financiamento.
RH, PP, ZH, RS e MA foram responsáveis pelo desenvolvimento do conteúdo de ensino da oficina. RH e PP foram responsáveis pelo desenvolvimento dos exemplos de programação. KYF, OY, MT e PW foram responsáveis pela organização logística do projeto e pela análise dos workshops. RH, OY, MT, RS foram responsáveis por criar figuras e tabelas. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS foram responsáveis pela redação e edição do documento.
A Medicina da Comunicação agradece a Carolyn McGregor, Fabio Moraes e Aditya Borakati por suas contribuições para a revisão deste trabalho.
Hora de postagem: fevereiro-19-2024