Obrigado por visitar o Nature.com. A versão do navegador que você está usando tem suporte limitado a CSS. Para obter melhores resultados, recomendamos usar uma versão mais recente do seu navegador (ou desativar o modo de compatibilidade no Internet Explorer). Enquanto isso, para garantir o suporte contínuo, estamos exibindo o site sem estilos ou JavaScript.
As aplicações da inteligência artificial (IA) clínica estão crescendo rapidamente, mas os currículos atuais das faculdades de medicina oferecem um ensino limitado nessa área. Aqui, descrevemos um curso de treinamento em inteligência artificial que desenvolvemos e ministramos para estudantes de medicina canadenses e fazemos recomendações para treinamentos futuros.
A inteligência artificial (IA) na medicina pode melhorar a eficiência no ambiente de trabalho e auxiliar na tomada de decisões clínicas. Para orientar o uso da IA com segurança, os médicos precisam ter algum conhecimento sobre o tema. Muitos estudos defendem o ensino de conceitos de IA¹, como a explicação de modelos e processos de verificação². No entanto, poucos planos estruturados foram implementados, especialmente em nível nacional. Pinto dos Santos et al.³ realizaram uma pesquisa com 263 estudantes de medicina e 71% deles concordaram que precisavam de treinamento em inteligência artificial. Ensinar inteligência artificial para um público médico exige um planejamento cuidadoso que combine conceitos técnicos e não técnicos para estudantes que, frequentemente, possuem amplo conhecimento prévio. Descrevemos nossa experiência na realização de uma série de workshops sobre IA para três grupos de estudantes de medicina e fazemos recomendações para o futuro da educação médica em IA.
Nosso workshop de cinco semanas de duração, Introdução à Inteligência Artificial na Medicina para estudantes de medicina, foi realizado três vezes entre fevereiro de 2019 e abril de 2021. O cronograma de cada workshop, com uma breve descrição das alterações no curso, é apresentado na Figura 1. Nosso curso tem três objetivos principais de aprendizagem: os alunos compreendem como os dados são processados em aplicações de inteligência artificial, analisam a literatura de inteligência artificial para aplicações clínicas e aproveitam as oportunidades de colaborar com engenheiros que desenvolvem inteligência artificial.
A área azul representa o tema da palestra e o azul claro, o período interativo de perguntas e respostas. A seção cinza concentra-se na breve revisão bibliográfica. As seções em laranja apresentam estudos de caso selecionados que descrevem modelos ou técnicas de inteligência artificial. A área verde é um curso de programação guiada, desenvolvido para ensinar inteligência artificial a resolver problemas clínicos e avaliar modelos. O conteúdo e a duração das oficinas variam de acordo com a 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 à COVID-19, o segundo workshop foi realizado virtualmente, em outubro e novembro de 2020, com a participação de 222 estudantes de medicina e 3 residentes de 8 faculdades de medicina canadenses. Os slides das apresentações e o código foram disponibilizados em um site de acesso aberto (http://ubcaimed.github.io). O principal feedback da primeira edição foi que as palestras eram muito intensas e o material muito teórico. Atender aos seis fusos horários diferentes do Canadá representa desafios adicionais. Assim, o segundo workshop reduziu a duração de cada sessão para 1 hora, simplificou o material do curso, adicionou mais estudos de caso e criou programas padrão que permitiram aos participantes completar trechos de código com o mínimo de depuração (Quadro 1). O principal feedback da segunda edição incluiu avaliações positivas dos exercícios de programação e uma solicitação para demonstrar o planejamento de um projeto de aprendizado de máquina. Portanto, em nosso terceiro workshop, realizado virtualmente para 126 estudantes de medicina em março e abril de 2021, incluímos mais exercícios de codificação interativos e sessões de feedback de projetos para demonstrar o impacto da aplicação dos conceitos do workshop nos projetos.
Análise de Dados: Uma área de estudo em estatística que identifica padrões significativos em dados através da análise, processamento e comunicação desses padrões.
Mineração de dados: o processo de identificar e extrair dados. No contexto da inteligência artificial, esses dados geralmente são extensos e envolvem múltiplas variáveis para cada amostra.
Redução de dimensionalidade: O processo de transformar dados com muitas características individuais em um conjunto de dados com menos características, preservando as propriedades importantes do conjunto de dados original.
Características (no contexto da inteligência artificial): propriedades mensuráveis de uma amostra. Frequentemente usado como sinônimo de "propriedade" ou "variável".
Mapa de Ativação de Gradiente: Uma técnica utilizada 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.
Testar (no contexto da inteligência artificial): observar como um modelo executa uma tarefa usando dados que ele nunca encontrou antes.
Treinamento (no contexto da inteligência artificial): Fornecer a um modelo dados e resultados para que ele ajuste seus parâmetros internos e otimize sua capacidade de executar tarefas usando novos dados.
Vetor: matriz de dados. Em aprendizado de máquina, cada elemento da matriz geralmente representa uma característica única da amostra.
A Tabela 1 lista os cursos mais recentes para abril de 2021, incluindo os objetivos de aprendizagem específicos para cada tópico. Este workshop destina-se a iniciantes na área técnica e não exige conhecimentos matemáticos além do primeiro ano de um curso de medicina. O curso foi desenvolvido por 6 estudantes de medicina e 3 professores com pós-graduação em engenharia. Os engenheiros estão desenvolvendo a teoria da inteligência artificial para o ensino, e os estudantes de medicina estão aprendendo conteúdo 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 entre estatística descritiva e indutiva. Embora a análise de dados seja a base da inteligência artificial, excluímos tópicos como mineração de dados, testes de significância ou visualização interativa. Isso se deveu a restrições de tempo e também ao fato de alguns alunos de graduação já possuírem formação prévia em bioestatística e desejarem abordar tópicos mais específicos de aprendizado de máquina. A palestra seguinte apresenta métodos modernos e discute a formulação de problemas em IA, as vantagens e limitações dos modelos de IA e o teste de modelos. As palestras são complementadas por literatura e 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 para traumatismo cranioencefálico pediátrico 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 médico. Ressaltamos que este é um exemplo comum de IA fornecendo análises preditivas para que os médicos as interpretem, em vez de substituí-los.
Nos exemplos de programação Bootstrap de código aberto disponíveis (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstramos como realizar análise exploratória de dados, redução de dimensionalidade, carregamento de modelos padrão e treinamento e teste. Utilizamos notebooks do Google Colaboratory (Google LLC, Mountain View, CA), que permitem a execução de código Python a partir de um navegador web. A Figura 2 apresenta um exemplo de exercício de programação. Este exercício envolve a previsão de malignidades utilizando o conjunto de dados Wisconsin Open Breast Imaging Dataset⁶ e um algoritmo de árvore de decisão.
Apresentamos programas ao longo da semana sobre tópicos relacionados e selecionamos exemplos de aplicações de IA já publicadas. Os elementos de programação são incluídos apenas se forem considerados relevantes para fornecer informações sobre a prática clínica futura, como, por exemplo, a avaliação de modelos para determinar se estão prontos para uso em ensaios clínicos. Esses exemplos culminam em uma aplicação completa, de ponta a ponta, que classifica tumores como benignos ou malignos com base em parâmetros de imagens médicas.
Heterogeneidade do conhecimento prévio. Nossos participantes apresentaram níveis variados de conhecimento matemático. Por exemplo, alunos com formação avançada em engenharia buscam conteúdo mais aprofundado, como a realização de suas próprias transformadas de Fourier. No entanto, discutir o algoritmo de Fourier em sala de aula não é viável, pois exige conhecimento aprofundado em processamento de sinais.
A frequência às reuniões de acompanhamento diminuiu, especialmente nos formatos online. Uma solução pode ser o controle da frequência e a emissão de um certificado de conclusão. É sabido que as faculdades de medicina reconhecem o histórico acadêmico extracurricular dos alunos, o que pode incentivá-los a buscar uma graduação.
Estrutura do Curso: Como a IA abrange muitas subáreas, selecionar os conceitos centrais com a profundidade e abrangência adequadas pode ser um desafio. Por exemplo, a continuidade do uso de ferramentas de IA do laboratório à clínica é um tópico importante. Embora abordemos o pré-processamento de dados, a construção e a validação de modelos, não incluímos tópicos como análise de big data, visualização interativa ou condução de ensaios clínicos com IA; em vez disso, focamos nos conceitos mais singulares da IA. Nosso princípio orientador é aprimorar a alfabetização, não as habilidades. Por exemplo, entender como um modelo processa as características 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 multivariável e não pode ser introduzido aqui. Desenvolver uma terminologia comum foi um desafio, pois estávamos tentando explicar como trabalhar com dados como vetores sem formalismo matemático. Observe que termos diferentes têm o mesmo significado; por exemplo, em epidemiologia, uma "característica" é descrita como uma "variável" ou um "atributo".
Retenção de conhecimento. Como a aplicação da IA é limitada, ainda não se sabe até que ponto os participantes retêm o conhecimento. Os currículos das faculdades de medicina frequentemente se baseiam na repetição espaçada para reforçar o conhecimento durante os estágios práticos,⁹ o que também pode ser aplicado ao ensino de IA.
O profissionalismo é mais importante do que o conhecimento técnico. A profundidade do material foi concebida sem rigor matemático, o que representou um problema no lançamento de cursos clínicos em inteligência artificial. Nos exemplos de programação, utilizamos um programa modelo que permite aos participantes preencher os campos e executar o software sem precisar configurar um ambiente de programação completo.
Preocupações sobre inteligência artificial abordadas: Existe uma preocupação generalizada de que a inteligência artificial possa substituir algumas funções clínicas³. Para abordar essa questão, explicamos as limitações da IA, incluindo o fato de que quase todas as tecnologias de IA aprovadas pelos órgãos reguladores exigem supervisão médica¹¹. Também enfatizamos a importância do viés, pois os algoritmos são propensos a vieses, especialmente se o conjunto de dados não for diversificado¹². Consequentemente, um determinado subgrupo pode ser modelado incorretamente, levando a decisões clínicas injustas.
Os recursos estão disponíveis publicamente: Criamos recursos de acesso público, incluindo slides de aulas e código. Embora o acesso ao conteúdo síncrono seja limitado devido aos fusos horários, o conteúdo de código aberto é um método conveniente para o aprendizado assíncrono, visto que a expertise em IA não está disponível em todas as faculdades de medicina.
Colaboração Interdisciplinar: Este workshop é uma iniciativa conjunta de estudantes de medicina com engenheiros para o planejamento de cursos. Ele demonstra as oportunidades de colaboração e as lacunas de conhecimento em ambas as áreas, permitindo que os participantes compreendam o potencial papel que podem desempenhar no futuro.
Defina as competências essenciais em IA. A definição de uma lista de competências fornece uma estrutura padronizada que pode ser integrada aos currículos médicos existentes baseados em competências. Este workshop utiliza atualmente os Níveis de Objetivos de Aprendizagem 2 (Compreensão), 3 (Aplicação) e 4 (Análise) da Taxonomia de Bloom. A utilização de recursos em níveis de classificação mais elevados, como a criação de projetos, pode fortalecer ainda mais o conhecimento. Isso requer a colaboração com especialistas clínicos para determinar como os tópicos de IA podem ser aplicados aos fluxos de trabalho clínicos e evitar o ensino de tópicos repetitivos já incluídos nos currículos médicos padrão.
Crie estudos de caso usando IA. Semelhante aos exemplos clínicos, o aprendizado baseado em casos pode reforçar conceitos abstratos, destacando sua relevância para questões clínicas. Por exemplo, um estudo de workshop analisou o sistema de detecção de retinopatia diabética baseado em IA do Google¹³ para identificar desafios ao longo do caminho do laboratório à clínica, como requisitos de validação externa e vias de aprovação regulatória.
Utilize a aprendizagem experiencial: Habilidades técnicas exigem prática focada e aplicação repetida para serem dominadas, semelhante às experiências de aprendizagem rotativa de estagiários clínicos. Uma solução potencial é o modelo de sala de aula invertida, que tem demonstrado melhorar a retenção de conhecimento no ensino de engenharia¹⁴. Nesse modelo, os alunos revisam o material teórico de forma independente e o tempo em sala de aula é dedicado à resolução de problemas por meio de estudos de caso.
Escalabilidade para participantes multidisciplinares: Prevemos que a adoção da IA envolva a colaboração entre múltiplas disciplinas, incluindo médicos e profissionais de saúde com diferentes níveis de formação. Portanto, os currículos podem precisar ser desenvolvidos em consulta com docentes de diferentes departamentos para adequar seu conteúdo às diversas áreas da saúde.
A inteligência artificial é uma tecnologia de ponta e seus conceitos fundamentais estão relacionados à matemática e à ciência da computação. Capacitar profissionais de saúde para compreender a inteligência artificial apresenta desafios únicos na seleção de conteúdo, na relevância clínica e nos métodos de ensino. Esperamos que os conhecimentos adquiridos nas oficinas de IA na Educação ajudem os futuros educadores a adotar formas inovadoras de integrar a IA ao ensino médico.
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 apelo à ação. Akkad. medicina. 88, 1407–1410 (2013).
McCoy, LG etc. O que os estudantes de medicina realmente precisam saber sobre inteligência artificial? Números NPZh. Medicina 3, 1–3 (2020).
Dos Santos, DP, et al. Atitudes de 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. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identificação de crianças com risco muito baixo de lesão cerebral clinicamente significativa após traumatismo cranioencefálico: um estudo de coorte prospectivo. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH e Mangasarian, OL. Extração de características nucleares para diagnóstico de tumor de 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 cuidados de saúde. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Interpretação visual de redes profundas via localização baseada em gradiente. Anais da Conferência Internacional IEEE sobre Visão Computacional, 618–626 (2017).
Kumaravel B, Stewart K e Ilic D. Desenvolvimento e avaliação de um modelo espiral para avaliação de competências em medicina baseada em evidências usando OSCE na educação médica de graduação. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB e Garg PS Aprendizado de máquina e educação médica. Números NPZh. medicina. 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. medicine. 25, 44–56 (2019).
Bede, E. et al. Avaliação centrada no ser humano de um sistema de aprendizado profundo implantado na clínica para a detecção de retinopatia diabética. Anais da Conferência CHI de 2020 sobre Fatores Humanos em Sistemas de Computação (2020).
Kerr, B. A sala de aula invertida no ensino de engenharia: uma revisão de pesquisa. Anais da Conferência Internacional de Aprendizagem Colaborativa Interativa de 2015 (2015).
Os autores agradecem a Danielle Walker, Tim Salcudin e Peter Zandstra do Grupo de Pesquisa em Imagem Biomédica e Inteligência Artificial da Universidade da Colúmbia Britânica pelo apoio e financiamento.
RH, PP, ZH, RS e MA foram responsáveis pelo desenvolvimento do conteúdo didático do workshop. 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 e RS foram responsáveis pela criação das figuras e tabelas. RH, KYF, PP, ZH, OY, MY, PW, TL, MA e RS foram responsáveis pela redação e edição do documento.
A revista Communication Medicine agradece a Carolyn McGregor, Fabio Moraes e Aditya Borakati por suas contribuições para a revisão deste trabalho.
Data da publicação: 19/02/2024