Obrigado por visitar Nature.com.A versão do navegador que você está usando tem suporte CSS limitado.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 suporte contínuo, mostramos o site sem estilo ou JavaScript.
As aplicações de inteligência artificial (IA) clínica estão crescendo rapidamente, mas os currículos existentes nas escolas de medicina oferecem ensino limitado que cobre esta área.Aqui descrevemos um curso de treinamento em inteligência artificial que desenvolvemos e ministramos a estudantes de medicina canadenses e fazemos recomendações para treinamento futuro.
A inteligência artificial (IA) na medicina pode melhorar a eficiência do local de trabalho e auxiliar na tomada de decisões clínicas.Para orientar com segurança o uso da inteligência artificial, os médicos devem ter algum conhecimento da inteligência artificial.Muitos comentários defendem o ensino de conceitos de IA1, como a explicação de modelos de IA e processos de verificação2.Contudo, poucos planos estruturados foram implementados, especialmente a nível nacional.Pinto dos Santos et al.3.Foram entrevistados 263 estudantes de medicina e 71% concordaram que precisavam de treinamento em inteligência artificial.Ensinar inteligência artificial para um público médico requer um design cuidadoso que combine conceitos técnicos e não técnicos para alunos que muitas vezes 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 a futura educação médica em IA.
Nosso workshop de introdução à inteligência artificial em medicina com duração de cinco semanas para estudantes de medicina foi realizado três vezes entre fevereiro de 2019 e abril de 2021. A programação de cada workshop, com uma breve descrição das alterações no curso, é mostrada na Figura 1. Nosso curso tem três objetivos principais de aprendizagem: os alunos entendem como os dados são processados em aplicações de inteligência artificial, analisam a literatura de inteligência artificial para aplicações clínicas e aproveitam as oportunidades para colaborar com engenheiros que desenvolvem inteligência artificial.
Azul é o tema da palestra e 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 guiada desenvolvido para ensinar inteligência artificial para resolver problemas clínicos e avaliar modelos.O conteúdo e a duração dos workshops 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-novembro de 2020, com a inscrição de 222 estudantes de medicina e 3 residentes de 8 escolas médicas canadenses.Os slides e o código da apresentação foram carregados em um site de acesso aberto (http://ubcaimed.github.io).O principal feedback da primeira iteração foi que as palestras eram muito intensas e o material muito teórico.Servir os seis fusos horários diferentes do Canadá apresenta desafios adicionais.Assim, o segundo workshop encurtou cada sessão para 1 hora, simplificou o material do curso, adicionou mais estudos de caso e criou programas padronizados que permitiram aos participantes completar trechos de código com depuração mínima (Quadro 1).Os principais comentários da segunda iteração incluíram comentários positivos sobre os 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-abril de 2021, incluímos mais exercícios de codificação interativos e sessões de feedback de projetos para demonstrar o impacto do uso de conceitos de workshop em projetos.
Análise de dados: um campo de estudo em estatística que identifica padrões significativos em dados por meio da análise, processamento e comunicação de padrões de dados.
Mineração de dados: o processo de identificação e extração de dados.No contexto da inteligência artificial, isso costuma ser grande, com múltiplas variáveis para cada amostra.
Redução de dimensionalidade: O processo de transformar dados com muitos recursos individuais em menos recursos, preservando ao mesmo tempo as propriedades importantes do conjunto de dados original.
Características (no contexto da inteligência artificial): propriedades mensuráveis de uma amostra.Freqüentemente usado de forma intercambiável com “propriedade” ou “variável”.
Mapa de Ativação de Gradiente: 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 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 não encontrou antes.
Treinamento (no contexto da inteligência artificial): Fornecer um modelo com dados e resultados para que o modelo ajuste seus parâmetros internos para otimizar sua capacidade de realizar tarefas usando novos dados.
Vetor: matriz de dados.No aprendizado de máquina, cada elemento da 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 é destinado a iniciantes 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 formação avançada 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 comparação de estatísticas descritivas e indutivas.Embora a análise de dados seja a base da inteligência artificial, excluímos tópicos como mineração de dados, testes de significância ou visualização interativa.Isso ocorreu devido a limitações de tempo e também porque alguns alunos de graduação tinham treinamento prévio em bioestatística e queriam cobrir tópicos mais exclusivos de aprendizado de máquina.A palestra subsequente apresenta métodos modernos e discute a formulação de problemas de IA, vantagens e limitações de modelos de IA e testes de modelos.As palestras são complementadas por literatura e pesquisas práticas 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 pediátricas sobre traumatismo cranioencefálico 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.Enfatizamos que este é um exemplo comum de IA que fornece análises preditivas para os médicos interpretarem, em vez de substituir os médicos.
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 modelo padrão e treinamento .e testes.Usamos 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 a previsão de malignidades usando o Wisconsin Open Breast Imaging Dataset6 e um algoritmo de árvore de decisão.
Apresente programas ao longo da semana sobre tópicos relacionados e selecione exemplos de aplicações de IA publicadas.Os elementos de programação só são incluídos se forem considerados relevantes para fornecer informações sobre a prática clínica futura, como, por exemplo, como avaliar modelos para determinar se estão prontos para uso em ensaios clínicos.Esses exemplos culminam em uma aplicação completa que classifica tumores como benignos ou malignos com base em parâmetros de imagens médicas.
Heterogeneidade do conhecimento prévio.Nossos participantes variaram em seu nível de conhecimento matemático.Por exemplo, estudantes com formação avançada em engenharia procuram material mais aprofundado, como realizar suas próprias transformadas de Fourier.No entanto, discutir o algoritmo de Fourier em aula não é possível porque requer um conhecimento profundo de processamento de sinais.
Saída de atendimento.A participação nas reuniões de acompanhamento diminuiu, especialmente em formatos online.Uma solução pode ser monitorar a frequência e fornecer um certificado de conclusão.As escolas médicas são conhecidas por reconhecerem as transcrições das atividades acadêmicas extracurriculares dos alunos, o que pode incentivá-los a buscar um diploma.
Design do curso: Como a IA abrange muitos subcampos, selecionar conceitos básicos com profundidade e amplitude apropriadas pode ser um desafio.Por exemplo, a continuidade da utilização de ferramentas de IA desde o laboratório até à clínica é um tema importante.Embora abordemos 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.O nosso princípio orientador é melhorar a alfabetização e não as competências.Por exemplo, compreender como um modelo processa recursos de entrada é importante para a interpretabilidade.Uma maneira de fazer isso é usar mapas de ativação gradiente, que podem visualizar quais regiões dos dados são previsíveis.Contudo, isto requer cálculo multivariado e não pode ser introduzido8.Desenvolver uma terminologia comum foi um desafio porque 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 “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 escolas médicas baseiam-se frequentemente na repetição espaçada para reforçar o conhecimento durante as rotações práticas,9 o que também pode ser aplicado ao ensino da IA.
O profissionalismo é mais importante que a alfabetização.A profundidade do material é desenhada sem rigor matemático, o que foi um problema no lançamento de cursos clínicos em inteligência artificial.Nos exemplos de programação, usamos um programa modelo que permite aos participantes preencher campos e executar o software sem ter que descobrir como configurar um ambiente de programação completo.
Preocupações abordadas sobre a inteligência artificial: Existe uma preocupação generalizada de que a inteligência artificial possa substituir algumas funções clínicas3.Para resolver esta questão, explicamos as limitações da IA, incluindo o facto de quase todas as tecnologias de IA aprovadas pelos reguladores exigirem supervisão médica11.Enfatizamos também a importância do viés porque os algoritmos são propensos a vieses, especialmente se o conjunto de dados não for diverso12.Consequentemente, um determinado subgrupo pode ser modelado incorretamente, levando a decisões clínicas injustas.
Os recursos estão disponíveis publicamente: Criamos recursos disponíveis publicamente, incluindo slides de palestras e códigos.Embora o acesso ao conteúdo síncrono seja limitado devido aos fusos horários, o conteúdo de código aberto é um método conveniente para a aprendizagem assíncrona, uma vez que a experiência em IA não está disponível em todas as escolas médicas.
Colaboração Interdisciplinar: Este workshop é uma joint venture iniciada por estudantes de medicina para planejar cursos em conjunto com engenheiros.Isto demonstra oportunidades de colaboração e lacunas de conhecimento em ambas as áreas, permitindo aos participantes compreender o papel potencial com que podem contribuir no futuro.
Defina as competências essenciais da IA.A definição de uma lista de competências fornece uma estrutura padronizada que pode ser integrada nos currículos médicos existentes baseados em competências.Este workshop atualmente utiliza os níveis de objetivos de aprendizagem 2 (compreensão), 3 (aplicação) e 4 (análise) da taxonomia de Bloom.Ter recursos em níveis mais elevados de classificação, como a criação de projetos, pode fortalecer ainda mais o conhecimento.Isto requer trabalhar 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, a aprendizagem baseada em casos pode reforçar conceitos abstratos, destacando a sua relevância para questões clínicas.Por exemplo, um estudo de workshop analisou o sistema de detecção de retinopatia diabética baseado em IA do Google 13 para identificar desafios ao longo do caminho do laboratório até a clínica, como requisitos de validação externa e caminhos de aprovação regulatória.
Use a aprendizagem experiencial: As habilidades técnicas requerem prática focada e aplicação repetida para dominar, semelhante às experiências de aprendizagem rotativa de estagiários clínicos.Uma solução potencial é o modelo de sala de aula invertida, que melhora a retenção de conhecimento no ensino de engenharia14.Nesse modelo, os alunos revisam o material teórico de forma independente e o tempo da aula é dedicado à resolução de problemas por meio de estudos de caso.
Dimensionamento para participantes multidisciplinares: Prevemos a adoção da IA envolvendo a colaboração entre múltiplas disciplinas, incluindo médicos e profissionais de saúde aliados com vários níveis de formação.Portanto, os currículos poderão ter de ser desenvolvidos em consulta com docentes de diferentes departamentos para adaptar o seu conteúdo às diferentes áreas dos cuidados de saúde.
A inteligência artificial é de alta tecnologia e seus conceitos centrais estão relacionados à matemática e à ciência da computação.Treinar profissionais de saúde para compreender a inteligência artificial apresenta desafios únicos na seleção de conteúdo, relevância clínica e métodos de entrega.Esperamos que os insights obtidos nos workshops de IA na Educação ajudem os futuros educadores a adotar formas inovadoras de integrar a IA na 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 apelo à ação.Acad.medicamento.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.ensinar.54, 1042–1043 (2020).
Cooperman N, et al.Identificando crianças com risco muito baixo de lesão cerebral clinicamente significativa após traumatismo cranioencefálico: um estudo de coorte prospectivo.Lanceta 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 saúde.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 IEEE sobre Visão Computacional, 618–626 (2017).
Kumaravel B, Stewart K e Ilic D. Desenvolvimento e avaliação de um modelo espiral para avaliar competências em medicina baseada em evidências usando OSCE na educação médica de graduação.Medicina BMK.ensinar.21, 1–9 (2021).
Kolachalama VB e Garg PS Aprendizado de máquina 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 ser humano de um sistema de aprendizagem profunda implantado na clínica para a detecção de retinopatia diabética.Anais da Conferência CHI 2020 sobre Fatores Humanos em Sistemas Computacionais (2020).
Kerr, B. A sala de aula invertida no ensino de engenharia: uma revisão de pesquisa.Anais da Conferência Internacional sobre Aprendizagem Colaborativa Interativa de 2015 (2015).
Os autores agradecem a Danielle Walker, Tim Salcudin e Peter Zandstra, do Cluster de Pesquisa em Imagens Biomédicas e Inteligência Artificial da Universidade da Colúmbia Britânica, pelo apoio e financiamento.
RH, PP, ZH, RS e MA foram responsáveis pelo desenvolvimento do conteúdo pedagógico 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 pela criação das figuras e tabelas.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS foram responsáveis pela elaboração e edição do documento.
A Medicina da Comunicação agradece a Carolyn McGregor, Fabio Moraes e Aditya Borakati pelas contribuições na revisão deste trabalho.
Horário da postagem: 19 de fevereiro de 2024