Sviluppato dalla Divisione di Intelligenza Artificiale in Simulazione, Educazione e Formazione dell’Università di Scienze della Salute dell’Arizona, l’Artificially Intelligent Medical History Evaluation Instrument (AIMHEI) utilizza l’intelligenza artificiale per migliorare l’educazione medica fornendo un feedback coerente e personalizzato sulla presa in carico dell’anamnesi e sulle abilità cliniche. Questo innovativo strumento di intelligenza artificiale offre agli studenti di medicina valutazioni in tempo reale incentrate su terminologia medica, empatia e comunicazione. Il suo scopo è quello di mettere gli studenti in condizione di affinare il ragionamento clinico e le abilità di interazione con il paziente in modo efficace, senza sovraccaricare i docenti.
Immagina di essere un giovane studente di medicina e di trovarti di fronte a un paziente per la prima volta. Devi fare un’anamnesi completa, fare le domande giuste, ascoltare con attenzione e rispondere con empatia. Si tratta di un’abilità cruciale che richiede una pratica costante e un feedback mirato. Ma cosa succede se i tuoi tutor non sono sempre disponibili o se le loro valutazioni variano molto? In un momento in cui la tecnologia sta trasformando campi come la finanza e l’industria, perché non può fare lo stesso con la formazione medica? È qui che interviene l’intelligenza artificiale. L’Artificially Intelligent Medical History Evaluation Instrument (AIMHEI), un sistema avanzato di intelligenza artificiale, promette di fornire un feedback immediato e personalizzato ai futuri medici, colmando una lacuna critica nella formazione clinica.
Il contesto
L’educazione medica continua a dover affrontare sfide per fornire agli studenti un feedback frequente e personalizzato su competenze essenziali come l’anamnesi e le presentazioni orali. Sebbene i tutor di facoltà siano fondamentali per guidare lo sviluppo degli studenti, la loro disponibilità è spesso limitata e gli studenti cercano spesso ulteriori opportunità per mettere in pratica le competenze essenziali (Case et al,2024). Per colmare questa lacuna, abbiamo sviluppato l’Artificially Intelligent Medical History Evaluation Instrument (AIMHEI), uno strumento alimentato dall’intelligenza artificiale e progettato per fornire un feedback personalizzato e in tempo reale agli studenti di medicina. Questo strumento mira a supportare gli studenti nella padronanza della comunicazione e del ragionamento clinico, riducendo al contempo l’onere per i docenti.
Queste abilità, fondamentali per la pratica clinica, sono definite come attività professionali fondamentali (EPA) per la specializzazione dall’Association of American Medical Colleges (AAMC, 2014). Tuttavia, molti direttori di programmi di specializzazione hanno espresso il timore che gli studenti non riescano a sviluppare appieno le loro abilità comunicative e le loro conoscenze mediche prima dell’anno di tirocinio (Tischendorf et al, 2018;, Lyss-Lerman et al, 2019). Inoltre, il feedback fornito dai precettori o dai medici curanti può essere soggettivo, variare da una specialità all’altra e spesso richiede molto tempo (Barrows, 1993; Miller, 1990)),
Queste sfide limitano la capacità degli studenti di affinare queste abilità e di implementare il feedback.
Come può aiutare l’intelligenza artificiale
L’intelligenza artificiale (AI) offre una soluzione promettente a queste sfide, fornendo un feedback scalabile e on-demand. L’intelligenza artificiale ha dimostrato molte applicazioni promettenti nell’ambito dell’educazione medica, in particolare come strumento per aiutare gli studenti di medicina a confrontarsi con argomenti clinici complessi in tempo reale (Rosipigliosi, 2023). ChatGPT, ad esempio, ha dimostrato di poter seguire i progressi degli studenti e di poter adattare il proprio stile di insegnamento in base alle loro esigenze di apprendimento individuali (Lee, 2023; Chan& Zary, 2019). L’intelligenza artificiale ha dimostrato più volte la sua capacità di fungere da risorsa interattiva e on-demand, offrendo un valore significativo per l’affinamento delle conoscenze mediche (Kung, 2023).
L’AIMHEI non solo fornirà agli studenti di medicina un feedback personalizzato e in tempo reale su queste competenze fondamentali, ma potrà anche garantire la qualità e la coerenza del feedback, contribuendo così a perfezionarle. In questo modo gli studenti di medicina possono esercitare le loro capacità di comunicazione e di ragionamento clinico necessarie per le situazioni cliniche della vita reale senza sovraccaricare le risorse della facoltà.
Funzionalità e caratteristiche principali di AIMHEI
Il programma è il risultato di script Python e di metodologie di elaborazione del linguaggio naturale (NLP). È costituito da due componenti principali che vengono utilizzati per valutare gli studenti di medicina: una sezione di informazioni e una di abilità. La sezione dedicata alle informazioni contiene una lista di controllo che misura i punti finali derivati dalla Bates’ Guide to Physical Examination and History Taking. (Bickley & Szilagyi, 2016). I criteri della sezione informativa dipendono dagli obiettivi di apprendimento specifici e dai desideri degli educatori e/o dei supervisori. La sezione delle abilità consiste in punteggi di terminologia medica, punteggi di cortesia e punteggi di empatia, tutti pensati per affrontare aspetti specifici di un colloquio medico e fornire un feedback di coaching per migliorare e riconoscere i successi.
In pratica, AIMHEI viene utilizzato per analizzare una trascrizione generata da una registrazione audio di un colloquio con un paziente standardizzato. La trascrizione viene esaminata e valutata in base a 96 criteri diversi. AIMHEI produce due rapporti a partire da questo punteggio, un rapporto per i docenti e un rapporto per gli studenti. Il rapporto di facoltà contiene una giustificazione riga per riga del punteggio, che include i criteri, la spiegazione del punteggio assegnato, una citazione in linea della trascrizione che fornisce le prove del punteggio e la sezione in cui rientrano i criteri. È estremamente esaustivo e in grado di giustificare se stesso nel caso in cui un docente o uno studente abbia bisogno di rintracciare un punteggio.
Il report della facoltà viene poi convertito in pochi secondi in un report dello studente. Il rapporto dello studente viene consegnato allo studente poco dopo aver completato il colloquio. Questo rapporto AIMHEI contiene una versione abbreviata del rapporto di facoltà, pur fornendo le informazioni pertinenti, tra cui una suddivisione di ogni sezione e sottosezione con i punteggi delle prestazioni. Alla fine del rapporto, viene prodotto un feedback personalizzato per ogni trascrizione delle revisioni dei programmi. Il feedback personalizzato deriva dalle sezioni con punteggi bassi, in modo che lo studente possa concentrarsi sui miglioramenti da apportare alla visita successiva. Il diagramma seguente mostra il flusso di lavoro del programma AIMHEI dall’inizio alla fine.
Quali sono i prossimi passi?
Attualmente stiamo conducendo uno studio randomizzato controllato (RCT) per valutare l’efficacia di AIMHEI tra gli studenti di medicina. In questo studio stiamo raccogliendo il feedback degli studenti sulla qualità e l’utilità delle valutazioni generate dall’intelligenza artificiale, oltre a seguire i loro progressi nello sviluppo delle abilità di anamnesi medica nel corso del primo anno. Questo si basa su uno studio pilota di successo, in cui abbiamo raccolto un feedback iniziale sull’organizzazione e la chiarezza del feedback fornito da AIMHEI. I risultati del progetto pilota ci hanno permesso di apportare miglioramenti al sistema di feedback dello strumento, assicurando che sia strutturato e fruibile per gli studenti.
Guardando oltre l’attuale sperimentazione, AIMHEI ha il potenziale per applicazioni più ampie nella formazione medica. Una direzione futura prevede l’adattamento dello strumento per fornire feedback su altre competenze fondamentali, come la presentazione di un caso orale, che è fondamentale sia per il ragionamento clinico che per una comunicazione efficace. Inoltre, AIMHEI potrebbe essere perfezionato per fornire un feedback specifico per ogni specialità, in modo da soddisfare le competenze comunicative e cliniche uniche richieste in campi come la chirurgia, la medicina interna o la pediatria. Ampliando le capacità dello strumento, AIMHEI può supportare ulteriormente gli studenti di medicina nello sviluppo delle diverse abilità necessarie per le specializzazioni scelte, offrendo al contempo una soluzione scalabile per i docenti che devono gestire i feedback degli studenti in diversi ambiti.
Ultimi pensieri
Lo sviluppo di questo programma di elaborazione del linguaggio segna un progresso significativo nella tecnologia dell’educazione medica. Concentrandosi sugli aspetti chiave dei colloqui medici – accuratezza della terminologia medica, gentilezza ed empatia – il programma promette di migliorare la qualità delle interazioni dei futuri medici con i pazienti. Con l’ulteriore integrazione di questa tecnologia nella formazione medica, essa ha il potenziale di trasformare il modo in cui i professionisti del settore comunicano, portando in ultima analisi a un miglioramento delle cure e della soddisfazione dei pazienti.
Bibliografia
Case, L., Khan, I., & Qato, K. (2024). The past, present, and future of feedback in medical education. Journal of Vascular Surgery- Vascular Insights, 2, e100116. https://doi.org/10.1016/j.jvsvi.2024.100116
Drafting Panel for Core Entrustable Professional Activities for Entering Residency. (2014). Core Entrustable Professional Activities for Entering Residency: Faculty and Learner’s Guide. Association of American Medical Colleges. https://store.aamc.org/downloadable/download/sample/sample_id/66/%20
Tischendorf, J., O’Connor, C., Alvarez, M., & Johnson, S. (2018). Mock Paging and Consult Curriculum to Prepare Fourth-Year Medical Students for Medical Internship. MedEdPORTAL: The Journal of Teaching and Learning Resources, 14, e10809. https://doi.org/10.15766/mep_2374-8265.10708
Lyss-Lerman, P., Teherani A., Aagaard, E., Loeser, H., Cooke, M., Harper, G. M. (2009). What training is needed in the fourth year of medical school? Views of residency program directors. Academic Medicine: The Journal of the Association of American Medical Colleges, 84(7), 823-829. https://doi.org/10.1097/ACM.0b013e3181a82426
Barrows, H. S. (1993). An overview of the uses of standardized patients for teaching and evaluating clinical skills. Academic Medicine: Journal of the Association of American Medical Colleges, 68(6), 443–453. https://doi.org/10.1097/00001888-199306000-00002
Miller, G. E. (1990). The assessment of clinical skills/competence/performance. Academic Medicine: Journal of the Association of American Medical Colleges, 65(9 Suppl), S63-S67. https://doi.org/10.1097/00001888-199009000-00045
Rosipigliosi, P. A. (2023). Artificial intelligence in teaching and learning: What questions should we ask of ChatGPT? Interactive Learning Environments, 31(1), 1-3, https://doi.org/10.1080/10494820.2023.2180191
Lee, H. (2023). The rise of ChatGPT: Exploring its potential in medical education. Anatomical Sciences Education, 17(5), 926-931, https://doi.org/10.1002/ase.2270
Chan, K.S. & Zary, N. (2019). Applications and Challenges of Implementing Artificial Intelligence in Medical Education: Integrative Review. JMIR Medical Education, 5(1), e13930. https://doi.org/10.2196/13930
Kung, T.H., Cheatham, M., Medenilla, A., Sillos, C., De Leon, L., Elepaño, C., Madriaga, M., Aggabao, R., Diaz-Candido, G., Maningo, J., & Tseng, V. (2023). Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health, 2(2), e0000198. https://doi.org/10.1371/journal.pdig.0000198
Bickley, L. S., & Szilagyi, P. G. (2016). Bates’ Guide to Physical Examination and History Taking (12th ed.). Lippincott, Williams & Wilkins.ommunication and empathy skills. BodyInteract Blog. 2023. https://bodyinteract.com/blog/communication-empathy-virtual-patients/
LEGGI ANCHE
