AI kan een krachtige vervangende leraar zijn voor de volgende generatie geneeskundestudenten

AI kan een krachtige vervangende leraar zijn voor de volgende generatie geneeskundestudenten

Nu er een steeds nijpender tekort aan chirurgen is, kan kunstmatige intelligentie deze leemte helpen opvullen door medische studenten te coachen in het oefenen van chirurgische technieken.

Een nieuwe tool, gebaseerd op video's van ervaren chirurgen aan het werk, biedt studenten in realtime gepersonaliseerd advies terwijl ze oefenen met hechten. Uit eerste experimenten blijkt dat AI een krachtige vervangende leraar kan zijn voor meer ervaren leerlingen.

“We bevinden ons op een cruciaal moment. Het tekort aan aanbieders wordt steeds erger en we moeten nieuwe manieren vinden om meer en betere oefenmogelijkheden te bieden. Op dit moment moet een behandelend chirurg, die al weinig tijd heeft, binnenkomen en kijken hoe studenten oefenen, ze evalueren en gedetailleerde feedback geven – dat is eenvoudigweg niet schaalbaar”, zegt hoofdauteur Mathias Unberath, een expert in AI-ondersteunde geneeskunde die zich richt op de manier waarop mensen omgaan met AI. “Het op één na beste is misschien wel onze verklaarbare AI die studenten laat zien hoe hun werk verschilt van het werk van ervaren chirurgen.”

De baanbrekende technologie die aan de Johns Hopkins Universiteit is ontwikkeld, is onlangs gepresenteerd en erkend op de Internationale Conferentie over Medical Image Computing en Computer Assisted Intervention.

Momenteel kijken veel medische studenten naar video's van experts die operaties uitvoeren en proberen te imiteren wat ze zien. Er zijn zelfs bestaande AI-modellen die studenten evalueren, maar Unberath zegt dat ze tekortschieten omdat ze studenten niet vertellen wat ze goed of fout doen.

“Deze modellen kunnen je vertellen of je hoge of lage vaardigheden hebt, maar ze kunnen je moeilijk vertellen waarom,” zei hij. “Als we zinvolle zelftraining mogelijk willen maken, moeten we leerlingen helpen begrijpen waar ze zich op moeten concentreren en waarom.”

Het model van het team maakt gebruik van zogenaamde ‘verklaarbare AI’, een AI-aanpak die – in dit voorbeeld – beoordeelt hoe goed een leerling een wond sluit en hen vervolgens precies vertelt hoe ze kunnen verbeteren.

Het team trainde hun model door de handbewegingen van ervaren chirurgen te volgen terwijl ze de incisies sloten. Wanneer studenten dezelfde taak proberen, stuurt de AI hen onmiddellijk een sms om hen te laten weten hoe ze het hebben gedaan in vergelijking met een expert en hoe ze hun techniek kunnen verfijnen.

Leerlingen willen dat iemand hen objectief vertelt hoe ze het hebben gedaan. We kunnen hun prestaties voor en na de procedure berekenen en zien of ze de expertpraktijk benaderen.”

Catalina Gomez, hoofdauteur, PhD-student in computerwetenschappen aan de Johns Hopkins University

Het team voerde een uniek onderzoek uit om erachter te komen of studenten beter leren door middel van AI of door het bekijken van video's. Ze hebben willekeurig twaalf medische studenten toegewezen met ervaring in het hechten met behulp van een van de twee methoden.

Alle deelnemers oefenden met het sluiten van een incisie met hechtingen. Sommigen kregen direct AI-feedback, terwijl anderen hun werk in een video probeerden te vergelijken met een chirurg. Toen probeerde iedereen weer te naaien.

Vergeleken met studenten die video's bekeken, leerden sommige AI-opgeleide studenten veel sneller en hadden ze meer ervaring.

“Voor sommige mensen heeft AI-feedback een groot effect”, zegt Unberath. “Beginners hadden nog steeds moeite met de taak, maar studenten met gedegen chirurgische kennis die op het punt staan ​​dat ze het advies kunnen implementeren, hadden een grote impact.”

Vervolgens is het team van plan het model te verfijnen om het gebruiksvriendelijker te maken. Ze hopen uiteindelijk een versie te maken die leerlingen thuis kunnen gebruiken.

“We willen computervisie en AI-technologie bieden waarmee iemand vanuit het comfort van zijn eigen huis kan oefenen met een naaisetje en een smartphone”, aldus Unberath. "Dit zal ons helpen het onderwijs op medisch gebied uit te breiden. Het gaat er echt om hoe we deze technologie kunnen gebruiken om problemen op te lossen."

Auteurs zijn onder meer Lalithkumar Seenivasan, Xinrui Zou; Jeewoo Yoon; Sirui Chu; Ariël Leon; Patrick Kramer; Yu Chun Ku; Jose L. Porras; en Masaru Ishii, allemaal van Johns Hopkins, en Alejandro Martin-Gomez van de Universiteit van Arkansas.

Bronnen: