A IA pode ser um professor substituto poderoso para a próxima geração de estudantes de medicina

A IA pode ser um professor substituto poderoso para a próxima geração de estudantes de medicina

Com uma escassez cada vez mais aguda de cirurgiões, a inteligência artificial poderia ajudar a preencher esta lacuna, treinando estudantes de medicina para praticar técnicas cirúrgicas.

Uma nova ferramenta baseada em vídeos de cirurgiões experientes trabalhando oferece aos alunos aconselhamento personalizado em tempo real enquanto praticam a sutura. As experiências iniciais sugerem que a IA pode ser um professor substituto poderoso para alunos mais experientes.

"Estamos num momento crucial. A escassez de prestadores está a piorar e precisamos de encontrar novas formas de proporcionar mais e melhores oportunidades de prática. Neste momento, um cirurgião assistente, que já tem pouco tempo, tem de entrar e observar os estudantes praticarem, avaliá-los e dar-lhes feedback detalhado - isso simplesmente não é escalável", disse o autor principal Mathias Unberath, especialista em medicina assistida por IA que se concentra na forma como os humanos interagem com a IA. “A próxima melhor opção pode ser nossa IA explicável, que mostra aos alunos como seu trabalho difere do trabalho de cirurgiões experientes.”

A tecnologia inovadora desenvolvida na Universidade Johns Hopkins foi recentemente apresentada e reconhecida na Conferência Internacional sobre Computação de Imagens Médicas e Intervenção Assistida por Computador.

Atualmente, muitos estudantes de medicina assistem a vídeos de especialistas realizando cirurgias e tentam imitar o que veem. Existem até modelos de IA que avaliam os alunos, mas Unberath diz que eles ficam aquém porque não dizem aos alunos o que estão fazendo certo ou errado.

“Esses modelos podem dizer se você tem alta ou baixa habilidade, mas têm dificuldade em dizer por quê”, disse ele. “Se quisermos permitir uma autoformação significativa, precisamos de ajudar os alunos a compreender no que precisam de se concentrar e porquê.”

O modelo da equipe envolve a chamada “IA explicável”, uma abordagem de IA que – neste exemplo – avalia quão bem um aluno fecha uma ferida e então lhe diz exatamente como ele pode melhorar.

A equipe treinou seu modelo rastreando os movimentos das mãos de cirurgiões experientes enquanto fechavam as incisões. Quando os alunos tentam a mesma tarefa, a IA envia-lhes imediatamente uma mensagem de texto para que saibam como se saíram em comparação com um especialista e como podem refinar sua técnica.

Os alunos querem que alguém lhes diga objetivamente como fizeram isso. Podemos calcular seu desempenho antes e depois do procedimento e ver se eles estão se aproximando da prática especializada.”

Catalina Gomez, autora principal, estudante de doutorado em ciência da computação na Universidade Johns Hopkins

A equipe conduziu um estudo inédito para descobrir se os alunos aprendem melhor por meio da IA ​​ou assistindo a vídeos. Eles designaram aleatoriamente doze estudantes de medicina com experiência em sutura usando um dos dois métodos.

Todos os participantes praticaram o fechamento de uma incisão com suturas. Alguns receberam feedback instantâneo da IA, enquanto outros tentaram comparar seu trabalho ao de um cirurgião em um vídeo. Então todos tentaram costurar novamente.

Em comparação com os alunos que assistiram a vídeos, alguns alunos treinados em IA aprenderam muito mais rápido e com mais experiência.

“Para algumas pessoas, o feedback da IA ​​tem um grande efeito”, disse Unberath. “Os iniciantes ainda tiveram dificuldade com a tarefa, mas os alunos com sólidos conhecimentos cirúrgicos que estão no ponto em que podem implementar os conselhos tiveram um grande impacto.”

A seguir, a equipe planeja refinar o modelo para torná-lo mais fácil de usar. Eles esperam eventualmente criar uma versão que os alunos possam usar em casa.

“Queremos fornecer visão computacional e tecnologia de IA que permitam a alguém praticar no conforto de sua casa com um kit de costura e um smartphone”, disse Unberath. "Isso nos ajudará a expandir a educação na área médica. Na verdade, trata-se de como podemos usar essa tecnologia para resolver problemas."

Os autores incluem Lalithkumar Seenivasan, Xinrui Zou; Jewoo Yoon; Sirui Chu; Ariel Leão; Patrick Kramer; Yu Chun Ku; José L. Porras; e Masaru Ishii, todos da Johns Hopkins, e Alejandro Martin-Gomez, da Universidade de Arkansas.

Fontes: