A scoping review of artificial intelligence in medical education: BEME Guide No. 84
Morris GordonORCID Icon,Michelle DanielORCID Icon,Aderonke Ajiboye,Hussein Uraiby,Nicole Y. XuORCID Icon,Rangana Bartlett, show all
Received 04 Dec 2023, Accepted 31 Jan 2024, Published online: 29 Feb 2024
Cite this article https://doi.org/10.1080/0142159X.2024.2314198
https://www.tandfonline.com/doi/full/10.1080/0142159X.2024.2314198?af=R
背景
人工知能（AI）は医療を急速に変容させており、AIが医学教育における教育、学習、教育実践をどのように再構築しているのかについて、微妙な理解を得ることが極めて重要である。本総説は、医学教育におけるAIの応用に関する文献、発見された主要分野、正式なシステマティックレビューの潜在的候補、および今後の研究のギャップをマッピングすることを目的とした。
方法
ArkseyとO'Malleyのフレームワークを採用し、STORIESとBEMEのガイドラインを遵守した。PubMed/MEDLINE、EMBASE、MedEdPublishにおいて、日付や言語の制限なく体系的かつ包括的な検索を行った。レビューに含まれた出版物は、学部、大学院、継続医学教育にまたがり、原著と展望の両方を含んでいた。データは複数の著者ペアによって図表化され、様々なテーマ別マップや図表に統合された。
結果
エビデンスと研究方法レビューでは、カリキュラムの開発、学生の評価、臨床推論スキルの強化など、医学教育のさまざまな側面におけるAIの応用が幅広く発見された。これらの研究で採用された方法論は、定量的分析やランダム化比較試験から、定性的研究や混合法研究まで、多岐にわたる。
臨床推論のためのAIの使用：AIは、仮想患者シミュレーション（Virtual Patient Simulations：VPS）や知的個別指導システム（Intelligent Tutoring Systems：ITS）などのツールを通じて、臨床推論の教育と評価に可能性を示している。これらの技術は、ダイナミックな学習環境と個別化されたフィードバックを提供し、学習者の診断能力と問題解決能力を向上させる。
ドキュメンテーションの自動化：AIとML技術は、研修生の臨床経験の文書化を自動化するために使用され、臨床概念を特定し、それを中核的な臨床問題にマッピングする際に高い精度を示すことに成功している。
AIに対する知識と態度：研究の大部分は、医学生と専門家の医学教育におけるAIに対する知識、認識、態度に焦点を当てている。その結果、AIの役割や意味合いに対する理解度や懸念は様々であることが示唆された。
考察
医学教育におけるAIの統合：医学教育におけるAIの変革的役割が強調されている。技術の進歩に合わせて、カリキュラム開発から教育方法論、学習者評価に至るまで、様々な教育側面にAIを統合する必要性について論じている。
倫理的・専門的考察:アルゴリズムの偏り、データのプライバシー、医療における人間的要素の保護など、倫理的な懸念が強調されている。このレビューでは、AIが医療提供者の役割を代替するのではなく強化し、患者と医療提供者の関係、共感、患者の自律性の尊重を維持するための倫理教育の重要性を強調している。
AI研究報告の枠組み：今後の医学教育におけるAI研究のための構造化されたアプローチとして、FACETSフレームワークを提案している。このフレームワークは、形態、ユースケース、文脈、教育形態、技術、技術統合戦略に焦点を当てることで包括的な視点を提供し、教育におけるAIアプリケーションの普及、複製、革新を促進することを目的としている。
ギャップと今後の研究：AIが医学教育に与える長期的な影響、AIに関連する潜在的なリスクへの対処、教育におけるAIの研究開発のより体系的なアプローチのためのFACETSのようなフレームワークの採用など、今後の研究のための重要な分野を特定する。
結論
現状の文献を整理した。その結果、未知の領域を探求し、医学教育におけるAIの使用に関連する潜在的なリスクに対処するための継続的な研究の必要性が強調された。この研究は、教育者、政策立案者、研究者が、医学教育におけるAIの進化する役割についてナビゲートする際の基礎資料となる。将来の有用性の高い報告をサポートするためのフレームワーク、FACETSフレームワークが提案されている。
ポイント
医学教育におけるAI（NLP、ML、GPTを含むあらゆる形態）の利用について、どの程度のエビデンスがあり、どのような研究方法が採用されているか？
このレビューでは、NLP、ML、その他の技術を含むAIが、医学教育の様々な側面で徐々に採用されつつあることが示されている。エビデンスでは、学習体験の向上、評価方法の改善、臨床判断トレーニングの支援におけるAIの応用が紹介されている。研究の方法論は、AIの影響を包括的に評価するために、定量的分析、定性的研究、混合方法論アプローチに及んでいる。これらの研究は、管理業務の自動化、学習の個別化、仮想患者シミュレーションやインテリジェントな個別指導システムによる臨床トレーニングの補強におけるAIの役割を強調している。
また、どのような研究方法が採用されているのか？
カリキュラム開発へのAIの統合、評価プロセスの自動化におけるAIの役割、AI利用を取り巻く倫理的配慮など、いくつかの重要なテーマについて概説している。研究アプローチは、特定の教育環境におけるAIの有効性を評価する実験デザインから、医学教育におけるAIに対する学生や教育者の認識を探る調査やインタビューまで、多岐にわたる。
より詳細なシステマティック・レビューが必要な分野があるとすれば、それは何か？
このレビューでは、特に医学教育におけるAIの倫理的意味合いや、AI技術を既存のカリキュラムにどのようにシームレスに統合できるかなど、より詳細な調査が必要な分野がいくつか挙げられている。AI統合の長期的な成果や、学習成果や臨床スキルの向上におけるさまざまなAIツールの有効性の評価に焦点を当てた系統的レビューが求められている。
今後の研究者が検討すべき、現在のエビデンスベースのギャップは何か。
研究の進展にもかかわらず、医学教育におけるAIの最適な利用法を理解するには、大きなギャップが残っている。これには、学習成果に対するAIの影響に関するより確固としたエビデンスの必要性、医学カリキュラムにおけるAIツールのより良い統合戦略、医学教育におけるAIの使用から生じる倫理的・専門的問題のより深い探求などが含まれる。この文書は、医学教育におけるAI関連研究を報告するための標準化された枠組みを開発し、研究間の比較やメタ分析を容易にすることの重要性を強調している。
