医学院学生在大学走廊行走
数代以来，医生一直通过认知学徒制模式接受培训，在监督下实践，获得反馈，并学习经验丰富的临床医生如何解决复杂问题。
通过反复执行——并且经常是在困难中摸索——临床任务，学员逐渐培养出独立行医所需的专业知识、判断力和自我认知。
但如果医生通过实践学习，当AI越来越多地承担这些实践工作时会发生什么？它可能创造哪些新的教育机会？我们正在为明天的医生准备什么样的未来？
即使AI对学习的影响在许多方面仍属未知，它也正在迫使医学界快速重新考虑如何培训医生。
纽约大学格罗斯曼医学院(NYU Grossman School of Medicine)负责教育的高级副院长马克·特里奥拉(Marc Triola)直言不讳地表示："医学教育正处于关键的转折点。"
AI如何改变医学培训
传统上，培训大批医学生、住院医师和研究员要求教育者面向平均水平的学习者教学，并评估最容易衡量的内容：知识记忆。
AI创造了评估学员能力并以先前不可能的方式个性化其培训的机会。
例如，西奈山医学院(Mount Sinai)的教育工作者正在使用AI语音记录转录来分析学员的沟通技巧并提供有针对性的反馈。同样，宾夕法尼亚大学的一个团队正在通过分析内科住院医师及其同事之间的对话来评估临床推理能力。正如纽约大学教育助理院长维瑞蒂·谢伊(Verity Shaye)向我解释的那样，医学教育工作者长期以来一直难以直接评估沟通和推理技能。
程序性培训也可能发生巨大变化。传统上，能力是通过学员完成的病例数量而非执行质量来评估的。斯坦福大学的研究人员正在使用传感器技术来量化手术技巧并提供数据驱动的指导。
教育工作者可能获得新的方式来跟踪长期成长。在凯撒医疗集团东湾分部(Kaiser Permanente East Bay)，耳鼻喉科医生亚历山大·里韦罗(Alexander Rivero)正在使用AI收集和汇总耳鼻喉科住院医师的术后总结和其他学习资料，形成纵向学习档案。
AI还可以帮助连接课堂学习和临床实践。纽约大学的教育工作者使用AI传递"教育提示"，例如自动向学员发送与他们在病房看到的患者相关的关键文章。
与此同时，AI模拟可以拓宽学员对不同人群和疾病的接触面，这些可能是他们在自己环境中无法遇到的。北达科他州的一名家庭医学住院医师现在可以接触到患有镰状细胞病的城市青少年。皇后区的传染病研究员可以遇到患有土拉菌病的农民。
更广泛地说，通过将学员从长期以来占据他们时间和思维的死记硬背和"杂务"中解放出来，AI可以让他们有更多时间与患者相处，完善推理技能并参与更多认知要求高的任务。
然而，许多这些相同任务正是学员传统上发展专业知识的方式。
使用AI培训的风险
教育研究者长期以来一直认为，专业知识是通过努力学习和刻意练习发展起来的。
将关键任务外包给AI的学员——如撰写临床笔记、总结医疗记录、合成医学文献、询问患者和制定鉴别诊断——可能会未能发展关键能力("技能缺失")，失去先前发展的技能("技能退化")或发展出不正确的实践("技能误用")。
关于认知外包的研究表明这些担忧是真实的。当我们习惯性依赖GPS时，我们的空间记忆会减弱。当我们停止手写笔记时，我们保留的信息更少。外包认知工作会改变我们学习的方式、记住的内容以及如何进行批判性思考。
然而，对技术削弱医生技能的担忧并非新鲜事。
当我是一名住院医师时，主治医师抱怨我们无法触诊脾脏或制作血涂片。他们的老师曾抱怨我们不能凭记忆汇报病例或真正住在医院里。更早一代的医生甚至反对从医学教科书中学习，认为从记忆中提取知识会迫使更深层次的反思。
同样，这些风险也可能被夸大了。加州大学旧金山分校(UCSF)内科总住院医师弗莱彻·贝尔(Fletcher Bell)告诉我，每周在医院工作长达80小时的住院医师有足够的学习机会。
同时，并非所有技能退化都是坏的。其中一些可能是必要的，为学习新的基本技能腾出空间。如果计算机可以比经验丰富的心脏病专家更快、更准确地完成，所有内科住院医师都需要阅读心电图吗？密歇根大学的初级保健医生和医学教育研究者科尼利厄斯·詹姆斯(Cornelius James)解释说："如果我们强迫他们学习不再需要学习的东西，我们可能会失去学员的信任。"
尽管如此，AI可能代表着一种不同的挑战，因为它执行了许多临床医生传统上通过这些认知任务来学习思考的方式，如批判性评估研究或制定治疗计划。
挑战在于确定哪些活动可以外包给AI，哪些仍然是必不可少的。
我们对AI在医学中的影响知之甚少
然而，我们并不完全理解这些中的任何一点。我们不知道当今的学员使用各种AI工具的频率、使用方式或感受如何。
在华盛顿大学，内科住院医师约翰·戴维斯(John Davis)描述了一个小但声音很大的热情用户群体，他们声称不使用AI几乎是失职行为，同时还有另一群体认为这些工具根本不可信。他的大多数同事处于两者之间。
虽然很自然地假设年轻人对AI充满热情，但调查显示更多的怀疑态度。戴维斯描述了广泛的"社交姿态"，一些同事表明他们独立得出了答案或完成了工作。
我们对这些工具在现实世界中的有效性，或它们导致重要技能萎缩或从未发展的程度也知之甚少。
尽管有无数关于技能退化或技能缺失的LinkedIn帖子，但医学领域的证据主要基于一项有限的观察性研究，该研究针对使用腺瘤检测软件的波兰胃肠病学家，这远不足以得出关于AI和医学培训的广泛结论。
最重要的是，我们不确定我们正在为学员准备什么样的未来。
"与AI合作的医生将取代不与AI合作的医生"这样的口号虽然正确但无用。医生加AI比单独任何一方都更好这一长期信念似乎不再普遍成立。我们挥挥手谈论判断力和品味，但两者都难以定义，甚至更难培养。
我们知道的比我们想象的要少。
在拥有所有答案之前做出回应
医学教育反应迟缓，部分原因是这种不确定性，部分原因是许多教育者觉得自己没有资格教授AI。尽管如此，随着技术、临床工作流程和期望迅速发展，我们不能等待完美的证据。
辛辛那提大学的人类学家兼副院长劳拉·特纳(Laurah Turner)认为，医学教育者正急于将其熟悉的工具包——政策、能力和课程——应用于他们尚未完全理解的现象。
一方面，这些回应是必要的。学员应该发展AI能力，包括批判性评估AI输出的能力，就像我们长期以来教授循证医学一样。
然而，这些回应还不够。它们假设我们知道方向和到达那里的方法。我们不知道。
与其试图预测未来，医学教育必须变得更加适应性。与其做假设，教育者必须研究学员如何使用这些工具、它们产生什么影响以及传统学徒制模式的哪些要素仍然必不可少。
对特纳来说，这意味着与学员合作共同创造新的培训方法，并采用设计研究和实施科学等更新的模型。
对加州大学旧金山分校AI和医学教育团队负责人的教授克里斯蒂·博斯卡丁(Christy Boscardin)来说，这意味着帮助学员发掘内在动力，鼓励他们跟进使用或不使用AI所做的决策结果。随着时间推移，这可以帮助他们认识到何时应该放慢速度、提问和更批判性地思考。
换句话说，医学培训本身必须变得更加适应性，而不仅仅是教授医生使用AI。
医学进化的下一章
没有人确切知道未来几年医学会是什么样子。
医生以前曾面临过类似的不确定性，新技术一再改变了医生的实践方式。然而，这一刻感觉不同，因为AI迫使我们重新考虑医生做什么以及他们如何学习。
在如此多人对医学感到失望的时候，美国医学会(AMA)医学教育创新副总裁、外科医生金伯利·洛米斯(Kimberly Lomis)看到了机遇。"AI是我们应该利用的变革，"她告诉我。"这是一个围绕我们的价值观重新调整的机会。"
与以往一样，当机器能够越来越多地执行昨天的学员通过实践学习的任务时，挑战在于决定每位医生仍然需要学习什么、什么不再重要以及他们必须发展哪些新能力。
我们尚未知道答案。但今天我们培训的医生将帮助确定它。
致谢：我要感谢以下人士与我讨论这个话题：弗莱彻·贝尔(UCSF)、克里斯蒂·博斯卡丁(UCSF)、托德·卡塞斯(Cornell University)、约翰·戴维斯(华盛顿大学)、科尼利厄斯·詹姆斯(密歇根大学)、阿尼莎·库马尔(Stonybrook University)、金伯利·洛米斯(美国医学会)、亚历山大·里韦罗(凯撒医疗集团东湾分部)、维瑞蒂·谢伊(NYU)、马克·特里奥拉(NYU)和劳拉·特纳(辛辛那提大学)。
【全文结束】