生成式AI（GenAI）在医学教育中有着光明的未来，这不仅适用于医学院校，也适用于住院医师和研究员在毕业后教育阶段的学习环境。几位高级研究生医学教育（GME）学员在本月发表于《医学前沿》的一篇文章中指出：“GME的核心原则是‘分级权限和责任’，学员逐步获得自主权，直到具备独立执业所需的技能。”此外，学员还被期望成为“医生学者”。那么，生成式AI在这方面有何作为呢？事实证明，它有很多作用。该论文总结了相关同行评审文献，并评论了GME环境中涉及生成式AI的风险和机遇。作者是德克萨斯州贝勒斯科特与怀特医疗系统的四位临床信息学研究员。以下是他们关于机遇部分的摘录。
1. 减轻电子健康记录工作负担
由于长时间的工作和压力大的工作环境，GME学员“特别容易出现职业倦怠”，主要作者Ravi Janumpally博士及其同事指出，“他们的倦怠率高于同龄的非医疗行业从业者，也高于早期职业的主治医生。”此外：
“鉴于其总结、翻译和生成文本的能力，生成式AI展示了减轻临床文件记录负担的技术辅助潜力。”
2. 临床模拟
利益相关者对使用对话式生成式AI进行患者接触模拟表现出浓厚兴趣，尽管这种应用更多地集中在本科医学教育上，作者指出。此外：
“生成式AI在GME中最有趣的潜在应用之一是使用合成数据作为视觉诊断的培训材料。例如，生成对抗网络（GANs）和扩散模型已在生成逼真的医学影像数据集方面显示出前景。”
3. 个性化教育
“一对一的人类辅导成本高昂，且有经验的教师并非随处可得，但生成式AI工具可能以更低的成本提供类似的益处，”Janumpally及其同事写道。
“大型语言模型（LLM）在解释复杂概念方面展现出潜力，可以根据学习者的水平进行定制化教学，LLM可以配置为个性化导师。”
4. 研究和分析支持
GME学员被要求参与质量改进（QI）项目，这些项目通常需要定量数据分析，作者指出。“学员在组织的QI活动中往往代表性不足，其中一个潜在原因是数据收集和分析所需的时间和精力巨大。”
“大型语言模型能够在一定程度上促进简单的数据分析，并能生成用于统计和编程任务的代码。LLM还在从非结构化医疗文本中提取结构化数据等自然语言处理任务中表现出色。”
5. 临床决策支持
生成式AI在临床决策支持（CDS）方面“具有巨大的潜力，提高性能的方法正在开发中”，作者写道。然而，他们补充说，“GME教师和学员目前还不能依赖LLM直接指导临床护理。”
“评估LLM在各种临床背景下用于临床决策支持的潜力的研究结果喜忧参半，它们在处理复杂判断和高度专业化的决策方面存在局限性。”
这并不意味着生成式AI在CDS方面没有未来——只是需要更多时间和关注。“LLM可以提供结合临床背景和患者数据的情境敏感和具体指导，可以通过现成的通信渠道访问，并且与基于规则的警报不同，它们是互动的。”Janumpally及其合著者指出。
(全文结束)
