将人工智能整合到医学教育中：当前应用、挑战及未来方向的叙述性系统综述

• Zeeshan Ahsan1

《BMC医学教育》第25卷，文章编号：1187 (2025)

摘要

人工智能（AI）正在重塑医疗保健服务和医学教育结构。本叙述性综述综合分析14项研究，揭示AI在本科、研究生和继续医学教育项目中的整合情况。研究表明其应用范围广泛，包括诊断辅助、课程重构、评估方法优化和行政流程简化。然而仍存在伦理困境、验证课程缺乏、实证研究不足和基础设施限制等挑战。研究方案已在PROSPERO（ID:1109025）注册，并遵循PRISMA 2020指南。研究强调需构建结构化AI课程体系、加强师资培养、促进跨学科协作和伦理实践。建议采取分阶段的学习者中心方法，以满足医学教育的演进需求。

引言

人工智能正通过其多元化能力重塑医疗保健和医学教育。在医学培训中，AI通过机器学习、自然语言处理（NLP）、神经网络和大型语言模型（LLMs）技术提升知识获取、临床推理和诊断精准度，创建虚拟患者模拟、自动评估系统和个性化学习反馈。这些创新正在改变医学生、住院医师和临床医生获取信息和发展临床技能的方式。

医疗领域已逐步将AI应用于影像分析到患者护理预测分析等临床场景，这一趋势现正延伸至学术领域。随着ChatGPT和决策支持系统在临床实践中的整合，未来医疗从业者掌握AI知识的紧迫性日益凸显。全球医学院校和培训项目开始设计不仅涵盖技术能力，更包含伦理、监管和人道主义考量的课程。

尽管关注度持续上升，医学教育中的AI教学仍存在显著差异。许多机构缺乏系统的课程体系、验证教学方法和实质性跨学科协作。在AI素养定义、教育成果评估和师资培训方面存在显著差异。这些差异引发重要问题：医学教学中有效的AI教学方法是什么？如何确保AI培训的可及性和公平性？如何确保伦理意识与技术发展同步？

为应对这些挑战，教育策略必须建立在结构化框架基础上。本综述采用Kern的六步课程开发法，强调需求评估、目标设定、教学设计、实施、评估和反馈。该模型为将AI有条不紊地整合到医学教育中提供了清晰路径。

方法

本综述采用混合方法，结合叙述性和系统性综述要素。遵循PRISMA 2020指南进行系统文献检索，确保方法透明。尽管应用偏倚风险评估工具并系统记录研究选择，但由于研究设计、结果指标和AI应用的异质性，采用叙述性综合分析。研究范围覆盖PubMed、Scopus、Web of Science和Google Scholar 2000年1月至2024年3月的文献，使用"人工智能"、"机器学习"、"医学教育"等关键词组合进行检索。

方案注册

本综述方案已在国际前瞻性系统综述注册中心（PROSPERO）注册（ID：1109025），遵循PRISMA 2020指南。完整PRISMA 2020检查清单见补充文件1。

纳入标准

研究需探索AI在本科、研究生或继续医学教育中的整合情况，包含实证研究、教育干预、横断面调查等设计。排除非英语文献、仅含摘要或与教育场景无直接关联的研究。

数据收集

两名评审员独立进行标题/摘要筛选和全文评估。使用标准化提取表收集作者信息、研究设计、教育层级、AI应用领域等特征。经讨论解决分歧，确保数据一致性。

偏倚风险评估

采用量身定制工具评估偏倚风险：交叉研究使用AXIS工具，定性研究使用CASP清单，叙事综述使用SANRA量表，准实验研究使用JBI标准。两名评审员独立评估并达成共识。

结果

初始检索获取150项研究，最终纳入14项（图1）。研究涉及美国、印度、澳大利亚等国，方法包括范围综述、横断面调查等。AI应用涵盖招生、诊断、教学评估和课程开发。表1总结各研究特征。

研究特征

纳入的14项研究显示地理多样性，目标群体包括医学生、住院医师和在职专业人员。AI应用于诊断辅助、虚拟模拟、个性化学习等领域。两项研究评估了四维AI素养框架和四周期模块化选修课的效果。

偏倚评估

系统综述显示中等偏倚风险，主要由于研究质量评估缺失和资金报告不全。观察性研究显示低偏倚风险，横断面调查显示低至中等偏倚风险。定性研究显示中等偏倚风险。

AI应用

Gordon等发现AI在招生、诊断和评估中的应用。Khalifa和Albadawy报告AI在诊断成像准确性和工作流程效率的提升。Parsaiyan等和Narayanan等的研究强调AI在虚拟模拟和基于能力的教育中的影响。

课程创新

Crotty等提出包含机器学习、伦理和治理的模块化课程，Ma等开发四维框架培养AI素养。Krive等报告显示四周期选修课显著提升学习成果。

利益相关者观点

Wood等和Weidener等指出正式培训机会不足。伦理困境、就业替代担忧和准备不足是主要关切。

伦理挑战

Mennella等和Mondal等强调数据隐私和患者自主权问题。需建立国际监管标准并将AI伦理纳入核心课程。

实施障碍

包括实证证据不足、基础设施限制、情境适用性挑战等。缺乏统一教学模型和成果评估是主要障碍。

讨论

本综述显示AI在医学教育中的广泛应用，但多数仍处于试点或概念阶段。高收入国家在数字基础设施和跨学科协作方面具有优势，而中低收入国家面临师资AI素养不足等障碍。需采用开放资源和情境化师资发展策略避免加剧教育不平等。

课程开发是关键障碍。尽管提出多种模型，但缺乏现实测试。应用Kern模型可通过需求评估、实施指导和系统评估缩小理论与实践差距。

伦理考量日益重要。学生需掌握算法输出批判性评估能力。需加强偏见减少、算法透明和数据治理教育。

利益相关者参与至关重要。学生对AI训练兴趣浓厚，但师资支持受限于专业知识。跨学科合作是关键，可通过AI黑客马拉松和跨学科课程促进协作。

基础设施和公平性问题必须解决。需优先发展开放工具和轻量级策略。师资发展应包括微认证项目和计算机科学部门合作的训练营。

本综述优势在于方法严谨，但存在研究设计异质性、高收入国家研究主导等局限。需更多纵向研究评估AI整合的长期效果。

结论

AI通过提升教学方法、评估准确性和个性化学习正在重塑医学教育。需结构化、基于伦理和循证的培训项目。分阶段整合策略（从临床前基础到临床复杂应用）提供可持续路径。医疗系统必须适应技术发展，培养未来临床医生不仅熟练使用工具，更要引领AI医疗实践。

【全文结束】