多年来，医生一直通过认知学徒模式进行培训，在监督下实践，接收反馈，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——并经常在临床任务中挣扎——医学生逐渐发展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来学习，当AI越来越多地承担这些实践任务时会发生什么？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？
AI正迫使医学界快速重新考虑如何培训医生，尽管该技术对教育的影响在很大程度上仍不为人知。
纽约大学格罗斯曼医学院负责教育的高级副院长马克·特里奥拉直言不讳地表示："我们正处于医学教育的关键转折点。"
AI如何改变医学培训
传统上，培训大批医学生、住院医师和研究员需要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个性化培训的机会，这些在过去是不可能实现的。
例如，西奈山医院的教育工作者正在使用AI记录员的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与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来评估的，而不是他们执行的质量。斯坦福大学的研究人员正在使用传感器技术来量化外科技术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随时间的成长。在凯撒医疗集团东湾分部，耳鼻喉科医生亚历山大·里维罗正在使用AI收集并汇总耳鼻喉科住院医师的术后复盘和其他学习成果，形成纵向学习档案。
AI还可以帮助连接课堂学习和临床学习。纽约大学的教育工作者使用AI提供"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。
同时，AI模拟可以扩大学员对不同人群和状况的接触，这些可能是他们在自己环境中无法遇到的。北达科他州的家庭医学住院医师现在可以接触到患有镰状细胞病的市区青少年。皇后区的传染病研究员可以接触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琐碎工作中解放出来，AI可以使他们有更多时间与患者相处，完善推理能力，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。
与AI培训的风险
教育研究者长期以来一直认为，专业知识是通过费力学习和刻意练习发展的。
将关键任务外包给AI的学员——如撰写临床记录、总结病历、综合医学文献、采访患者和制定鉴别诊断——可能会未能发展关键能力（"从未掌握技能"），失去先前发展的技能（"技能退化"）或发展出不正确的实践（"错误技能"）。
关于认知外包的研究表明这些担忧是真实的。当我们习惯性地依赖GPS时，我们的空间记忆会下降。当我们停止手写笔记时，我们保留的信息更少。外包认知工作可以改变我们学习的方式、记住的内容以及批判性思考的方式。
然而，对技术侵蚀医生技能的担忧并不新鲜。
当我还是住院医师时，上级医师抱怨我们无法触诊脾脏或制作血涂片。他们的老师抱怨我们不能凭记忆汇报病例或真正在医院生活。更早一代的医生甚至反对从医学教科书中学习，认为从记忆中唤起知识能促使更深入的反思。
同样，这些风险也可能被夸大了。加州大学旧金山分校的内科总住院医师弗莱彻·贝尔告诉我，每周在医院花费多达80小时的住院医师有足够的学习机会。
与此同时，并非所有的技能退化都是坏事。有些可能是必要的，为学习必不可少的新技能腾出空间。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，是否所有内科住院医师都需要阅读心电图？密歇根大学的初级保健医生兼医学教育研究员科尼利厄斯·詹姆斯解释说："如果我们强迫学员学习他们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过程，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，哪些仍然必不可少。
我们对AI在医学中的影响知之甚少
然而，我们并不完全理解任何这些。我们不知道当今的学员使用各种AI工具的频率、他们如何使用以及他们对使用这些工具的感受。
在华盛顿大学，内科住院医师约翰·戴维斯描述了一个小但声音响亮的热衷用户群体，他们声称不使用AI几乎是失职行为，同时还有另一群人完全不信任这些工具。他的大多数同事处于两者之间。
虽然自然假设年轻人对AI充满热情，但调查显示更多怀疑态度。戴维斯描述了广泛的"社交姿态"，一些同事暗示他们独立得出了答案或完成了工作。
我们也出人意料地很少了解这些工具在现实世界中的有效性，或者它们导致重要技能萎缩或从未发展的程度。
尽管在LinkedIn上有无数关于技能退化或从未掌握技能的帖子，但医学领域的证据主要基于一项有限的观察性研究，研究波兰胃肠病学家使用腺瘤检测软件的情况，这远远不足以对AI和医学培训得出广泛结论。
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。
像"与AI合作的医生将取代不合作的医生"这样的口号是正确的，但毫无用处。长期持有的"医生加AI比单独任何一方都更好"的信念似乎不再普遍成立。我们含糊其辞地谈论判断和品味，但两者都难以定义，甚至更难培养。
我们知道的比我们认为的要少得多。
在没有所有答案的情况下应对
医学教育反应迟缓，部分原因在于这种不确定性，部分原因是一些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的快速发展，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·特纳认为，医学教育工作者急于将他们熟悉的工具包——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。
尽管如此，这些回应还不够。它们假设我们知道这是走向何方以及如何到达那里。我们不知道。
医学教育必须变得更加适应性强，而不是试图预测未来。教育者必须研究学员如何使用这些工具、它们有什么影响以及传统学徒模式的哪些元素仍然必不可少，而不是做出假设。
对特纳来说，这意味着与学习者合作共同创造新的培训方法，并接受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、教授克里斯蒂·博斯卡丁来说，这意味着帮助学习者利用他们的内在动机，鼓励他们跟进在有或没有AI的情况下做出的决策结果。随着时间的推移，这可以帮助他们认识到何时应该放慢速度、提出问题并更批判性地思考。
换句话说，医学培训本身必须变得更加适应性强，而不仅仅是教医生使用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。
在许多人都对医学感到幻灭的时代，美国医学会医学教育创新副总裁、外科医生金伯利·洛米斯看到了机遇。"AI是一种我们应该利用的颠覆，"她告诉我。"这是一个重新围绕我们的价值观调整的机会。"
和以前一样，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。
我们还不知道答案。但今天我们培训的医生将帮助确定它。
致谢：感谢以下人士与我讨论这个话题：弗莱彻·贝尔（加州大学旧金山分校）、克里斯蒂·博斯卡丁（加州大学旧金山分校）、托德·卡塞斯（康奈尔大学）、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（石溪大学）、金伯利·洛米斯（美国医学会）、亚历山大·里维罗（凯撒医疗集团东湾分部）、维瑞蒂·谢伊（纽约大学）、马克·特里奥拉（纽约大学）和劳拉·特纳（辛辛那提大学）。
【全文结束】