数代以来，医生一直通过认知学徒制模式进行培训，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——且常常是在挣扎中完成——临床任务，受训者逐渐培养出独立行医所需的专业知识、判断力和自我意识。
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？
AI正迫使医学界迅速重新思考如何培训医生，尽管该技术的许多教育影响仍不明确。
纽约大学格罗斯曼医学院负责教育的高级副院长Marc Triola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
培训大批医学生、住院医师和研究员传统上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创造了评估受训者能力并个性化其培训的机会，这些方式以前是不可能实现的。
例如，西奈山医院的教育工作者正在使用AI记录的转录来分析受训者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，能力是通过受训者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跟踪成长的新方法。在凯撒医疗集团东湾分部，耳鼻喉科医生Alexander Rivero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实践。纽约大学的教育工作者使用AI发送"教育提示"，例如自动向受训者发送与他们在病房看到的患者相关的关键文章。
同时，AI模拟可以扩大受训者对不同人群和病症的接触范围。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内城青少年。皇后区的一名传染病研究员可以遇到患有兔热病的农民。
更广泛地说，通过将受训者从长期以来占据他们时间和精力的死记硬背和"琐碎工作"中解放出来，AI可以让他们有更多时间与患者相处，磨练推理技能并参与更具认知挑战性的任务。
然而，正是这些相同的任务使受训者传统上发展了专业知识。
使用AI培训的风险
教育研究人员长期以来一直认为，专业知识是通过费力学习和刻意练习发展起来的。
将关键任务外包给AI的受训者——如撰写临床笔记、总结医疗记录、综合医学文献、询问患者和形成鉴别诊断——可能会无法发展关键能力（"技能缺失"），失去先前发展的技能（"技能退化"）或发展出错误的实践（"技能误发展"）。
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，我们保留的信息会减少。外包认知工作会改变我们学习的方式、记住的内容以及批判性思考的能力。
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，主治医师们抱怨我们不会触诊脾脏或制作血涂片。他们的老师曾抱怨我们不会凭记忆汇报病例或实际上住在医院里。更早一代的医生甚至反对从医学教科书中学习，认为从记忆中唤起知识能促使更深层次的反思。
这些风险也可能被夸大了。加州大学旧金山分校内科首席住院医师Fletcher Bell告诉我，每周在医院花费多达80小时的住院医师有充足的学习机会。
同时，并非所有的技能退化都是坏事。一些可能是必要的，为学习新的必要技能腾出空间。如果计算机可以比经验丰富的心脏病专家更快更准确地解读心电图，那么所有内科住院医师都需要学习解读心电图吗？密歇根大学的初级保健医生和医学教育研究员Cornelius James解释说："如果我们强迫学习者学习他们不再需要学习的东西，我们就会失去学习者的信任。"
尽管如此，AI可能代表一种不同类型的挑战，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，例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，我们并不完全了解这些。我们不知道当今受训者使用各种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如何。
在华盛顿大学，内科住院医师John Davis描述了一个小但声音响亮的热情用户群体，他们声称不使用AI几乎是医疗失职，而另一群体则认为这些工具完全不可信。他的大多数同事介于两者之间。
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。Davis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。
我们也对这些工具在现实世界中的有效性知之甚少，或者它们导致重要技能萎缩或从未发展的程度。
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受训者准备什么样的未来。
"不使用AI的医生将被使用AI的医生取代"之类的口号是正确的，但毫无用处。医生加AI优于单独任何一方的长期信念似乎不再普遍成立。我们含糊其辞，谈论判断和品味，但这两者都难以定义，培养起来可能更难。
我们了解的远比我们想象的要少。
在我们拥有所有答案之前做出回应
由于这种不确定性，部分由于许多教育者感觉自己没有资格教授AI，医学教育对AI的响应一直很缓慢。然而，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Laurah Turner认为，医学教育工作者正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。受训者应该发展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。它们假设我们知道这将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，而不是试图预测未来。教育者必须研究受训者如何使用这些工具、它们产生什么影响以及传统学徒制模型的哪些要素仍然必不可少，而不是做出假设。
对Turner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较新的模型。
对加州大学旧金山分校AI和医学教育团队负责人、教授Christy Boscardin来说，这意味着帮助学习者利用他们的内在动机，鼓励他们跟进使用或不使用AI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，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将是什么样子。
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执业方式。然而，这一时刻感觉不同，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Kimberly Lomis看到了机会。"AI是我们应该利用的颠覆，"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，当机器可以越来越多地执行昨天的受训者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：Fletcher Bell（加州大学旧金山分校）、Christy Boscardin（加州大学旧金山分校）、Todd Cassese（康奈尔大学）、John Davis（华盛顿大学）、Cornelius James（密歇根大学）、Anisha Kumar（石溪大学）、Kimberly Lomis（美国医学会）、Alexander Rivero（凯撒医疗集团东湾分部）、Verity Shaye（纽约大学）、Marc Triola（纽约大学）和Laurah Turner（辛辛那提大学）。
本文最初发表于Forbes.com
【全文结束】