生成式AI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专科医生在照顾患者的同时进行大部分学习的毕业后教育环境。
“研究生医学教育（GME）的核心原则之一是‘分级权限和责任’，即受训者逐步获得自主权，直到他们具备独立执业所需的技能，”几位高级GME受训者在本月发表于《Frontiers in Medicine》的一篇文章中指出，“此外，受训者还被期望成为‘医师学者’。”
生成式AI（GenAI）在这方面能起到什么作用？事实证明，它有很多作用。该论文简洁总结了相关同行评审文献，并评论了GME环境中涉及GenAI的风险和机遇。作者是德克萨斯州Baylor Scott & White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EHR工作负担
由于长时间的工作和压力大的工作环境，GME受训者“特别容易出现职业倦怠”，主要作者Ravi Janumpally博士及其同事指出，“其倦怠率高于同龄的非医疗行业同行，也高于早期职业生涯的主治医师。”此外：
“鉴于其总结、翻译和生成文本的能力，生成式AI展示了作为技术辅助工具减轻临床文档负担的巨大潜力。”
2. 临床模拟
利益相关者对使用对话式GenAI模拟患者接触表现出浓厚兴趣，尽管这种应用更多集中在本科医学教育上，作者指出。
“生成式AI在GME中最有趣的应用之一是使用合成数据作为视觉诊断的训练材料。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，且有技能的教师并非随处可得，但GenAI工具可能以较低的成本提供类似的益处，”Janumpally及其同事写道。
“大型语言模型（LLMs）展示了为研究生医学受训者解释复杂概念的潜力，这些模型可以根据学习者的水平进行定制，并可以配置为个性化的导师。”
4. 研究和分析支持
GME受训者被要求参与质量改进（QI）项目，而这些项目通常需要定量数据分析，作者指出。“受训者在组织的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。”
“大型语言模型具有一定的能力来促进简单的数据分析，并可以生成用于统计和编程任务的可用代码。LLMs还擅长自然语言处理任务，如从非结构化医学文本中提取结构化数据。”
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，改善性能的方法正在开发中，”作者写道。然而，他们补充说，“GME教师和受训者目前还不能依赖LLMs直接指导临床护理。”
“评估LLMs在各种临床背景下用于临床决策支持的研究结果到目前为止参差不齐，它们在处理细微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在未来没有用于CDS的机会——只是这种结合还需要更多时间和关注。
“LLMs可以提供基于上下文的具体指导，结合临床背景和患者数据，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，它们是交互式的，”Janumpally及其合著者指出。
(全文结束)
