随着人工智能（AI）通过提供先进的诊断工具、个性化的治疗计划和高效的管理流程来改变医疗保健，一些医疗专业人士仍然担心他们将无法有效采用这些技术。毕竟，这些工具相对较新，意味着许多临床医生在进入实践后才遇到它们，这使他们由于害怕错误或缺乏理解而不太愿意将AI整合到工作中。
为了缩小这一知识差距，从一开始就将AI教育纳入医学培训至关重要。通过将AI教育嵌入医学院的课程中，未来的医生和医疗专业人士可以发展出一种技术驱动的技能集，将其融入其余的专业培训中，从而提高患者护理和诊断准确性，改善运营效率，并推动医学创新。
AI技术正迅速成为现代医学的核心。未来的医生、临床医生和医学专家必须学会熟练使用AI，并了解其工作原理及其贡献。我在加州大学欧文分校医学院的教学生涯和在查普曼大学工程学院举办的医疗保健AI研讨会上亲眼见证了AI教育的影响。了解AI的基本知识对于即将进入医疗行业的医生来说至关重要，以便最大限度地发挥其潜力，并最有效地将这些技术整合到医疗环境中。
因此，这种培训应尽早从本科项目开始，这是大多数医学院目前所缺少的。近80%的医学生希望接受结构化的AI培训，特别是为了避免医疗错误和伦理问题。幸运的是，我们开始看到越来越多的医学院课程中加入了面向AI的课程，如堪萨斯骨科医学院，该机构在这方面的努力处于领先地位。
国际会议如AIMed24和美国医学人工智能委员会（ABAIM）等组织对于推进医学领域的AI教育至关重要。此外，ABAIM提供了丰富的资源和结构化的认证项目，旨在提高医疗专业人士的AI能力。
同时，医疗学生和临床医生从一开始就应学习AI的局限性和伦理考虑。通过了解其不足之处，医疗专业人士可以做出更明智、更道德的决策，并在实施过程中避免常见的风险。
尽管AI对医疗保健领域产生了变革性影响，但临床AI仍需谨慎校准。持证临床医生必须参与“整合对话”，以确保技术在实际环境中的有效性。临床医生、医疗教育者和管理者都必须知道如何区分有缺陷的AI和负责任训练的、合乎伦理的AI，即使是最负责任训练的算法也需要持续维护。机器学习模型最初训练的数据模式可能会因各种原因随时间变化——这一问题被称为“算法漂移”——这最终会损害模型的准确性。医疗专业人士需要意识到这一风险，强调他们在任何用于医疗环境的AI工具开发过程中的参与或咨询的重要性。
我们知道，设计不当的AI或基于有偏见或代表性不足的临床研究数据训练的AI会提供不准确、有偏见的输出。这不仅是开发者在创建AI解决方案时需要注意的问题，也是用户需要注意的问题。因此，临床医生必须学会警惕并识别这些局限性，与利益相关者合作以减轻这些问题。只有在与临床医生教育和反偏见培训相结合的情况下，AI工具才能提高医疗保健的可及性。
减轻潜在的AI问题包括要求提供任何临床医生希望采用的AI工具的训练数据集的大小和多样性信息。这将有助于确保他们不会依赖于可能不足的AI模型，并确保用于生成任何输出的数据代表所有相关的群体。世界卫生组织（WHO）提供的《健康人工智能伦理与治理》课程可以是一个宝贵的资源，因为它解决了这些伦理挑战，并为医疗专业人士提供了负责任地开发和应用AI技术所需的原则。
尽管过去几十年来几项技术变革已经影响了医疗保健领域，但医学教育仍然被传统的课程所压倒。很少有时间让医学生或住院医生接触新的AI导向技术。鉴于医疗数字化的快速进展，这一点需要改变。虽然未来医生在教育期间学习医疗保健领域的AI非常重要，但当前的临床医生也有机会通过各种课程提升技能，以装备今天的医疗工作者所需的AI培训，使他们和他们的患者受益。
通过在整个学术旅程中熟练掌握这项强大的技术，医疗专业人士可以自信地应对各种AI解决方案的复杂性，并为患者提供最高质量的护理，现在和未来都将如此。
(全文结束)
