摘要
人工智能(AI)在医疗保健领域的应用呈指数级增长，机器学习(ML)、自然语言处理(NLP)和生成式预训练变换器(GPT)等AI工具正在不断改变医学教育。然而，AI在医学教育中的采用在地理分布上存在差异，研究表明拉丁美洲(LATAM)国家在医学AI素养方面的研究产出相对低于北美地区。AI应用在扩大医学教育获取渠道和促进基于证据的临床决策支持方面具有巨大潜力，特别是在中低收入国家(LMICs)。在这些环境中提高AI素养至关重要——成功整合可能缓解历史差异，而不当实施可能会加深医学教育和医疗保健方面的区域不平等。在这篇观点文章中，我们阐述了美洲基于AI的医学教育的现状，强调了实施中的挑战，并提出了协作、公平和区域定制的策略，以提高医疗保健专业人员和学生的医学AI素养。
关键词
人工智能、医学教育、数字素养、健康公平
引言
随着人工智能(AI)在医疗保健领域的扩展，机器学习(ML)、自然语言处理(NLP)和生成式预训练变换器(GPT)等技术正在重塑全球医学教育。AI的采用在地区上存在差异，综述文章表明北美地区有大量相关研究，而南美/中美洲和加勒比地区的研究则相对匮乏。AI在民主化获取医学知识和临床决策支持方面具有前所未有的潜力，特别是在中低收入国家(LMICs)。在这些环境中，AI素养具有更高的重要性，因为成功整合可能会缩小长期存在的差距，而错误应用则可能加剧现有的不平等。在本文中，我们旨在阐述美洲AI教育工作的当前状况，确定实施障碍，并提出协调一致、包容和区域敏感的策略，以增强多学科临床学习环境中的AI素养。
美洲AI素养的现状
北美
Wood等人对美国医学生和教师进行了一项15个问题的AI准备度调查，发现对医学中AI的认知度较低——学生中占30%，教师中占50%。
Liu等人在一项混合方法研究中报告称，90%的学生预计AI将在医疗保健中发挥重要作用，79%的学生对其使用感到兴奋，但不到15%的人认为自己精通核心AI概念。关于首选的AI教育方法，学生主要倾向于短讲座、编程研讨会和正式选修课程。
同样，在一项针对17所加拿大医学院学生的横断面研究中，大多数学生报告称AI在医学中的应用将推进医疗保健，约70%的学生表示作为未来医生有必要理解和使用AI。然而，绝大多数医学生报告没有正式的AI教育和有限的培训机会。在另一项研究中，Favorito等人对加拿大肿瘤学住院医师进行了调查，大多数人表示希望更好地理解AI，并提倡将其整合到正式教育中。
拉丁美洲
虽然大规模研究拉丁美洲(LATAM)AI准备度的研究很少，但最近发表的文章展示了南美、中美洲和加勒比海地区医疗系统的不同观点。正如Ramírez Domínguez等人所指出的，大型语言模型(LLMs)在拉丁美洲被广泛使用；例如OpenAI的ChatGPT、Meta的LLaMA和Google的LaMDA。
Giavina-Bianchi等人对圣保罗一家非营利医疗机构的164名医生进行了调查。约一半人报告对AI有中等程度的了解和对医疗保健算法的熟悉程度。大多数支持在诊断、治疗和影像学中使用AI，称其改善了工作流程。值得注意的是，最近毕业的医生(≤10年)报告中高水平AI知识的比例明显高于毕业>10年的教师。此外，最近毕业的医生表示更有可能将基于AI的解决方案整合到实践中，突显了对医学AI应用准备程度的明显差异。
美洲各地AI医学教育采用的差异
虽然美洲各地的直接比较文献有限，但与北美相比，拉丁美洲国家在医学教育相关AI研究方面的努力明显短缺。例如，一项关于全球医学本科教育中AI应用的范围综述报告称，研究代表率最高的是美国和加拿大(n=10)。与此同时，只有两项研究来自拉丁美洲国家，分别来自墨西哥和智利。同样，Gordon等人对医学教育中AI使用的大规模综述仅发现南美、中美洲和加勒比地区有5篇文章，与北美国家的显著贡献(n=138;49.6%)形成鲜明对比。
拉丁美洲国家AI医学教育整合的一个主要障碍是数字化相对不足，例如快速WiFi或高级计算机的获取有限。为建设和维护AI医疗技术提供不足的资金是拉丁美洲AI医疗采用的另一个挑战，特别是对低资源收入国家而言。围绕数据安全、偏见、歧视、自主权和责任的伦理和法律问题在很大程度上仍未解决。此外，关于数据隐私和AI实施监管的立法在拉丁美洲各国处于不同阶段。此外，跨学科合作在拉丁美洲的医学专用和农村大学中往往缺乏，许多国家缺乏强制性的继续医学教育进一步分散了执照后的技能提升。这种数字基础设施、财务和资源资本、立法指导以及教育差距的不足可能促成了美洲各地AI相关医学教育研究的相对差异。
共同障碍
美洲各地AI采用的一个重要共同障碍是通过技术框架中的系统性错误导致的算法偏见，这有可能加剧现有的医疗保健差异。在AI相关工作中使用的数据集中保护患者隐私也代表了一个主要的共同关注点，需要全面的网络安全和监管策略来防止机密性泄露。此外，AI的错误使用可能会促进认知懈怠并阻碍批判性思维、临床决策和科学写作的发展。
构建和评估AI素养的策略
美洲AI医学教育的共同策略
已建议医学专业人员具备六项AI相关能力：AI基础知识、社会和伦理影响、AI工具的工作流程分析、AI增强的临床接触、AI工具的循证评估以及关于AI工具的基于实践的学习和改进。跨这些核心AI能力的教育至关重要，因为每种能力都独特地贡献于临床实践和患者参与。
随着对医学中AI能力需求的增长，设计和评估可扩展的、情境敏感的AI素养方法对于确保美洲不同教育环境中这些技能的公平获取至关重要。对医学生和住院医师的调查显示，他们更喜欢研讨会和短讲座。其他教育形式，包括协作活动(46%)和会议(42%)，受到住院医师的欢迎，而正式选修课程(54.5%)对医学生有吸引力。
有效的项目应平衡与医学AI相关的技术和非技术能力，旨在为医生在临床实践中进行知情、道德和安全地应用工具做好准备。建议的策略包括模块化AI课程、教师发展计划和继续教育。更广泛的国际合作(例如：国际医学AI教育工作组)、多语言平台以及与大学、卫生部和行业的公私合作伙伴关系可以扩大获取范围并将培训与实践需求保持一致。由多方利益相关者共同开发的可扩展、开放获取和异步模块对于克服基础设施和专业知识障碍至关重要，特别是在资源有限的环境中。将可适应的模块嵌入到前本科、本科、研究生和继续医学教育中，确保纵向素养。最近的研究提供了整合策略并突出了支持灵活课程采用的学习者偏好。
此外，机构应定期评估教学格式的充分性，确保所选策略符合课程需求、可用教师专业知识和基础设施。通过干预前后的测试、学习者反馈和课程基准进行的有效性定期评估对于完善这些方法并确保培训格式在教学上合理且机构可持续至关重要。教学格式的评估不应仅依赖于学习者满意度或即时知识获取，还应考虑结构化方法，例如Kirkpatrick模型，该模型评估四个层次的结果：反应、学习、行为和结果。
以下，我们概述了推进AI医学教育的地理定制行动计划。虽然核心步骤在整个美洲都相关，但我们强调了下一阶段的区域特定策略。
区域特定策略：北美
- 多模态正式教育：整合正式AI教育到美国和加拿大医学院中，通过短讲座、选修课程和研讨会等多模态学习平台。
- 协作创新：促进临床医生、教育工作者、实验室科学家、统计学家、AI专家、生物技术公司和学术大学之间的合作伙伴关系，以推动解决各种医学职业路径的多方面学习目标的AI教育进步。
- 常规评估：通过医疗机构和监管组织对教育内容进行常规评估，以确保数据准确性和道德使用。
区域特定策略：拉丁美洲
- 可访问性：利益相关者投资于扩大高质量互联网、计算机和数字化的获取。
- 文化相关内容：开发适应跨文化差异的教育材料，包括意识形态、语言和疾病病理。
- 伦理和立法指导：监管组织增加对AI学习机制开发和实施的指导，同时保持数据完整性和道德使用。
结论/未来方向
虽然AI素养举措在整个美洲仍不均衡，但拉丁美洲的滞后凸显了协调、基于证据策略的紧迫性。区域策略应更好地定义培训水平的素养差距，策划基于能力的课程，并通过教师发展和基础设施逐步准备机构。对学员而言，新兴的重要能力包括ML和数据科学的基础知识、AI数据素养和治理、伦理和法律推理、AI工具的批判性评估和临床整合、有效的沟通和跨学科合作，以及对持续学习、评估和适应性的承诺。课程必须保持灵活性，定期评估以跟上快速的技术变革，同时维护伦理标准。未来研究区域敏感的课程策略对于指导医疗机构有效实施AI教育至关重要。
教育工作者、政策制定者、行业和资助者之间的合作至关重要。教育工作者应将基础AI整合到培训中，政策制定者必须将AI策略与更广泛的教育改革保持一致，行业应共同开发文化适应的工具，资助者应优先考虑区域素养计划。最后，通过工作组、共享资源和跨机构研究的区域合作可能有助于减少差异，并将AI素养嵌入为区域医学教育中公平和可持续的元素。AI素养不是奢侈品——它是公平医疗转型和确保医学中人性角色的先决条件。美洲的协调努力可以确保没有临床医生或学生在AI时代落后。
贡献者
MP、FF、DB和LK贡献了研究概念化和原始草稿准备。所有作者(MP、FF、RKP、RK、KD、FYM、DB和LK)贡献了稿件审查和编辑。RKP、DB和LK还提供了监督。
关于写作过程中使用生成式AI和AI辅助技术的声明
生成式AI工具ChatGPT(GPT-5)被用于协助语言润色和可读性；所有实质性内容、解释和智力决策仍由作者全权负责。作者对工作的准确性和完整性负全部责任。
利益声明
FYDM担任GlobalRT放射肿瘤学主任、Cochrane临床答案临床顾问、加拿大放射肿瘤学家协会国际通信委员会安大略省代表、拉丁美洲合作肿瘤学组(LACOG)放射肿瘤学组指导委员会成员。DSB担任Mercurial AI的人工智能顾问；获得美国癌症协会、美国放射肿瘤学会、NIH和美国癌症研究协会的研究资助；获得美国临床肿瘤学会和哈佛研究生医学教育的荣誉费；担任《放射肿瘤学》副主编和HemeOnc.org。所有其他作者声明无竞争利益。
致谢
资金：准备、作者身份或发表本稿件未收到资金。
【全文结束】