人工智能对医学本科教育置信职业行为的影响

The impact of artificial intelligence on entrustable professional activities in undergraduate medical education

摘要

随着人工智能（artificial intelligence，AI）技术的迅猛发展，医学本科教育中的置信职业行为（entrustable professional activities，EPAs）集群在AI技术的影响下，正经历着深刻的变革，需要重新评估和调整。AI技术的应用不仅增强了医学生的核心能力，也对医学教育模式提出了创新要求。本研究综合分析了AI对现有EPAs的影响，探讨了技术进步如何催生新的EPAs，并强调了在医学教育中整合AI技术的重要性，以培养适应未来医疗环境的专业人才。

Abstract

With the rapid development of artificial intelligence (AI) technology, the clusters of entrustable professional activities (EPAs) in medical undergraduate education is undergoing profound changes and needs to be reassessed and adjusted under the influence of AI technology. The application of AI technology not only enhances the core abilities of medical students but also puts forward innovative requirements for medical education modes. This article comprehensively analyzes the impact of AI on existing EPAs, explores how technological advancements spawn new EPAs, and emphasizes the importance of integrating AI technology in medical education to cultivate professionals who are well-suited for the future healthcare environment.

关键词

人工智能 / 置信职业行为 / 胜任力 / 医学教育

Key words

artificial intelligence / entrustable professional activities / competence / medical education

随着人工智能（artificial intelligence，AI）技术的迅猛发展，医学教育正经历着深刻变革。在快速进步的技术驱动下，有必要重新评估医学教育的核心能力并开发创新的教学方法来发展新技能。为了落实胜任力导向的教学（competency-based medical education，CBME）所倡导的住院医师核心能力，2014年美国医学院协会（AAMC）提出了置信职业行为（entrustable professional activities，EPAs）核心框架^[1]。总共13 个EPAs阐述了住院医师应具备的技能，将具体的技能与工作场所活动紧密相连，每个EPAs都整合了多个核心能力。随着AI（如ChatGPT等）的普及，从临床推理和诊断过程，到患者互动和结果分析，AI都在产生深远的影响^[2]。EPAs在AI影响下应如何适应与拓展：一方面，AI的介入可能改变某些传统EPAs的重要性；另一方面，亟须识别新的AI相关EPAs。

本研究从AI的角度深入分析EPAs的发展潜力，探讨现有的EPAs在AI技术影响下的演变趋势，并分析由技术进步及其深度融入医疗系统所带来的新机遇和挑战，期望为医学教育的未来发展提供有益的启示和指导。

1 EPAs框架的分类

AI深刻影响医生的工作方式，改变医学教育的监督模式^[2-3]。AAMC的EPAs详述了医学生应掌握的技能和活动，然而AI对这些EPAs的直接影响尚未得到充分探讨，因此本研究从AI的视角重新审视这些EPAs。

在美国医学院的试点中，13 个EPAs被划分为三个不同的集群：核心集群、高级集群和理想集群，如表1所示^[4]。第一组“核心集群”包括6 个EPAs（EPA1、2、5、6、7和9），在本科医学教育（undergraduate medical education，UME）中得到了充分有效的评估。第二组“高级集群”包括3 个EPAs（EPA3、4和8），在UME的高级课程中地位突出，但是尚未广泛融入所有本科院校的课程。第三组“理想集群”包含的EPAs（如远程医疗等）在大多数学校的UME课程中比较缺失。此外，该研究还建议第四组“新兴”的EPAs集群，这些新兴的EPAs并不在AAMC的初始方案中，但随着技术的发展和AI的集成而变得重要^[4]。

预计AI将对三个初始集群产生不同角度的影响，为这些EPAs的实施提供可行和高效的方法。而新兴EPAs集群，是一个为了应对技术和AI集成所带来的新需求而不断发展和变化的领域。在本研究中引用的EPAs框架中的集群分类最初由美国医学教育体系设定，并结合实证研究结果确立。这些集群分类依据传统的医学教育系统，结合课程安排和临床实践活动的要求，旨在对医学教育中的关键活动进行有效评估。然而，考虑到AI的快速发展及其对医学教育的潜在影响（特别是在AI重塑EPA框架的背景下），有必要审视这一分类是否能够充分适应新时代下的医学教育需求。

2 基于人工智能的EPAs集群分析

探索AI对EPAs的潜在影响，评估其引发的EPAs演变，分析须修改、扩展或重定义的EPAs领域，从而揭示AI驱动的医学教育如何调整以适应未来医疗模式。通过系统分析AI对单一EPAs和整体EPAs集群的影响，能够全面评估这些变化对UME的累积效应，为未来的医学教育提供有力的指导。需要强调的是，尽管AI技术为每一项EPAs提供了新的评价标准，但对于已有的EPAs，原有的评价标准仍然适用。AI技术的引入更多的是作为补充工具，旨在提高学习效率和决策精准度，而非替代传统的临床技能和经验。在实际工作中，医师完成临床活动时，并不一定必须依赖AI技术，AI的作用在于为医师提供辅助支持，帮助其在复杂情境中做出更快速、更精准的判断。

2.1 集群1——核心EPAs

第一组EPAs是核心的核心，强调基本临床技能，如病史采集、体格检查和初步诊断。学生有丰富的实践机会，通过评估和反馈机制，确保其掌握基础临床技能。AI技术进一步加强核心能力的培训和评估，如表2所示。AI技术的引入优化了这些标准的执行和评估。首先，AI能提升核心EPAs执行效率，通过虚拟病人模拟和个性化反馈，帮助学生在受控环境中反复练习，减少主观偏差^[5-6]。其次，AI可提供精确化和个性化评估，动态调整学习路径，提高学生掌握技能的速度与质量^[7]。AI还推动核心EPAs标准的创新。例如，在病史采集和诊断过程中，AI不仅辅助诊断，还促使医学生学习如何与AI系统互动、结合AI结果做出临床决策。

2.2 集群2——高级EPAs

第二组EPAs，即高级集群，囊括了在UME高级阶段的关键能力，包括为患者提供专业建议、解读常见诊断及筛查测试结果，以及患者的平稳交接等。然而，在常规教学中这些能力的实践机会可能有限，且教学监督的一致性不足，难以获得可靠的学习成效证据。AI技术的引入，深刻影响了这些标准的执行方式和评估机制，提升了医学教育的质量和效率，如表3所示。首先，AI能够提升高级EPAs的诊断准确性，通过大数据分析和深度学习，辅助学生进行疾病鉴别和治疗决策，减少人为错误并提高诊疗效率^[8]。例如，AI能够通过分析影像学数据和临床表现，帮助学生快速识别潜在疾病，并根据最新医学研究提供治疗建议。其次，AI强化了高级EPAs的个性化学习。通过实时分析学生的学习进度和表现，AI可以为每位学生提供定制化的学习路径和反馈，帮助他们在复杂的临床情境中不断优化决策技能^[9]。同时，AI技术还能帮助学生在紧急情况下进行危急症状的快速判断，提供即时的干预建议，增强学生在压力环境中的应变能力。具体来说，AI支持的临床决策系统能够帮助学生快速筛查病历、诊断疾病，并优化治疗方案。这使得高级EPAs标准不仅更加精准，还能实时适应临床实践中的新需求。

2.3 集群3——理想EPAs

第三个集群，即理想EPAs，聚焦于系统层面的EPAs，在多数学校的UME中目前还欠缺发展。这一集群的评估方案涵盖了识别需要紧急治疗的患者，启动评估和管理流程，以及获取知情同意等重要环节。AI的引入有望显著提升这些医学教育领域的水平（如表4所示）。首先，AI推动了知情同意EPAs的标准创新。AI驱动的预测分析技术能够辅助识别需要紧急处理的患者^[10]。AI技术，尤其是虚拟现实（VR）和增强现实（AR），为学生提供了与虚拟患者互动的机会，帮助他们练习沟通技巧并获得即时反馈^[11]。学生通过AI模拟的知情同意过程，可以在没有时间和情感压力的情况下反复练习，提高与患者沟通的有效性和同理心。其次，AI在基本操作EPAs中也发挥着重要作用。AI的手术模拟和基本操作训练系统，使学生能够在安全的环境中反复进行操作练习。AI提供实时反馈，帮助学生纠正操作中的不足，确保技能的精准性和安全性^[12]。在健康教育方面，AI能够根据患者的健康数据和背景，提供个性化的健康管理建议，帮助学生理解如何制定符合患者需求的教育方案^[13]。这些创新使理想EPAs的标准更加操作可行，并促进医学教育模式的升级。

2.4 集群4——新兴的EPAs

第四个集群新兴EPAs，代表了医生必须在变化的医疗环境中适应日益增长的技能需求。未来的医生必须精通在病历文档系统、临床决策支持系统和操作效率系统中使用数字工具，这些系统已广泛融入医疗领域，且随着AI的深入整合将发挥更大的作用。本研究探索性提出了几个新的EPAs，供进一步探讨和完善，并辅以实际案例来说明AI的应用前景。

2.4.1 EPA 14——AI驱动的个性化医疗与精准医学

个性化医疗和精准医学强调根据个体的遗传信息、环境因素、生活习惯等数据为患者量身定制治疗方案。AI通过分析和整合患者的基因组数据、电子健康记录、实验室结果及生活方式信息，提供个性化的健康管理方案。学生需要学习如何运用AI技术从复杂的数据中提取有效信息，并根据这些数据为患者制定最合适的治疗策略，特别是在癌症治疗、心血管疾病和慢性病管理等领域，AI的精准分析能够显著提高治疗效果，减少不必要的副作用。

AI通过机器学习和深度学习算法处理大规模数据，帮助识别疾病模式，预测治疗反应，并根据患者特征推荐最有效的药物和疗法。例如，AI可以帮助分析肿瘤基因组数据，预测患者对某种化疗药物的反应，从而制定个性化治疗方案。学生需学习如何评估AI推荐的治疗方案，结合临床判断，决定是否采用AI提供的个性化治疗建议。在基因组数据、影像数据等信息的基础上，结合患者的实际情况，学生还需理解如何调整治疗计划以最大化治疗效果。

评价标准：学生是否能有效使用AI工具分析患者的个性化数据（如基因组信息、生活方式数据），根据AI的结果提供精准的治疗或预防方案。学生应具备解读AI结果的能力，能够根据数据指导患者进行个性化的治疗和健康管理。

2.4.2 EPA 15——AI辅助的临床决策与预防

AI辅助的临床决策系统使用AI技术根据患者的历史数据、临床表现以及最新的医学知识，帮助学生做出临床决策。AI系统可以实时分析患者的健康数据，提供诊断建议和治疗方案，帮助医生做出更准确、更及时的决策。AI还能够在疾病早期通过筛查和预测分析识别潜在风险，提示预防措施。例如，AI可以根据患者的健康记录预测心脏病发作的风险，并提醒学生采取必要的预防措施，如调整药物治疗方案、增加运动或改变饮食习惯。

AI驱动的决策支持系统能够综合分析大量的患者数据，为医生提供多种治疗方案，帮助医生做出最符合患者需求的决策。这些系统还能基于全球最新的医学研究成果，提供证据支持的治疗建议。AI能够利用大数据分析技术，进行疾病早期筛查和风险预测。通过对大量病例的学习，AI系统能够识别尚未显现的疾病征兆，并在早期阶段提供预警，帮助医生提前干预，从而提高预防效果。

评价标准：学生是否能够有效运用AI技术进行疾病的早期筛查和风险评估，依据AI提供的个性化预防方案，设计和实施预防措施。学生需要评估AI系统提供的临床建议，并结合患者的具体情况进行决策。

2.4.3 EPA 16——远程医疗与患者互动

随着远程医疗的发展，AI技术在远程诊疗、患者监护、健康教育和健康咨询中发挥了重要作用。学生需要学习如何利用AI辅助工具在远程医疗环境中与患者进行有效沟通，提供诊断、治疗方案和健康管理建议。AI可以根据患者的症状和健康数据提供实时反馈，协助学生做出诊断，并指导患者进行后续治疗或预防。远程医疗技术通过AI助手和虚拟咨询平台，使学生能够跨越地理障碍，为无法亲临医院的患者提供高质量的医疗服务。

AI通过智能设备（如智能手表、可穿戴传感器等）监测患者的生命体征，实时传输数据至医疗机构，学生可以在平台上分析数据，提供诊疗建议。例如，通过心电图监测，AI可以提醒学生是否存在异常心律，辅助远程诊断。AI虚拟助手可以根据患者的健康记录和症状自动生成健康建议和教育内容，学生需根据这些自动生成的报告进行患者教育，解释医疗方案并解答患者疑问。

评价标准：学生是否能够运用AI工具与远程患者进行互动，进行症状评估、健康管理以及健康教育。学生是否能够根据AI提供的数据和建议，制定合理的治疗计划，并确保患者对治疗方案的理解和遵从。

2.4.4 EPA 17——医疗AI伦理与数据隐私管理

随着AI在医疗中的广泛应用，数据隐私、患者同意和伦理问题成为重要议题。学生需要了解医疗AI的伦理原则，尤其是在数据采集、使用和分享过程中要遵守法律和道德规范。患者的隐私必须得到保护，特别是在处理敏感医疗数据时，学生需要学习如何确保AI技术的透明性、公正性和可解释性。AI决策可能涉及算法偏见，因此学生还应学会如何识别和纠正AI中的伦理问题，确保决策过程符合医学伦理。

医疗数据的安全性和患者隐私保护是AI应用中的核心问题。学生应学习如何在使用AI工具时保护患者数据的隐私，并理解患者同意的程序。伦理决策：AI决策系统需要保证透明度，避免算法偏见或歧视。学生应学会如何评估AI系统的伦理合规性，确保AI技术的应用对患者公平、公正，并符合伦理规范。

评价标准：学生是否能够理解并遵守医疗AI伦理原则，如数据隐私保护、患者知情同意、算法透明度等。学生应具备识别AI伦理问题的能力，并能够在临床实践中合理管理患者数据，确保AI技术的伦理合规使用。

3 探索未来医学教育中的新兴EPAs

新兴EPAs的集群仍待全面描绘。随着新技术的不断涌现，医疗实践所需具备的要素将迅速演变。教育工作者必须保持敏锐的洞察力，以适应未来医生不断变化的需求，并据此来培训和评估学习者。课程体系需要全面且精心设计，让学习者对新技能的熟练程度不断提高，并发展强大的自主学习能力。新兴EPAs集群将对其他集群产生深远影响，新开发的EPAs最终将成为初始集群的一部分。该集群的发展将高度依赖于深度学习和AI的发展，以及未来可能出现的工具。

目前，处于医学教育史上的一个重要转折点，高等教育在采纳新兴技术方面正走上快车道。随着各种大语言模型的问世，其在各种教育环境中的应用迅速获得了广泛认可。然而，目前在有效应对AI在医学中的角色及其实施培训方面的发展仍然滞后。主要挑战包括：AI概念的标准化不足、教师专业知识的缺乏，以及医学教育中缺少关于AI的认证指南^[13]。

近期，已有学者尝试为医学院校实施AI技术创建框架。例如，有研究构建了AI驱动的医学教育模块，专注于三大能力：即作为评估者来批判性评价AI系统、作为解释者来理解AI的输出，以及作为沟通者来传达AI的结果和过程^[14]。未来的研究有望整合观点，进一步丰富和深化对AI在医学教育中应用的认知。

参考文献

[1] Association of American Medical Colleges. Core entrustable professional activities for entering residency: Curriculun developers guide[EB/OL]. (2018-07-05) [2024-06-17].

[2] DAVE T, ATHALURI S A, SINGH S. ChatGPT in medicine: An overview of its applications, advantages, limitations,future prospects, and ethical considerations[J]. Frontiers in Artificial Intelligence, 2023, 6: 1169595.

[3] 刘晖, 任曼, 寇丽圆, 等. ChatGPT对医学临床实践教学的影响与思考[J]. 中国医学教育技术, 2024, 38(4): 389-393.

[4] AMIEL J M, ANDRIOLE D A, BISKOBING D M, et al. Revisiting the core entrustable professional activities for entering residency[J]. Academic Medicine, 2021, 96(7S): S14-S21.

[5] GURUSWAMY J, CHHINA A, MITCHELL J D, et al. Virtual reality and augmented reality in anesthesiology education[J]. International Anesthesiology Clinics, 2024, 62(3): 64-70.

[6] 孙雨哲, 王宪娥, 侯建霞. 虚拟标准化病人在医学教育中的应用与研究进展[J]. 中华医学教育杂志, 2024, 44(4): 294-298.

[7] SIDDIQUI A, ZHAO Z J, PAN C E, et al. Deep learning model for automated trainee assessment during high-fidelity simulation[J]. Academic Medicine, 2023, 98(11): 1274-1277.

[8] MALLIK S, GANGOPADHYAY A. Proactive and reactive engagement of artificial intelligence methods for education: A review[J]. Frontiers in Artificial Intelligence, 2023, 6: 1151391.

[9] TYLER S, OLIS M, AUST N, et al. Use of artificial intelligence in triage in hospital emergency departments: A scoping review[J]. Cureus, 2024, 16(5): e59906.

[10] AHUJA A S, POLASCIK B W, DODDAPANENI D, et al. The digital metaverse: Applications in artificial intelligence, medical education, and integrative health[J]. Integrative Medicine Research, 2023, 12(1): 100917.

[11] 李青松, 杨延宗, 卢书明, 等. 心脏介入手术交互式网络教学平台的构建与应用[J]. 中华医学教育杂志, 2024, 44(4): 299-302.

[12] FERRARA M, BERTOZZI G, DI FAZIO N, et al. Risk management and patient safety in the artificial intelligence era: A systematic review[J]. Healthcare, 2024, 12(5): 549.

[13] GRUNHUT J, MARQUES O, WYATT A T M. Needs, challenges, and applications of artificial intelligence in medical education curriculum[J]. JMIR Medical Education, 2022, 8(2): e35587.

[14] KRIVE J, ISOLA M, CHANG L D, et al. Grounded in reality: Artificial intelligence in medical education[J]. JAMIA Open,2023, 6(2): ooad037.

基金资助

教育部产学合作协同育人项目(230904081271021)

广东省2021年度普通高等医学院校临床教学基地教学改革研究项目(2021JD106)

广东省2022年度本科高校教学质量与教学改革工程项目(828)

广州市教育局2024年度高校科研项目(2024312308)

广东省教育厅高等教育教学改革专项(2024GXJK425)