보건전문직교육을 위한 인공지능(NAM Perspect. 2021)

보건전문직교육을 위한 인공지능(NAM Perspect. 2021)
Artificial Intelligence for Health Professions Educators
Kimberly Lomis, MD, American Medical Association; Pamela Jeff ries, PHD, RN, FAAN, ANEF, Vanderbilt School of Nursing; Anthony Palatta, DDS, EdD, PalattaSolutions; Melanie Sage, PHD, MSW, University at Buff alo School of Social Work; Javaid Sheikh, MD, MBA, Weill Cornell Medicine-Qatar; Carl Sheperis, PhD, MS, Texas A&M University-San Antonio; and Alison Whelan, MD, Association of American Medical Colleges

 

 

행동을 향한 요청
A Call to Action

인공지능(AI)은 이미 미국 생활의 많은 측면에 영향을 미치고 있으며, 건강 유지와 건강 관리 전달을 극적으로 변화시킬 준비가 되어 있다. 보건 전문가의 업무를 알리기 위해 이용할 수 있는 [정보의 폭발]은 그것을 효과적으로 처리할 수 있는 각 개인의 능력을 초과한다[1]. 자신의 [개인적 능력을 강화하기 위해 집단적 지식을 사용하는 법]을 배우는 것이 미래의 건강 제공자와 과거의 건강 제공자를 구별할 것이다. AI는 정통한 제공자를 대체하지 않고 보완함으로써 이러한 진화를 가능하게 할 것이다. 모든 보건직 종사자는 AI 도구를 활용하여 환자와 인구의 관리를 최적화할 수 있는 기회를 갖는다.

Artificial intelligence (AI) is already impacting many facets of American life and is poised to dramatically alter the maintenance of health and the delivery of health care. The explosion of information available to inform the work of health professionals exceeds each individual’s capacity to process it effectively [1]. Learning to wield collective knowledge to augment their own personal abilities will distinguish the health provider of the future from the health provider of the past. AI will help enable this evolution by supplementing—not supplanting—the savvy provider. All health professions have an opportunity to leverage AI tools to optimize the care of patients and populations.

2019년, 국립 의학 아카데미는 의료 분야의 인공지능이라는 제목의 특별 간행물을 발간했다. 희망, 과대광고, 약속, 위험[2]. 학습 건강 시스템의 비전을 지원하기 위해 저자들은 다음과 같이 말했다. "의사, 간호사 및 기타 임상의, 데이터 과학자, 의료 관리자, 공중 보건 공무원, 정책 입안자, 규제 기관, 의료 서비스 구매자 및 환자가 AI 및 기계 학습에서 혁명의 기본 개념, 현재 상태 및 향후 영향을 이해할 필요가 있습니다."[3] 이 원고는 이전의 특별 간행물을 보완하고 보건 전문 교육(HPE) 커뮤니티에 대한 조치 촉구 역할을 하기 위한 것입니다. 교육자들은 이제 AI의 가능성을 활용하거나 잠재적인 위험을 탐색할 준비가 되지 않은 의료 인력을 만들 위험을 감수해야 한다.

In 2019, the National Academy of Medicine released a Special Publication titled Artificial Intelligence in Health Care: The Hope, the Hype, the Promise, the Peril [2]. Intended to support the vision of a learning health system, the authors addressed “the need for physicians, nurses, and other clinicians, data scientists, health care administrators, public health officials, policy makers, regulators, purchasers of health care services, and patients to understand the basic concepts, current state of the art, and future implications of the revolution in AI and machine learning.”[3] This manuscript is intended to complement the prior Special Publication and serve as a call to action to the health professional education (HPE) community. Educators must act now to incorporate training in AI across health professions or risk creating a health workforce unprepared to leverage the promise of AI or navigate its potential perils.

AI의 개요와 의료에서의 응용
Overview of AI and its Applications in Health Care

현재 및 미래 학습자의 교육을 지도하기 위해 [AI에 대한 자신의 이해]를 높이는 것은 HPE의 리더들에게 책임이 있다. 교육적 의미에 대한 후속 논의를 뒷받침하기 위해 간략한 개요가 여기에 제공됩니다(이전 특별 간행물은 더 자세한 정보를 제공합니다).
It is incumbent on leaders of HPE to enhance their own understanding of AI in order to guide the training of current and future learners. A brief overview is provided here to anchor the subsequent discussion of educational implications (the prior Special Publication provides more detail).

AI는 다양한 방법과 기능을 포괄하는 포괄적 용어이다. "하이프"의 많은 부분은 사람처럼 기능할 수 있는 강력한 컴퓨터의 공상 과학에 초점을 맞추고 있다. 훨씬 덜 흥미진진한 [좁은 AI], 즉 단일하고 구체적인 작업을 지원하는 도구 개발이 2021년 AI의 실제 현실이다. AI에 대한 다른 용어로는 알고리즘, 머신러닝, 신경망 등이 있다. 알고리즘은 AI의 중심에 있으며 계속해서 정교해지고 있다[4]. "무엇을 해야 하는지 배우도록" 설계된 알고리즘의 목표는 컴퓨터가 각 단계마다 코딩 지침을 받지 않고 행동할 수 있도록 하는 것이다. 감지하고, 생각하고, 행동하는 기계는 몇 십 년 전만 해도 상상할 수 없었던 방식으로 의료에 영향을 미칠 것이다[2]. 그림 1은 의학 분야와 관련된 AI의 다양한 측면을 개략적으로 보여줍니다.
AI is an umbrella term encompassing multiple methods and capabilities. Much of the “hype” is focused on the science fiction vision of a powerful computer capable of functioning like a human being. The much less exciting narrow AI, or the development of a tool to support a single, specific task, is the actual reality of AI in 2021. Other terms for AI include algorithms, machine learning, and neural networks. Algorithms are at the center of AI and are continually growing in sophistication [4]. Designed to “learn what to do,” the goal of algorithms is to enable computers to act without being given coding guidance for each and every step. Machines that sense, think, and act will impact health care in ways that were unimaginable a few short decades ago [2]. Figure 1 outlines various aspects of AI as they relate to the field of medicine.

 

[희망과 약속]은 증거 기반 관행을 뒷받침하는 광범위한 데이터를 포착하고 처리하기 위한 AI의 활용에 있다. 적절하게 활용된다면, AI는 의료의 접근성, 저렴성 및 품질을 높일 것이며, 환자 데이터의 개인 정보 보호 및 보안을 강화할 수 있는 잠재력을 가지고 있다. 반복적인 작업 및 관리 정보 처리(문서 부담 등)를 오프로드하면, 의료제공자는 창의적인 사고 프로세스에 집중하고, 환자에게 보다 직접적으로 주의를 기울일 수 있다. 의료 분야에서 AI의 잠재적 역할을 완전히 분류하는 것은 본 문서의 범위를 벗어나지만, Matheny et al(표 1 참조)이 제공한 예는 분야와 직업에 걸친 응용 프로그램을 보여준다[2]. AI 도구를 파트너로 받아들이는 것은 전체 의료 시스템과 그 안에 있는 개인에 대한 증강된 지능을 초래할 것이다.
Hope and promise lie in the utilization of AI to capture and process extensive data supporting evidence-based practice. If properly leveraged, AI will increase access, affordability, and quality of health care, and has the potential to enhance privacy and security of patient data. Offloading repetitive tasks and administrative informational processing (such as documentation burdens) frees providers to focus on creative thought processes and attend more directly to their patients. It is beyond the scope of this document to fully catalog potential roles for AI in health care, but examples provided by Matheny et al (see Table 1) demonstrate applications across disciplines and professions [2]. Embracing AI tools as partners will result in augmented intelligence of the entire health care system and the individuals within it.

새로운 기술에는 잠재적인 위험이 있다. 헬스케어를 형성한 이전 기술과 비교했을 때, AI의 근본적인 차이점은 진화 능력이다. 일부 AI 도구는 특정 작업을 완료하도록 프로그래밍된 규칙 기반입니다. 그러나 [AI의 장점]은 대규모 데이터 세트에 대한 노출을 통해 도구를 훈련할 수 있다는 것이며, 이를 통해 AI는 데이터 내에서 작업을 완료하는 자체 방법을 식별할 수 있다. 현재 이러한 데이터 기반 툴은 대부분 애플리케이션 시점에 잠겨locked 있습니다. 즉, 과거 데이터를 사용하여 만들어진 공식에 새로운 데이터를 적용하여 분류한다. 그러나 일부는 지속적으로 학습할 수 있습니다. 도구가 점점 더 많은 데이터에 노출되면, 작업을 처리하는 방법도 수정될 수 있습니다. 

There is potential peril in any new technology. Compared to prior technologies that have shaped health care, a fundamental difference of AI is its capacity to evolve. Some AI tools are rules-based, programmed to complete a specific task. But an advantage of AI is the ability to train a tool via exposure to a large dataset, allowing AI to identify within the data its own method to complete a task. Currently, many such data-based tools are locked at the point of application; using past data, they apply a formula to categorize new data. But some are set to learn continuously: as the tool is exposed to more and more data, it may modify how it addresses the task.

적응 학습 능력은 AI의 경이로움이자 위협이다. 외과의사가 손을 흔들 때 수술 기구가 변형되는 것과 유사하게, 지속적인 AI 도구는 생산량과 성능을 비판적으로 평가할 때 의료 전문가의 주의를 필요로 한다. AI 도구의 설계 및 적용에 대한 인간의 기여는 이미 미국 의료 시스템에 침투한 것과 동일한 편향으로 가득 차 있으며, 그러한 편향은 면밀히 모니터링하지 않으면 AI에 의해 증폭될 수 있다[5]. 따라서 AI 도구의 부상은 임상 추론 및 증거 기반 의학과 같은 분야에서 [인간의 과실을 인정할 필요성]을 상기시키면서 기존 보건 전문가 훈련에 영향을 미친다. 현재 AI 개발의 상당 부분은 경제적 동인과 기업의 이해관계에 의해 형성되고 있다. 의료 제공자들은 [환자와 지역사회의 요구에 대한 옹호자]로서의 역할을 하기 위해 정보를 얻어야 한다. 모든 의료 제공자는 [약속을 극대화하고 위험을 완화]하기 위해 AI에 대한 기본적인 이해가 필요하다.

The ability for adaptive learning is simultaneously the wonder and threat of AI. Analogous to a surgical instrument morphing in the surgeon’s hand as they wield it, continuous AI tools require vigilance from health professionals in critically appraising their outputs and performance. Human contribution to the design and application of AI tools is fraught with the same bias already infiltrating U.S. health care systems, and such bias could be amplified by AI if not closely monitored [5]. The rise of AI tools thus has implications for existing health professions training, reminding of the need to acknowledge human fallibility in areas such as clinical reasoning and evidence-based medicine. Currently, much of AI development is shaped by economic drivers and corporate interests; health providers must be informed to serve as advocates for the needs of patients and communities. All health providers need foundational understanding of AI in order to maximize the promise and mitigate the peril.

AI는 효과적인 [전문직 간 협업 관행]을 가속화할 수 있는 큰 잠재력을 가지고 있다. AI는 [전문적 정체성의 닻]을 [특정 지식의 기금 보유]에서 [해당 정보에 접근, 평가 및 적용하는 전문성]으로 전환하면서 제공자 역할의 근본적인 변화를 촉진할 것이다. 각 제공자는 더 넓은 범위의 정보를 이용할 수 있지만, 각 직업의 고유한 관점은 해당 정보의 의미 있는 적용에 필수적인 것으로 남아 있을 것이다. 학습 조직을 지원하고 건강 시스템을 지속적으로 개선하기 위해 [전문직 간 렌즈]는 AI의 효과적인 교육을 개발하는 데 중요하다[6].

• "교육자, 의료 시스템 리더 및 정책 입안자 간의 [조정된 계획]은 최적의 학습 환경과 효과적인 의료 인력을 만들기 위한 전제 조건입니다(Cox and Naylor, 2013). [조정된 계획]을 위해서 교육자는 의료 시스템의 지속적인 재설계 노력을 인식해야 하고, 의료 시스템 리더가 유능한 의료 인력을 교육하고 훈련하는 현실을 인식해야 합니다."[7].

AI holds great potential to accelerate effective interprofessional collaborative practice. AI will spur a fundamental alteration in provider roles, shifting the anchor of professional identities from the possession of a specific fund of knowledge toward expertise in accessing, assessing, and applying that information. A greater breadth of information will be available to each provider, but the unique perspectives of each profession will remain essential in the meaningful application of that information. To support a learning organization and continuously improve the health system an interprofessional lens is critical to developing effective education in AI [6].

• “Coordinated planning among educators, health system leaders, and policy makers is a prerequisite for creating an optimal learning environment and an effective health workforce (Cox and Naylor, 2013). Coordinated planning requires that educators be cognizant of health systems’ ongoing redesign efforts, and that health system leaders recognize the realities of educating and training a competent health workforce” [7].

일부 의료 전문가들은 AI 도구의 개발, 구현 및 진화에 있어 [의료 제공자의 중요한 영향력]을 제공하기 위해 AI를 직업의 초점으로 삼고 광범위한 훈련을 추구할 것이다. 그러나 이 행동 요구는 [모든 의료 전문가]의 준비에 초점을 맞추고 있다. 즉, 일상적인 치료 제공에 다양한 AI 도구를 활용할 사람들을 준비시키는 것이다. 의료 전문가들은 비판적 추론과 데이터 분석의 원칙이 이미 의료 훈련의 기본이라는 점에서 AI를 업무에 통합하는 방법을 성공적으로 학습하는 데 유리하다.

• "AI 미래의 의료 종사자들은 정보 시스템을 사용하고 상호 작용하는 방법을 배워야 할 것이다. 이를 위해서는 다음을 알아야 한다. 
  • 정보 검색 및 통합,
  • 통계 및 근거 기반 의학에서 평가의 기초 교육,
  • 진단 성능 측정의 관점에서 예측 모델의 해석[2]. "

AI가 도구라기보다는 동료로 인식될 수 있기 때문에, 이러한 상호 작용은 제공자의 태도 변화를 요구할 것이다. HPE의 리더들은 모든 제공자들이 AI의 책임 있는 배치에 기여할 수 있도록 긴급히 행동해야 한다.

Some health professionals will make AI a focus of their careers and will pursue extensive training in order to provide the critical influence of health care providers in the development, implementation, and evolution of AI tools. This call to action, however, focuses on the preparation of all health care professionals — those who will utilize a variety of AI tools in their routine provision of care. Health professionals are at an advantage to successfully learn how to incorporate AI into their work, in that principles of critical reasoning and data analysis are already fundamental to health care training.

• “Health care workers in the AI future will need to learn how to use and interact with information systems, with foundational education in information retrieval and synthesis, statistics and evidence-based medicine appraisal, and interpretation of predictive models in terms of diagnostic performance measures” [2].

Such interactions will demand an attitudinal shift in providers, as AI may be perceived more as a colleague than a tool. It is imperative that leaders of HPE urgently act to ensure that all providers are positioned to contribute to the responsible deployment of AI.

동시에 교육자가 교육 과정 자체 내에서 강력한 AI 도구를 활용할 가능성이 있다. 교육 프로그램과 관련된 [행정적 부담]은 AI에 의해 상쇄될 수 있으며, 이는 교육자들이 그들의 작업의 더 창의적이고 관계적인 측면에 집중할 수 있게 한다. 특히 흥미로운 점은 경력을 통해 각 전문가의 교육을 강화할 수 있는 기회이다. "정밀의학"과 유사하게, 교육자들은 훈련과 평가를 개인화하기 위해 데이터를 활용함으로써 "정밀 교육"을 육성할 수 있다. 데이터는 교육 자원의 전략적 배치를 알리고 실습과 교육 간의 연결을 강화할 수 있으며, 교육자는 적절한 도구 개발을 옹호할 수 있습니다.
Simultaneously, there is potential for educators to exploit powerful AI tools within the process of education itself. Administrative burdens associated with educational programs could be offset by AI, freeing educators to focus on more creative and relational aspects of their work. Particularly intriguing is the opportunity to enhance the education of each professional throughout one’s career. Analogous to “precision medicine,” educators can foster “precision education” by leveraging data to individualize training and assessment. Data can inform the strategic deployment of educational resources and strengthen the link between practice and education, and educators can advocate for the development of appropriate tools.

따라서 이 원고는 보건 전문 교육자들이 현재 고려해야 하는 이중성, 즉 [AI에 대한 훈련]의 필요성과 [훈련에서 AI의 역할]을 다룬다.
This manuscript thus addresses the duality that health professions educators must consider now: the need for training in AI and the role of AI in training.

 

보건 전문 교육에 AI를 통합하는 것에 대한 망설임 해소
Addressing Hesitance to Incorporating AI into Health Professions Education

이 원고의 저자는 다양한 교육 현장에서 그리고 보건 분야의 청중들과 함께 AI에 대한 더 나은 훈련을 옹호할 기회를 가졌다. 투명한 방식으로 직접 다루어야 하는 그러한 논의에서 많은 의구심이 제기되었다. 회의론은 이러한 행동 요구를 부정할 수 없다. 실제로 AI에 대한 많은 우려는 [학습자를 위한 더 많은 적절한 교육]을 강력히 주장한다[8,9].
The authors of this manuscript have had the opportunity to advocate for better training in AI in various educational venues and with audiences across health professions. Many doubts have been raised in those discussions, which warrant addressing directly in a transparent manner. Skepticism cannot negate this call to action; indeed, many of the concerns about AI argue all the more for appropriate education of learners [8,9].

인공지능에 대한 두려움은 로봇이 창조자를 추월하는 디스토피아 사회로 이어지며 공상 과학 소설을 통해 불멸로 이어졌고, 일부 사람들은 AI의 위험이 그 이점보다 훨씬 크다고 믿게 되었다. 의료 및 HPE 내에서 AI에 대한 우려는 더 구체적이며, 따라서 더 쉽게 해결되어야 한다. 일반적인 경악의 주제에는 다음이 있다.

• 잠재적인 일자리 감소에 대한 우려,
• 전통적인 "전문가" 역할에 대한 위협,
• 기존 정보 기술 및 전자 건강 기록(EHR) 시스템에 AI를 통합하기 위한 전략의 부족,
• 데이터 수집 및 분석에 관해 잘 훈련된 팀의 부족,
• AI가 결정이 완전히 투명하지 않은 "블랙박스"인 임상 도구인 것에 대한 우려

Fear of AI leading to a dystopian society where robots overtake their creators has been immortalized through science fiction, leading some to believe that the dangers of AI far outweigh its benefits [10]. Within health care and HPE, concerns about AI are more specific, and therefore should be more readily addressed. Common topics of consternation include

• concerns for potential job loss,
• threats to the traditional “expert” role,
• a lack of strategies for integrating AI into current information technology and electronic health record (EHR) systems,
• shortage of a well-trained team in data collection and analysis [11], and
• concerns about AI being a clinical tool that is a “black box” in which decisions are not fully transparent.

AI의 기본 전제는 보건 전문가와 교육자의 업무를 [대체하는 것]이 아니라 [보완하는 것]이다. 이 개념을 오해하는 것은 변화에 대한 보다 근본적인 저항과 함께 실제와 교육에서 AI에 대한 망설임의 주요 원인이다. AI가 무엇이고 할 수 있거나 할 수 없는지에 대한 지식의 부족은 이러한 저항에 기여한다. 방사선학과 병리학의 의학 분야는 이러한 점들을 예시한다. 연구는 알고리즘이 악성 종양을 식별하는 데 있어 방사선사를 능가한다는 것을 입증했지만, 그것은 AI가 방사선사를 대체할 가능성보다는 도구로서의 AI의 가치에 더 많은 것을 말해준다[12]. 사실, 인공지능 시스템은 방사선 이미지를 읽고 해석하는 것과 같은 특정 작업을 수행하도록 설계되었다. 방사선과 의사는 또한 AI를 통해 생산된 여러 접점을 통합하고, 다른 건강 전문가와 상담하며, 환자와 상호 작용할 것으로 기대된다. — 이 모든 것은 인간과 인간의 상호 작용을 위해 가장 적절하게 설계된 역할이다.

The basic premise of AI is to supplement, not supplant, the work of health professionals and educators. Misunderstanding this concept is a primary cause of hesitancy around AI, in practice and in education, along with a more fundamental resistance to change. A lack of knowledge of what AI is and can or cannot do contributes to this resistance. The medical disciplines of radiology and pathology exemplify these points. Studies have documented that algorithms outperform radiologists in identifying malignant tumors, but that speaks more to the value of AI as a tool rather than the likelihood that AI will replace radiologists [12]. In fact, AI systems are designed to accomplish specific tasks like reading and interpreting radiographic images; radiologists are also expected to integrate multiple touch points produced through AI, consult with other health professionals, and interact with patients — all of which are roles most appropriately designed for human-to-human interaction.

다른 건강 직업의 예로는 [정신 건강 관리와 관련된 AI]의 발전이 있다. AI는 전 세계 정신 건강 전문가의 심각한 부족을 해결하기 위해 활용되고 있다. 임상적으로 입증된 인지행동치료(CBT) 챗봇 플랫폼인 Worebot은 AI를 사용하여 사용자와 치료 동맹을 형성하고 개별 제시 증상을 기반으로 CBT 접근 방식을 채택한다[13].
Examples from other health professions include advances in AI related to mental health care. AI is being utilized to address the critical shortage of mental health professionals throughout the world. Woebot, a clinically proven Cognitive Behavioral Therapy (CBT) chatbot platform, uses AI to form a therapeutic alliance with the user and adapts the CBT approach based on the individual presenting symptoms [13].

정신 건강에서 임상적으로 입증된 또 다른 AI 구현은 테스Tess로, 사용자의 행동 변화를 촉진하기 위해 교육, 대화 및 치료 접근 방식을 채택한다[14]. 테스는 전 세계적으로 1천9백만 명 이상의 사람들에 의해 이용되었다. 수백만 명의 사람들이 정신 건강 전문가의 업무를 보완하기 위해 AI를 사용하고 있지만, 역량 영역은 AI 접근 방식과 관련하여 실무자가 필요로 하는 지식 기반을 반영하거나 기존 AI 사용의 치료 과정에 필요한 통합을 반영하기 위해 업데이트되지 않았다. 딥 러닝 및 고급 데이터 분석과 같은 AI의 특정 애플리케이션은 의료 전문가의 대체자로 간주되지 않고 파트너 및 협력자로 간주될 수 있다[15]. AI가 제공자를 대체하는 것이 아니라, AI를 활용하는 제공자가 그렇지 않은 제공자를 대체할 것이다.
Another clinically proven AI implementation in mental health is Tess, which employs educational, conversational, and therapeutic approaches to foster behavior change in the user [14]. Tess has been used by more than 19 million people worldwide. While millions of people are using AI to supplement the work of mental health professionals, competency domains have not been updated to reflect the knowledge base that practitioners need in relation to AI approaches or to reflect the needed integration of existing AI usage into the treatment process. Certain applications of AI, like deep learning and advanced data analytics, could be viewed as partners and collaborators and not feared as displacers of health care professionals [15]. AI will not replace providers, but providers who leverage AI will replace those who do not.

이미 보건 분야 전반에 걸쳐 [과부하가 걸린 커리큘럼]은 학습자를 위해 AI에 추가 역량을 추가하는 것에 대한 저항을 불러일으킨다. 촘촘한 커리큘럼은 학생들의 복지와 교직원의 번아웃에 영향을 미친다. 그러나 모든 진화하는 의료 영역과 마찬가지로 [AI가 기존 콘텐츠와 어떻게 관련되는지 결정]하고, [모든 콘텐츠 영역에 대해 향후 practice에 미치는 상대적 영향을 평가]하는 것이 향후 경로를 식별하기 위해 중요할 것이다. 보건 분야의 새로운 정보가 기하급수적으로 증가함에 따라, "정보 과부하"는 학생들과 교육자들의 정신의 인지 및 정신적 능력을 계속해서 압도하고 있다. 이러한 모순이 커짐에 따라 교육에 대한 보건 전문 교육자들의 생각이 바뀌었고, 현재와 같은 오랜 "정보 획득" 모델이 아닌 "지식 관리"에 학습을 다시 집중해야 한다는 요구가 제기되었습니다. 여기서 아이러니한 점은 AI를 보건직의 과목으로 추가하고 교육과정을 관리하는 도구로 추가하면 실제로 교육과정 부담을 줄일 수 있다는 것이다. 일부 생물의학 및 임상 지식을 AI 알고리듬으로 마이그레이션함으로써 교육자는 보건 전문 교육과정에 더 많은 숨통을 틔우고 학생과 교직원의 실제 경험에 주입할 수 있다[16,17].
The already overloaded curriculum across health professions creates resistance to adding additional competencies in AI for learners. The dense curriculum has implications for students’ well-being and faculty burnout. But, as with all evolving areas of medicine, determining how AI relates to existing content and weighing the relative impact of all areas of content on future practice will be critical in order to identify paths forward. As new information in the health professions continues to exponentially grow, “information overload” continues to overwhelm the cognitive and mental capacity of students’ and educators’ minds. This growing incongruence has led to a shift in health professions educators’ thinking regarding instruction, with calls to refocus learning on “knowledge management” rather than the current and long standing “information acquisition” model. The irony here is that the addition of AI as a subject in health professions and as a tool to manage the curriculum can actually reduce curricular load. By migrating some biomedical and clinical knowledge to AI algorithms, educators can instill more breathing room into health professions curricula and into the lived experiences of students and faculty [16,17].

AI에서 교육과정을 만들고 전달할 수 있는 [적절한 전문성을 갖춘 교수진의 부족]도 우려된다. 교육 프로그램과 보건 시스템의 전문가들 사이의 새로운 관계를 개발하는 것이 출발점을 제공할 수 있다. 교육과정 감독을 담당하는 보건직 교직원은 인공지능과 수학적 모델링, 결정론 등 주제에 대한 디지털 활용능력을 향상시켜야 할 것이며, 그만큼 교직원의 육성이 우선돼야 한다. 마찬가지로, 교육 과정을 개선하기 위해 AI를 가장 잘 활용할 수 있는 지식과 기술의 부족과 그러한 도구를 개발할 수 있는 자원의 부족은 진전을 방해한다.
There is also concern about a lack of faculty with the appropriate expertise to create and deliver curricula in AI. Developing new relationships between the educational program and experts in the health system may offer a starting point. Health professions faculty members responsible for curricular oversight will need to improve their digital literacy regarding AI and topics such as mathematical modelling and decision theory, and as such, faculty development must be a priority. Similarly, a lack of knowledge and skills to best utilize AI to enhance the process of education and lack of resources to develop such tools stymies progress.

예측 분석을 위해 AI와 머신러닝을 사용하거나 작업량을 상쇄하는 보건 전문 강사는 [빅데이터와 알고리즘의 편향]과 관련된 유익성과 위해성 모두에 대해 교육을 받아야 한다. 마이크로소프트의 봇 테이Tay의 예는 감독되지 않은 기계 학습에 대한 경고적인 이야기이다. "대화적 이해"를 위한 실험으로 설계된 Tay는 공개적으로 AI 트위터 사용자로 자리매김했다. 24시간 이내에 해커들은 혐오와 인종차별적 댓글로 시스템을 압도했고, Tay는 데이터 입력을 반영한 메시지를 쏟아냈다[18]. 학생과 교육자는 AI가 정체된 기능이 아니며 지속적으로 분석, 평가 및 업데이트되어야 한다는 것을 깨달아야 한다. 인공지능 알고리즘의 효율성은 인간이 수집한 데이터에 의해 영향을 받기 때문에 무의식적인 편견이 의도하지 않게 통합될 수 있다. 이전에 수행된 연구는 과소 대표되고 소외된 그룹이 전통적으로 데이터 세트에서 제외되었기 때문에 AI 파생 결과에 편견을 추가할 수 있다[19]. AI 교육은 보건 전문가들이 자신의 무의식적 편견을 이해하고 보건 전문가에 대한 불신의 역사가 있는 소외된 집단에게 AI가 지원하는 의사 결정을 설명하는 데 도움이 되는 기술을 개발하는 데 매우 중요하다.

Health professional instructors who use AI and machine learning for predictive analytics or to offset their workloads must be educated on both the benefits and the risks regarding bias in big data and algorithms. The example of Microsoft’s bot Tay is a cautionary tale of unsupervised machine learning. Designed as an experiment in “conversational understanding,” Tay was established as an openly AI Twitter user. Within 24 hours, hackers overwhelmed the system with hateful and racist comments, leading Tay to spew messages reflective of its data input [18]. Students and educators must realize that AI is not a stagnant function and must be constantly analyzed, evaluated, and updated. Because the efficacy of AI algorithms is impacted by the data collected by humans, unconscious biases can be incorporated unintentionally. Previously conducted research can also add biases to AI-derived outcomes because underrepresented and marginalized groups have traditionally been excluded from datasets [19]. Education in AI is critical so that health professionals understand their own unconscious biases and develop the skills to help explain AI-supported decision making to marginalized groups that have a history of mistrust with and in the health professions.

[AI의 잠재적인 부정적인 영향에 대한 우려]와 [교육 조정을 실행할 수 있는 자원의 부족]은 교육자들이 지금 이 과제를 해결해야 한다고 주장한다. 교육자는 모든 제공자가 환자를 돌보고 보호해야 할 전문적인 의무를 이행할 수 있도록 하는 교육을 제공하는 것이 필수적이다. 인공지능의 추가 개발과 통합은 일부 교육자들의 두려움이나 우려 때문에 멈추지 않을 것이다. 보건 분야와 컴퓨터 과학자들 사이의 대화를 촉진하고 파트너십을 개선하면 현실적이고 유용하며 효과적으로 적용되는 기술의 개발이 가능해질 것이다. 중요한 것은, 현재 교육받고 있는 학생들과 학습자들인 건강 직업의 미래는 HPE와 실습에서 AI에 대한 더 긍정적인 수용을 보여주었다. 방사선과 레지던트들을 대상으로 실시한 연구에 따르면, 대다수의 학생들은 AI가 방사선과학을 혁신(77%)하고 개선(86%)할 것이라는 데 동의한 반면, 인간 방사선과 의사가 교체될 것이라는 진술(83%)에는 동의하지 않는 것으로 나타났다. 3분의 2 이상이 AI가 의료 훈련에 포함되어야 한다는 필요성에 동의했다(71%) [20]. 보건 전문 교육자들이 안전하고 양질의 환자 치료를 제공하기 위해 학습자가 임상 환경에서 AI의 사용을 이해하고 지원할 수 있도록 포지셔닝해야 할 때이다.

Concerns about potential negative impacts of AI and a lack of resources to implement educational adjustments argue all the more for educators to tackle this challenge now. It is imperative that educators provide training that empowers all providers to fulfill their professional duty to care for and protect patients. The further development and incorporation of AI will not stop due to the fears or concerns of some educators. Promoting a dialogue and improving partnerships between the health disciplines and computer scientists would enable the development of realistic, usable, and effectively applied technology. Importantly, the future of the health professions, the students and learners being educated now, have demonstrated a more positive acceptance of AI in HPE and practice. A study conducted with radiology residents showed that a majority of students agreed that AI will revolutionize (77 percent) and improve (86 percent) radiology, while disagreeing with statements that human radiologists will be replaced (83 percent). More than two-thirds agreed with the need for AI to be included in medical training (71 percent) [20]. The time is right for health professions educators to position their learners to understand and support the use of AI in the clinical setting with the intent to provide safe, quality patient care.

따라서 보건 전문 교육자들은 보건 및 의료 제공에서 AI의 출현의 두 가지 측면을 고려해야 한다.

• 보건 전문가들이 그들의 일을 잘하기 위해 어떤 AI 교육이 필요할까?
  
• 보건 전문가의 교육을 개선하기 위해 AI 기능을 어떻게 활용할 수 있습니까?

Thus, health professions educators must consider two aspects of the emergence of AI in health and health care delivery:

1. What training in AI will health professionals need to do their jobs well?
2. How can AI capabilities be leveraged to improve the training of health professionals?

 

AI 교육
Training in AI

앞서 언급했듯이, 이 원고의 범위는 모든 제공자의 기본적 요구를 고려하는 것이지, [AI 개발을 전문으로 선택할 사람들]의 요구를 개략적으로 설명하는 것이 아니다. 모든 분야가 이 과정에서 비교적 초기 단계이고 AI가 발전함에 따라 직업 간 업무 관계가 바뀔 가능성이 높기 때문에 AI 훈련은 전문 교육 접근에 무르익었다. 서로에 대해, 서로에게서, 그리고 함께 배우는 것은 보건 전문가들이 위험을 예측하고 완화하고 AI의 가능성을 증폭시킬 수 있는 풍부한 관점을 추가한다. 다음 영역은 AI에 대한 교육에서 다루어야 할 핵심 요소를 요약한다.

As mentioned previously, the scope of this manuscript is to consider foundational needs of all providers, not to outline the needs of those who will choose to specialize in AI development. Training in AI is ripe for interprofessional educational approaches because all fields are relatively early on in this process and the relationships of work across professions will likely shift as AI advances. Learning about, from, and with one another adds rich perspectives that will enable health professions to anticipate and mitigate perils and amplify the promise of AI. The following domains outline key elements to be addressed in education about AI.

 

정보 오버로드
Information Overload

역사적으로 [정보의 획득, 정보의 합성 및 적절한 적용]은 의료 전문가의 훈련을 특징지었다. EHR, 이미징, 생체인식, 멀티오믹스 및 센서를 통한 원격 모니터링의 [데이터가 폭발적으로 증가]하기 때문에, 이러한 데이터의 분석을 관리하는 데는 정교한 알고리즘의 적용이 점점 더 필요하다. 기존 커리큘럼은 더 이상 지식 관리와 기계 학습 및 데이터 분석의 효과적인 활용이 필요한 진화하는 요구에 의료 전문가를 대비시킬 수 없습니다[16]. 또한 훈련생은 사람들이 행동을 적응하고 건강한 생활방식을 선택하는데 도움이 되는 여러 디지털 도구(예: Apple Watch는 수면 평가를 포함한 다양한 생리학적 측정치를 수집할 수 있음)를 사용하여, 상세하고 개인화된 데이터를 수집할 수 있기 때문에, 정밀 건강에 점점 더 초점을 맞출 수 있도록 준비해야 한다. [정보 과부하]라는 이 과제를 명시적으로 명명하는 것은 보건 전문가 학습자들이 AI 지원과 지속적인 학습의 필요성을 이해하는 데 도움이 된다.

Historically, acquisition of information, its synthesis, and proper application has characterized health care professionals’ training. Due to the explosion of data from EHRs, imaging, biometrics, multi-omics, and remote monitoring via sensors, managing analyses of such data increasingly requires application of sophisticated algorithms. Traditional curricula can no longer prepare health professionals for the evolving needs that require knowledge management and effective utilization of machine learning and data analytics [16]. In addition, trainees need to be prepared for an increasing focus on precision health due to the ability to gather detailed, personalized data using multiple digital tools (e.g., an Apple Watch can collect various physiological measurements including sleep assessment) that will help people adapt their behavior and make healthy lifestyle choices. Explicitly naming this challenge of information overload helps health professions learners understand the need for AI support and for their own continual learning.

 

인공지능의 기반
Foundations in AI

모든 제공자는 [AI가 무엇인지, AI가 어떻게 작동하는지, 그리고 현재 실행 중인 다른 형태의 기술과 어떻게 다른지에 대한 근본적인 이해]가 필요하다. 보건 전문가의 업무에 AI가 적용되는 다양한 방법에 대한 일반적인 이해는 훈련의 초기 단계에서 적절합니다. 주어진 분야에서 발전함에 따라, 자신의 분야에서 사용되는 더 구체적인 응용 분야에서 추가적인 훈련이 필요할 것이다. [규제 및 윤리적 문제]를 포함하여 [AI 애플리케이션을 감독oversight]하는 제공자의 역할을 이해하는 것은 이러한 새로운 도구가 [약속을 최적화하고 잠재적 위험을 최소화]하는 방식으로 사용되도록 보장하는 [집단적 전문적 의무]를 충족하는 데 도움이 될 것이다.
All providers need a fundamental understanding of what AI is, how it works, and how it differs from other forms of technology currently in practice. A general understanding of various ways in which AI is applied to the work of health professionals is appropriate at early stages of training; as one advances in a given field, additional training will be needed in more specific applications used in one’s discipline. Understanding the provider’s role in oversight of AI applications, including regulatory and ethical concerns, will aid in meeting the collective professional obligation to ensure that these new tools are used in a manner that optimizes their promise and minimizes potential perils.

 

새로운 역량
New Competencies

최근 문헌은 HPE에 통합될 AI의 훈련 요소에 대한 제안을 제공한다. 맥코이 외 [21] 광범위한 역량을 다음과 같이 설명한다.

의료 전문가들이 의료 서비스 제공에서 수행해야 하는 새로운 역할:

• 평가자: 주어진 임상 상황에 [테크놀로지 활용이 적합한 시점]이 언제이며, 의미 있는 결과를 위해 [필요한 입력이 무엇인지]를 평가할 수 있는 능력
  
• 해석가: 오류, 편향 또는 임상적 부적절성의 잠재적 원인을 아는 것을 포함하여, 합리적인 정확도로 지식과 기술에 대한 해석
  
• 소통가: 환자 및 기타 의료 전문가가 [이해할 수 있는 방식]으로 결과 및 기본 프로세스 전달

더 넓은 전문적 맥락에서 AI를 이해할 수 있는 역량:

• 스튜어드십: 환자 데이터에 대한 책임 있는 스튜어드(지킴이)가 되어 공급자와 환자 간의 기본적인 신뢰를 보장합니다.
  
• 어드보커시: 데이터 보안 및 개인 정보 보호와 관련된 위험 이해—의료 제공자는 [윤리적이고 공정한 시스템]의 개발 및 배치를 옹호할 준비가 되어 있어야 합니다.

Recent literature offers suggestions regarding the elements of training in AI to be incorporated into HPE. McCoy et al. [21] describe broad competencies as:

New roles that health professionals must assume in delivering care:

• Evaluator: Being able to evaluate
  • when a technology is appropriate for a given clinical context and
  • what inputs are required for meaningful results
• Interpreter: Interpretation of knowledge and skills with a reasonable degree of accuracy including knowing potential sources of error, bias, or clinical inappropriateness
• Communicator: Communication of results and underlying process in a way that patients and other health professionals can understand

Competencies for understanding AI in a broader professional context:

• Stewardship: Be a responsible steward for patient data to ensure basic trust between provider and patient
• Advocacy: Understand the risks around data security and privacy—health care providers must be equipped to advocate for the development and deployment of ethical and equitable systems

McCoy 등과 Law 등은 [기본적인 컴퓨터 프로그래밍 기술]에 대한 보건 전문가의 명시적 훈련, 소프트웨어 설계의 모범 사례에 대한 이해, 그리고 새로운 도구를 실무에 통합하는 방법을 구상하는 능력에 대한 추가적인 필요성을 주장한다[20, 21]. [프로그래밍 훈련]이 모든 보건 전문직 학생들에게 필요한 것은 아니지만, 그들 모두는 알고리즘 개발 및 유지보수의 모범 사례와 한계에 대한 근본적인 이해가 필요하다.
McCoy et al. and Law et al. argue for the additional need for explicit training of health professionals in fundamental computer programming skills, an understanding of good practices in software design, and the ability to envision how to incorporate new tools into practice [20, 21]. Training in programming may not be indicated for every health professions student, but all of them need a fundamental understanding of best practices in, and limitations of, algorithmic development and maintenance.

 

역량을 폭넓게 고려
Considering Competency Broadly

인공지능에 대한 지식을 넘어, 보건 직업에 필요한 다른 역량 영역도 영향을 받을 것이다. AI가 제공자의 작업을 대체하지 않고 보완할 것이라는 것을 받아들이는 것은 제공자가 AI와 효과적으로 협력하기 위해 필요한 질적 속성에 대한 신속한 고려가 보증되고 필요하다. 예를 들어, AI가 임상적 만남에 통합됨에 따라, 보건 전문직 학생들은 진료 전달의 중요한 휴머니즘 요소를 유지하기 위해 [새로운 의사소통 기술과 전문성에 대한 훈련]이 필요하다. 기술에 민첩하면서도 환자와 효과적으로 연결할 수 있는 전문가를 준비하기 위해 명확한 의사소통, 공감 배양, 건강 옹호 및 협업과 같은 기술에 대한 강조가 점점 더 필요할 것이다[22, 23]. 의사소통, 공감 및 배려를 촉진하려면 더 많은 관심과 전문지식이 필요합니다 [24]. 많은 사람들, 그리고 아마도 가장 많은 지노 윅맨에게 귀속된 인용구를 참조하기 위해, "예측 가능한 것을 체계화하라, 그러면 당신은 예외적인 것을 인간화할 수 있다."  이런 '하이테크, 하이 터치' 방식이 인기를 끌고 있는 것으로 보인다. 2016년 미국 의과대학 협회 자료에 따르면, 의과대학의 94%가 필수 또는 선택 과목을 제공하여 학생들이 다양한 환자의 요구를 더 잘 이해할 수 있도록 포지셔닝하는 등 지난 몇 년 동안 [의학 인문학 훈련]이 지속적으로 증가해왔다[25].

Beyond knowledge of AI, other competency domains necessary for health professions will be impacted as well. Accepting that AI will supplement, not supplant, the work of providers, prompt consideration of the qualitative attributes that providers need to partner effectively with AI is both warranted and necessary. For example, as AI is incorporated into clinical encounters, health professions students need training in new communication skills and professionalism to retain the critical humanist elements of care delivery. Increased emphasis on skills such as clear communication, empathy cultivation, health advocacy, and collaboration will be increasingly needed to prepare professionals who can connect effectively with patients while being facile with technology [22, 23]. Fostering communication, empathy, and caring will require more attention and expertise [24]. To reference a quote that is attributed to many, but perhaps most to Gino Wickman, “Systemize the predictable, so you can humanize the exceptional.” Such a “high tech, high touch” approach seems to be gaining popularity. According to 2016 Association of American Medical Colleges data, training in medical humanities has consistently increased during the past few years, with 94 percent of medical schools offering either required or elective courses positioning students to better understand the needs of diverse patients [25].

 

기존 콘텐츠 재고
Rethinking Traditional Content

AI의 출현은 또한 [전통적인 콘텐츠의 영역을 새로운 방식으로 다룰 필요가 있다는 증거]를 제시한다. 의사 결정 시 임상의가 이용할 수 있는 [정보의 확산은 개인 제공자의 처리 능력을 초과]했다. 인공지능은 집단지식으로 개인의 역량을 강화함으로써 도움을 줄 수 있다. 이는 최근 수십 년 동안 [인간 진단 오류의 현실]에 대한 인식 증가를 반영한다[26]. 비슷하게, 사회는 건강 관리를 포함한 모든 시스템에 스며드는 [구조적 편견]을 수용하고 있다. 앞서 언급했듯이, 많은 사람들은 AI가 이미 존재하는 편견을 증폭시킬 수 있는 위험을 빠르게 지적하는데, 이는 인간의 편견과 건강의 기존 구조적 결정 요인에 대한 더 강력한 훈련을 주장한다. 그러므로 건강 전문직 학생들은 메타인식(인간이 어떻게 생각하고 결정을 내리는지에 대한 이해)에 대한 더 깊은 훈련이 필요하다. 

The emergence of AI also presents evidence that traditional areas of content may need to be addressed in new ways. The proliferation of information available to clinicians at the time of decision making has exceeded the processing capacity of an individual provider; AI can assist by augmenting one’s individual capabilities with collective knowledge. This reflects increasing acknowledgment over recent decades of the realities of human diagnostic error [26]. Similarly, society is coming to terms with the structural biases that permeate every system, including health care. As noted previously, many are quick to point to the risk that AI could amplify bias that already exists, which argues for stronger training around human bias and existing structural determinants of health. Health professions students thus need deeper training in metacognition — an understanding of how humans think and make decisions.

역사적 편견을 인식하고 극복하려면 체계적인 훈련 프로그램이 필요하다[27]. AI는 기존 데이터 세트를 활용하기 때문에 건강 데이터의 [체계적이고 역사적인 편견, 오류 및 누락]을 강조하기 위한 추가 교육이 필요하다. 의료 전문가들은 데이터 품질을 보장하는 책임을 수용하도록 교육받아야 한다. 모든 제공자는 환자와 지역사회에 대한 정보 수집(그리고 더 중요하게는 문서화)에 기여한다. [책임 있는 문서화 프로세스에 관한 교육]과 [EHR에 대한 적절한 기여]는 AI가 의존하는 데이터 세트를 강화할 것이다. 마지막으로, 임상의는 특정 환경과 특정 모집단에서 AI 응용 프로그램의 관련성을 결정할 때 건강 및 건강 관리의 맥락에 대한 이해를 적용할 수 있도록 학습해야 한다.

Systematic training programs are required to become aware of and to overcome historical biases [27]. Because AI draws on existing datasets, additional training is needed to emphasize systematic and historical biases, errors, and omissions in health data. Health professionals must be trained to embrace responsibility for ensuring data quality. All providers contribute to the collection of — and, importantly, the documentation of — information about patients and communities. Education in responsible documentation processes and appropriate contribution to EHRs will strengthen the datasets on which AI relies. Finally, clinicians must be taught to apply an understanding of contexts of health and health care when determining the relevance of AI applications in a particular milieu and for particular populations.

 

전문직 간 역할 전환
Shifting Interprofessional Roles

HPE는 [전문직 간 관행 패턴의 변화]를 예상해야 한다. 의료 제공자가 되는 것이 무엇을 의미하는지에 대한 비전은 [개인이나 주어진 공동체의 요구에 정보를 접근하고 평가하고 적용]하는 데 있어 [정보의 개별 책임자]에서 [시스템 사고 전문가]로 이동할 것이다. 각 제공자는 데이터 입력이 치료 및 치료를 안내하는 AI 출력에 영향을 미친다는 것을 배우는 것이 중요하다. 인공지능으로 연결된 [웨어러블 기기]는 예방과 관리 전달을 점점 더 통합할 것이다. 디지털 건강 리터러시 훈련은 특정 보건 직업의 관점에서 그러한 데이터에 대한 이해를 촉진하는 동시에, 그러한 정보가 다른 보건 직업과 더 넓은 보건 시스템의 전문지식에 어떻게 적합한지를 인식하는 데 필요하다. 스마트 기술 모니터링을 통해 환자 스스로 수집한 데이터는 각 진료 제공자가 제출한 데이터를 보완한다. 보건 전문 인력 양성은 환자 및 제공자와의 파트너십의 맥락에서 학생들이 전통적인 "질병 중심의 의학"에서 건강 증진으로 패러다임 전환에 대비할 필요가 있다. 의료 제공자가 데이터 과학자 및 기타 디지털 전문가와 협력하기 때문에 [전문직 간 팀의 구성]이 변경될 것이다[28]. 팀의 역할은 딥 러닝 알고리즘을 기반으로 한 더 건강한 선택과 의사 결정으로 개인들을 안내하는 보다 [간-전문직적 사람 중심의 접근 방식interprofessional person-centered approach]으로 전환될 것이다. 따라서 교육자들은 팀이 의사 결정을 유도하기 위해 데이터 기반 알고리즘에 점점 더 많이 의존함에 따라 [데이터 편향, 생명윤리적 과제 및 책임에 대한 영향]을 인식할 수 있는 [전문직간interprofessional 학습 기회]를 개발해야 한다[28]. 

HPE must anticipate shifts in interprofessional practice patterns. The vision of what it means to be a health care provider will move away from individual stewards of information toward systems-thinking experts in accessing, assessing, and applying information to the needs of an individual or a given community. It is critical that each provider be taught that data inputs impact AI outputs that guide care and treatment. Wearable devices connected by AI will increasingly integrate prevention and care delivery. Training in digital health literacy is needed to promote understanding of such data from the lens of a specific health profession, but also in recognizing how such information fits within the expertise of other health professions and the broader health system. Data collected by patients themselves through smart technology monitoring will supplement data submitted by each care provider. Health professions training needs to prepare students for the paradigm shift from the traditional “disease-oriented medicine” to promotion of wellness in the context of a partnership with patients and providers. The composition of the interprofessional team will be altered, as health care providers will collaborate with data scientists and other digital experts [28]. The role of the team will shift toward a more interprofessional person-centered approach, guiding individuals toward healthier options and decision making based on deep learning algorithms. Educators must thus develop interprofessional learning opportunities to recognize data biases, bioethical challenges, and implications for liability as teams increasingly rely on data-driven algorithms to drive decision making [28].

다른 유형의 사람이 보건 전문가로서 성공할 수도 있다. 의료 팀의 동료 구성원으로부터든 AI 도구로부터든 외부 인풋을 수용하도록 제공자를 위치시키는 [개인적 겸손personal humility]의 가치에 대한 인식이 증가하면, [강력한 개인적 지식personal knowledge]를 가치있게 여기던 전통적인 것과의 균형을 맞춰야 한다. 건강전문 학습자를 대상으로 AI와 머신러닝의 위험과 이점에 대해 함께 교육하는 것은 학생들이 건강전문팀의 일원이 되면서 공유지식의 체계를 구축할 것이다. 
It may be that a different type of person will succeed as a health professional. An increasing recognition of the value of personal humility that positions a provider to accept external input, whether from fellow members of the care team or from AI tools, must balance a traditional value for strong personal knowledge. Educating health professions learners together on the risks and benefits of AI and machine learning will set up a system of shared knowledge as students become members of the health professional team.

 

윤리적 및 전문적인 영향
Ethical and Professional Implications

[AI에 대한 윤리적 및 규제적 감독oversight]에 참여하는 보건 전문가의 의무도 교육의 대상이 되어야한다고 주장한다. 미국에서는 의료 기관의 의사 결정자들이 AI가 의학을 개선할 것이라고 얼마나 확신하느냐는 질문을 받았을 때, 약 50%가 치명적인 오류를 일으키고, 운영상의 결함이 있으며, 충족되지 않은 기대를 낳을 것이라고 우려했다[29]. 영국에서는 성인 인구의 63%가 AI를 통한 건강관리 개선을 위해 개인 데이터를 제공하고 허용하는 것에 대해 불편함을 느끼고 있다. 제공자가 [데이터 보호 요구사항, 환자 개인 정보 보호 및 기밀성]을 이해하고 모니터링하도록 보장하고, [편향된 샘플링을 최소화]하며, [AI 개발자가 이러한 노력을 다루는 투명한 의사소통 및 조치를 제공할 것을 요구]하도록 교육을 개발해야 한다[29]. 의료 분야에서 인공지능의 침투가 증가함에 따라 어떤 추가 역량이 필요한지, 역사적 역량이 어떻게 조정되어야 하는지를 명확히 하기 위해 전문 교육자 간 추가적인 협업이 필요할 것이다. 

The duty of health professionals to engage in ethical and regulatory oversight of AI also argues for targeted education. In the United States, when decision makers at health care organizations were asked how confident they were that AI would improve medicine, roughly 50 percent feared that it will produce fatal errors, have operational flaws, and produce unmet expectations [29]. In the United Kingdom, 63 percent of the adult population is not comfortable with providing and allowing personal data to be used to improve health care through AI. Training must be developed to ensure that providers understand and monitor data protection requirements, patient privacy, and confidentiality, as well as minimize bias sampling and demand that AI developers provide transparent communication and actions addressing these endeavors [29]. Further collaboration among interprofessional educators will be necessary to clarify what additional competencies are needed and how historical competencies must be refined in light of increasing penetrance of AI in health care.

 

AI 인 트레이닝
AI in Training

보건 전문 학습자가 향후 작업에 AI 도구를 활용할 수 있도록 준비하는 것 외에도, 교육자들은 교육 과정을 개선하기 위해 AI의 엄청난 잠재력을 고려해야 한다. 아래에 설명된 여러 예는 AI를 활용하는 것이 훈련의 연속에 걸쳐 교수와 학습에 대한 혁신적인 접근법을 어떻게 추진할 수 있는지를 보여주는 이미 등장했다. 
In addition to preparing health professions learners to utilize AI tools in their future work, educators should consider the tremendous potential of AI to improve the process of education. Multiple examples, which are laid out below, have already emerged that show how leveraging AI can propel innovative approaches to teaching and learning across the continuum of training.

관리 부담 완화
Easing Administrative Burdens

정보는 교육 시스템과 개별 보건 전문가의 학습 요구를 인식하고 해결하는 능력에 매우 중요합니다. 그러나 교육 시스템에는 중요한 행정적 측면이 있다. 제공자의 문서 부담을 줄이기 위한 AI의 임상 적용과 마찬가지로, AI를 활용하면 학생과의 직접적인 상호 작용과 HPE의 혁신을 진전시키기 위한 보다 창의적인 활동을 위한 대역폭을 확보할 수 있다. 예를 들어, 조지아 공과대학교[30]는 온라인 교육에 대한 역량을 확대하려고 노력했지만, 지도자들은 교사 보조(TA)에 대한 수요가 공급을 초과할 것이라고 인식했다. TA에 대한 많은 질문이 더 깊은 학습 문제에 초점을 맞추기보다는 본질적으로 관리적이라는 것을 식별하여, 그들은 TA의 기능을 할 AI 애플리케이션인 질 왓슨Jill Watson을 개발했다. 질은 간단한 질문들을 빠르게 해결하는 데 성공했고 인간 교육자들에게 언급될 필요가 있는 더 발전된 문제들을 인식할 수 있었다. 기능을 최적화하기 위해 지속적인 개선이 진행 중입니다. 
Information is critical to educational systems and their ability to recognize and address the learning needs of individual health professionals. However, there are significant administrative aspects to educational systems. Akin to the clinical application of AI to reduce a provider’s burden of documentation, leveraging AI could free bandwidth for direct interactions with students and for more creative activities to advance innovation in HPE. As an example, the Georgia Institute of Technology [30] sought to expand its capacity for online education, but leaders recognized that the demand for teaching assistants (TAs) would exceed supply. Identifying that many questions for TAs are administrative in nature rather than focused on deeper learning issues, they developed an AI application, Jill Watson, to function as a TA. Jill was successful in quickly addressing simple questions and was able to recognize more advanced issues that needed to be referred to human educators. Ongoing refinement is under way to optimize functionality.

또 다른 예는 뉴욕 대학 그로스만 의과대학에서 왔다. 이 학교가 모든 등록 학생들에게 전액 장학금을 수여할 것이라고 발표되자 지도자들은 이미 명성이 자자한 이 프로그램에 대한 신청이 급증할 것으로 예상했다. 그들은 1,000명 이상의 이전 입학자들의 입학 지원 기록에서 추출한 53개 변수의 데이터 세트를 개발했고 의대에서의 후속 성공과 상관관계가 있는 요인을 식별하기 위해 분석을 수행했다. 빅 데이터 접근 방식은 후속 애플리케이션의 처리를 강화하여, 국가적으로 입학 절차에 공통되는 사전 편향을 완화하도록 의도적으로 설계된 방식으로 초기 전형 시점에 보다 holistic measures를 통합했다[31]. 다른 용도는 PubMed가 색인화한 관련 연구 기사를 분류하고 전문 프로그램 지원자 수를 줄이고 학습 능력과 동기 부여에 따라 클래스를 나누는 것과 같은 특정 활동을 자동화함으로써 교사와 학자의 업무량을 완화했다[32]. 

Another example comes from the New York University Grossman School of Medicine. Upon the announcement that the school would award full-tuition scholarships to all enrolled students, leaders anticipated a surge in applications to the already prestigious program. They developed a dataset of 53 variables extracted from the admissions applications records of more than 1,000 previous matriculants and performed an analysis to identify factors correlated with subsequent success in medical school. Their big data approach enabled enhanced processing of subsequent applications, incorporating more holistic measures at the point of initial screening in a manner intentionally designed to mitigate prior biases common to admissions processes nationally [31]. Other uses have similarly eased the workload of teacher-scholars by triaging relevant research articles indexed by PubMed and automating certain activities like narrowing the number of applicants for specialized programs and dividing classes based on competencies and motivation to learn [32].

 

콘텐츠 제공 및 적응형 학습 지원
Delivery of Content and Enabling Adaptive Learning

콘텐츠 전달에 적용되는 AI는 다음과 같은 목표를 가지고 적응형 학습과 평가를 가능하게 한다. 

• "잘 훈련된 휴먼 튜터가 학생들에게 지원, 지도를 제공하고, 학생의 답변을 해석하고, 토론에 대한 더 많은 대화를 장려하는 것의 이점을 제공한다."[33]. 

예를 들어, BRCA Gist라고 알려진 AI 애플리케이션은 유방암의 유전적 위험에 대한 학습을 지원하는 데 유용한 것으로 밝혀졌다[34]. 유전자 검사를 진행할지 여부를 환자가 직접 결정하도록 돕기 위해 개발된 이 도구는 복잡한 AI 애플리케이션을 활용하여 대화 방식으로 상호 작용하는 아바타를 만들고 환자의 텍스트 응답에 대한 응답을 조정하는 것을 포함한다. 마치 자신이 환자인 것처럼 시스템과 상호 작용하도록 선택한 학생들은 유전적 위험에 대한 선언적 지식이 증가했음을 보여주었다. 교육 프로그램에서 이러한 기술을 사용하면 교육자가 학생들이 노출되는 사례의 혼합을 확대하고, 시스템의 즉각적인 피드백과 함께, 대화형 방식으로 새로운 개념을 발견할 수 있는 기회를 제공할 수 있습니다. 학습 과정은 더 이상 시간과 장소에 얽매이지 않고 대신 "견습생" 튜터형 경험을 제공한다. 보건 분야의 수행 트레이너는 존재하며 필요한 과외를 성취하는 것으로 밝혀져 전통적인 교실에서 배우는 것보다 더 높은 수행 점수를 얻는다.

As applied to content delivery, AI enables adaptive learning and assessment with the goal of

• “serve[ing] the benefits of a well-trained human tutor providing students support, guidance, interpreting student answers and encouraging more dialogue on the discussion” [33].

For example, an AI application known as the BRCA Gist has been found to be beneficial in supporting learning about genetic risk in breast cancer [34]. Developed to help patients navigate the personal decision whether to pursue genetic testing, this tool involves leveraging complex AI applications to create avatars that interact in a conversational manner, adjusting responses to the patient’s text replies. Students selected to interact with the system as if they were a patient demonstrated increased declarative knowledge of genetic risk. Use of such technology in educational programs would enable educators to expand the mix of cases that students are exposed to and provide the opportunity to discover new concepts in an interactive manner with prompt feedback from the system. The learning process is no longer bound by time and place and instead offers an “apprenticeship” tutor-type experience. Performance trainers in the health professions exist and are found to achieve the tutoring needed, resulting in higher performance scores than learning in the traditional classroom.

 

정보 및 피드백 제공
Providing Information and Feedback

AI는 또한 고등 교육에서도 [개별화된 피드백을 제공]하고, [학습 경로를 구축]하며, [비용을 절감]하는 데 사용되었다[35]. 비록 그것이 인간이 하는 일을 바꾸겠지만, 그것은 인간 교사들을 대체하지 않을 것이다. 한 사례에서, 컴퓨터 과학 석사 학생의 한 교수가 TA로 학생들과 함께 작업하도록 교사 로봇을 설계하여, 동시에 여러 학생을 위해 하루 종일 온라인 질문에 신속하게 답변했다[18]. 이러한 모델은 어떤 학생이 온라인 수업 활동에 참여도가 낮은 참여자가 될 것인지 예측하는 데 사용되었으며 과정 내내 추가 지원이 필요할 가능성이 높다[36]. 이것은 특히 Massive Open Online Cources를 실행할 때 유용할 수 있습니다. 또한 많은 보건 전문가 프로그램은 임상 학습 환경에서 피드백을 컴파일하고 표시하기 위해 대시보드를 도입했다. AI 도구를 레이어링layering하면 데이터 수집 부담을 간소화할 수 있으며, 필요한 특정 피드백과 이를 제공할 수 있는 위치에 있는 감독자에 대한 우선순위를 알릴 수 있다. 
AI has also been used in higher education to provide individualized feedback, build learning pathways, and decrease costs [35]. It will not replace human teachers, although it will change the work that humans do. In one case, a professor of computer science’s master’s students designed a teacherbot to work with students as a TA, promptly answering online questions at all hours of the day for multiple students simultaneously [18]. Such models have been used to predict which students will be low-engagement participants in online class activities and are likely to require additional assistance throughout the course [36]. This could be especially valuable when running Massive Open Online Courses. Additionally, many health professions programs have instituted dashboards to compile and display feedback from the clinical learning environment. Layering AI tools could streamline the data collection burden, signaling priorities regarding what specific feedback is needed and which supervisors could be in a position to provide it.

 

역량 기반 평가 및 개별화된 학습 경로 지원
Supporting Competency-Based Assessment and Individualized Learning Pathways

어떤 보건 분야의 학습자도 다양한 사전 교육 및 인생 경험을 통해 교육을 받게 되며, 따라서 그들의 진정한 교육 요구는 다양하다. 최근 HPE에 대한 역량 기반 접근법에 대한 관심은 학습의 대용으로서 시간에 대한 전통적인 의존보다, [학습 결과를 모니터링]하는 데 더 큰 관심을 강조한다. 역량 기반 접근법은 각 학습자에 대한 풍부한 프로그램 평가 데이터에 의존한다. 이상적으로, 각 보건 전문 학습자는 복잡한 임상 시스템 내에서 다양한 감독자에 의해 평가된다. 기대치에 대한 어느 정도 표준화가 필요하지만, 성과에 대한 감독관 관점의 다양성은 풍부하다. 역량 기반 접근 방식의 구현에 대한 역사적 장벽은 풍부한 성능 증거를 관리하고, 이를 시각화 및 해석하여 미래의 학습을 알리는 과제였다. 일부 의과대학의 예비 연구[37-39]는 과정과 시간에 걸쳐 있는 [프로그램 평가]와 [개별화된 성과 대시보드의] 힘을 입증하지만, 이러한 프로그램은 여전히 [인간 처리 능력]에 의해 제한된다. AI를 적용하여 성능 증거에서 일관된 신호를 식별하여 추가 진단 평가 또는 학습 경험을 유도할 수 있다. AI는 [정밀의학]과 마찬가지로 개인의 수행 동향을 파악하고 개별화된 학습 경로를 지원하기 위한 권고안을 제시함으로써 [정밀 교육]이 가능해진다. 
Learners in any health profession come to their training with a rich diversity of prior educational and life experiences, and as such, their true educational needs vary. Recent interest in competency-based approaches to HPE emphasizes greater attention to monitoring learning outcomes over traditional reliance on time as a proxy for learning. Competency-based approaches rely on rich programmatic assessment data about each learner. Ideally, each health professions learner is assessed by a variety of supervisors within a complex clinical system. Some standardization of expectations is necessary, yet there is richness in this diversity of supervisor perspectives on performance. A historical barrier to implementation of competency-based approaches has been the challenge of managing a wealth of performance evidence, visualizing and interpreting it in a manner that informs future learning. Preliminary work at some medical schools [37-39] demonstrates the power of programmatic assessment and individualized performance dashboards that span courses and time, but these programs are still limited by the capacity of human processing. AI could be applied to identify consistent signals in performance evidence that in turn would steer additional diagnostic assessments or learning experiences. Akin to precision medicine, AI enables precision education by identifying individual performance trends and making recommendations to support individualized learning pathways.

 

지속적인 전문성 개발의 스트림라이닝
Streamlining Continual Professional Development

지속적인 교육은 모든 보건 직업의 근본적인 측면이지만, 의미 있는 지속적인 전문성 개발 또한 이러한 맞춤화의 부족으로 인해 어려움을 겪었으며, 각 제공자의 실제 관행과 잘 맞지 않는다. 최근 미국 의료 전문 위원회(American Board of Medical Specialty)는

• "학습을 지원하고, 지식과 기술 격차를 식별하며, 전문의diplomates가 최신 상태를 유지하도록 돕는 종단 및 기타 혁신적인 형성적 평가 전략을 통합하는 방향으로, continuing certification이 변화되어야 한다"고 주장했다[40].

자격Certification은 자신의 업무 역량에 대한 요구에 기초해야 한다. AI는 제공자의 환자 패널과 결과를 모니터링하고 적절한 교육 자원을 적시에 추천할 수 있는 잠재력을 제공한다. 자신의 실제 업무 범위를 이해하고 인증 지속을 위한 적절하고 표적화된 평가를 권고하는 데 사용할 수 있으며, 따라서 업무와 면허 사이의 연계를 강화할 수 있다. 
Ongoing education is a fundamental aspect of every health profession, but meaningful continuing professional development has also suffered from this lack of customization, with poor alignment to each provider’s actual practice. The American Board of Medical Specialties recently argued that

• “continuing certification must change to incorporate longitudinal and other innovative formative assessment strategies that support learning, identify knowledge and skills gaps, and help diplomates stay current” [40].

Certification must be based on the competency demands of one’s practice. AI offers the potential to monitor a provider’s patient panel and outcomes and recommend appropriate educational resources just in time. It can be used to understand one’s true scope of practice and recommend appropriate, targeted assessments for continuing certification, thus strengthening the link between practice and licensure.

 

학습을 위한 교육자원의 배치 최적화
Optimizing the Deployment of Educational Resources for Learning

교육 자원은 모든 보건 분야에 걸쳐 제한된다. 조언, 교육 경험 및 평가 관행을 효율적으로 배치하면 자료 공급과 교육자 및 직원의 시간과 노력을 확장할 수 있습니다. 사회 사업 분야에서 AI는 훈련 데이터에 포함된 인간 편향을 계산적으로 그리고 최종 의사 결정에 인간을 포함시킴으로써 어떻게 최소화할 수 있는지 조사하는 동시에 위탁 관리에 참여하는 개별 청소년이 특별한 지원을 필요로 할지를 더 잘 예측하기 위해 탐구되고 있다[41]. 마찬가지로, 보건 전문 교육자는 AI를 활용하여 어떤 학습자와 의사가 추가 학습 지원이 필요한지 예측할 수 있다.
Educational resources are limited across all health professions. The efficient deployment of advising, educational experiences, and assessment practices would serve to extend material supplies and the time and effort of educators and staff. In the field of social work, AI is being explored to better anticipate which individual youth involved in foster care will require special support, while examining how human bias embedded in training data can be minimized computationally and by including humans in final decision making [41]. Similarly, health professions educators could leverage AI to predict which learners and practitioners need extra learning support.

 

학습 의료 시스템 활성화
Enabling the Learning Health Care System

학습 의료 시스템의 이상은 AI의 지원으로 실현될 수 있다. [Amplifire 학습 플랫폼]은 이러한 개념을 잘 보여줍니다 [42]. Amplifire 내에서 의료 시스템 메트릭과 EHR 데이터를 마이닝하여 개선 기회와 공유 학습 요구를 식별한 다음, 전문 분야 전반의 시스템 훈련으로 변환된다. 평가 단계에서 각 참가자는 질문에 답변할 뿐만 아니라 자신의 답변에 대한 신뢰도를 평가하도록 요구됩니다. 정확하지 않지만 자신감이 떨어지는 참가자는 단순히 더 많은 교육이 필요할 수 있습니다. AI는 확신에 찬 잘못된 정보를 가진 개인들을 발견하는 데 도움이 된다. 이 그룹을 다루는 것은 전체 학습 커뮤니티의 성공에 매우 중요하다. 따라서 AI는 의료 시스템이 각 개인 및 시스템의 학습 요구를 충족하기 위해 교육의 깊이와 접근 방식을 모두 조정할 수 있도록 합니다.
The ideal of a learning health care system [5] can be realized with support from AI. The Amplifire learning platform illustrates these concepts well [42]. Within Amplifire, health system metrics and EHR data are mined to identify opportunities for improvement and shared learning needs, which is then converted into system-wide training across professions. During the assessment phase, each participant is asked not only to answer questions but also to rate confidence in one’s answer. Participants who are incorrect but less confident may simply need more training. AI helps to uncover individuals harboring confidently held misinformation; addressing this group is critical to the success of the entire learning community. Thus, AI enables the health system to tailor both the depth of and approach to education in order to meet each individual’s — and thus the system’s — learning needs.

 

번아웃 완화
Mitigating Burnout

AI는 정신 건강과 웰빙을 지원하는 데 효과적으로 적용되었다. 교수자 작업량의 일부를 자동화하면 보건 전문 교육자의 스트레스 및 소모량을 완화하는 데 도움이 될 수 있습니다. 정신 건강 장애 위험이 높은 의료 종사자의 조기 발견에 고급 기술이 적용되었다[43]. 유사한 알고리즘을 개발하여 스트레스와 불안을 보건 전문직 학생에게 모니터링할 수 있다. 마찬가지로, 청소년들 사이에서 시험된 스마트폰 앱과 파일럿 테스트를 통해 개발된 자연어 처리 알고리즘 모델은 교육자와 교사가 자살위험이 있는 학생을 식별하는 데 도움이 될 수 있다[44, 45].
AI has effectively been applied to supporting mental health and well-being. Automating parts of instructors’ workload can help mitigate some of the stress and burnout of health professions educators. Advanced technology has been applied by mental health practitioners in the early detection of health care workers at high risk for mental health disorders [43]; similar algorithms could be developed to monitor health professions students for stress and anxiety. Similarly, natural language processing algorithmic models developed through a smartphone app and pilot tested among adolescents might help educators and preceptors identify suicidal health professions students [44, 45].

학습 효과를 향상시키고 HPE의 비용을 절감하는 것뿐만 아니라 궁극적으로 환자에 대한 더 나은 학습 경험을 제공하기 위해 훈련 프로그램과 교육 실습의 전환이 필요하다.

A call for transformation of training programs and educational practice is needed, not only to improve learning effectiveness and reduce costs of HPE, but also to provide a better learner experience that ultimately leads to higher quality care for patients.

 

다음 단계: 행동에 대한 요구에 응답하기
Next Steps: Answering the Call to Action

교육자들은 AI 훈련을 HPE에 통합하는 것을 더 잘 정의하기 위해 협력해야 한다. 교육자들 사이의 행동 부족은 위험하다. [AI에 관한 의료 전문가의 적절한 훈련이 위험이 아닌 약속을 촉진하는 가장 강력한 도구라는 점]이기 때문이다. 이전 섹션에서 설명한 광범위한 이해 범주는 [학습 목표와 역량]으로 공식적으로 명시되어야 합니다. 적절한 훈련의 "복용dosing"은 보건 직업 전반에 필요한 핵심 내용뿐만 아니라 주어진 직업과 각 직업 내의 다양한 전문 분야에 걸친 고급 훈련 요구 사항을 정의하는 것과 함께 고려되어야 한다. 또한, 보건 분야 전반에 걸친 일반적인 교육 행정 과제는 AI를 활용하여 교육 과정을 개선할 수 있는 공유 기회를 제공한다.
Educators must collaborate to better define the necessary incorporation of AI training into HPE. A lack of action among educators poses risk in that adequate training of health professionals in AI is the strongest tool to promote its promise over its peril. The broad categories of understanding outlined in prior sections will need to be formally articulated as learning objectives and competencies. Appropriate “dosing” of training must be considered along with defining the core content needed across health professions, as well as advanced training needs in given professions and across the various specialties within each profession. Additionally, common educational administrative challenges across health professions offer shared opportunities to leverage AI to improve the process of education.

이 원고는 실천을 촉구하는 역할을 하기 위한 것으로, 저자들은 그 안에서 교육자들이 지금 취해야 할 구체적인 단계들을 제시하고 있다(박스 1 참조). 보건 전문직에 걸친 교육자들의 집단 행동은 의도하지 않은 결과를 완화하는 동시에 AI의 힘이 최적화되는 원하는 미래 상태를 조성할 것이다.

This manuscript is intended to serve as a call to action, and in it, the authors offer concrete steps that health professions educators should take now (see Box 1). Collective action of educators across health professions will foster a desired future state in which the power of AI is optimized while mitigating unintended consequences.

---

박스 1 | 인공지능(AI)을 학습자를 위한 교육과 훈련에 통합하기 위해 교육 지도자들이 지금 해야 할 일
Box 1 | What Health Professions Education Leaders Should Do Now to Incorporate Artificial Intelligence (AI) into Education and Training for Learners

AI와 관련된 기본 개념과 논쟁에 대해 자신과 교수진을 교육합니다.
• 다양한 교수진의 역할에 필요한 다양한 이해 수준 고려

Educate yourself and your faculty in basic concepts and controversies related to AI
• Consider the diff ering levels of understanding needed for various faculty roles

아래 리소스를 고려하면서 관계를 구축한다.
• 의료 시스템 정보학 및 임상 의사 결정 지원 팀
  • 제휴 임상 기업에서의 AI 애플리케이션의 침투는 무엇인가?
  • 임상 시스템에서 교육은 어떻게 수행되고 있는가?
• 대학 컴퓨터 공학부
• 윤리학자
• 이 주제에 관심이 있는 교수진과 학습자
• 전문 교육 동료들

Build relationships while considering the resources below
• Health system informatics and clinical decision support teams
  • What is the penetration of AI applications in affi liated clinical enterprise?
  • How is training being carried out in the clinical system?
• University computer science departments
• Ethicists
• Faculty and learners with interest in this topic
• Interprofessional education colleagues

기존 교육과정 감독 프로세스에 협력할 로컬 자문단을 설립한다.
• 교수진 리더십과 기관 커뮤니티를 위한 AI에 대한 학습 기회 창출
• AI에 대한 회의론을 공개적으로 대응한다.
• 평가와 같은 교육 관행을 촉진하는 데 AI가 적용됨에 따라 학습자를 보호하기 위한 메커니즘을 고려하십시오.
Establish a local advisory group to collaborate with the existing curricular oversight process
• Create learning opportunities about AI for faculty leadership and the institutional community
• Openly address skepticism about AI
• Consider mechanisms to protect learners as AI is applied to facilitating educational practices, such as assessment

기존 프로그램에서의 [역량 성과 및 커리큘럼]을 검토한다.
• AI의 확장이 의료 지식, 환자 치료, 커뮤니케이션 기술, 전문직 간 협업 실습, 시스템 기반 진료, 전문성 및 실습 기반 학습 및 개선과 같은 기존 역량 영역의 이해에 어떻게 영향을 미칠지 고려합니다.
• 컴퓨터 과학 및 기술에 필요한 새로운 역량 영역을 고려하십시오.
• 임상 추론, 메타 인지, 진단 오류, 인지 편향 등과 같은 관련 기존 콘텐츠 영역에 AI 학습 목표를 통합하는 것을 고려하십시오. 
• AI가 커리큘럼 관리를 지원할 수 있는 잠재적 기회 식별

Review the program’s existing competency outcomes and curriculum
• Consider how expansion of AI will impact understanding of existing competency domains, such as medical knowledge, patient care, communication skills, interprofessional collaborative practice, systems-ased care, professionalism, and practice-based learning and improvement
• Consider new domains of competency needed in computer science and technology
• Consider incorporation of AI learning objectives into relevant existing content areas, such as clinical reasoning, metacognition, diagnostic error, cognitive bias, etc. 
• Identify potential opportunities for AI to assist in the administration of the curriculum

기존 [평가 프로그램]을 검토한다.
• 각 학습자의 지식 보유를 평가하는 데 중점을 두는 것에서 각 학습자의 지식 접근, 비판적 평가 및 적용 능력을 평가하는 것으로 이동합니다. 예를 들어 임상 의사 결정 지원 도구를 시뮬레이션 이벤트에 통합하는 것을 고려한다. 
• 필요한 새로운 역량과 기술을 평가할 기회를 고려합니다.
• AI가 프로그램 평가 관리를 지원할 수 있는 잠재적 역할 식별

Review the existing assessment program
• Move from an emphasis on assessing each learner’s possession of knowledge to assessing each learner’s ability to access, critically appraise, and apply knowledge. For example, consider incorporating clinical decision support tools into simulation events 
• Consider opportunities to assess necessary new competencies and skills
• Identify potential roles for AI to assist in the administration of programmatic assessment

기존 입학/선발 프로세스를 검토한다.
• 개인의 지식과 성취에 대한 강조에서 팀워크와 상황 판단의 증거로 이동합니다. 
• 지원자 심사에서 AI가 지원할 수 있는 잠재적 역할 파악
Review existing admissions/selection processes
• Move from an emphasis on individual knowledge and accomplishment toward evidence of teamwork and situational judgment 
• Identify potential roles for AI to assist in the review of applicants

AI가 교육에 미치는 영향에 대한 평가 및 연구에 참여한다.
Participate in evaluation and research regarding the impact of AI in education

국가 및 글로벌 토의에 참여합니다.
• AI 교육 강화
• AI에 대한 학습 목표 설정 및 개발적으로 적절한 교육 진행
• 교육에 AI 활용
• 교육 프로그램 전달을 지원하는 AI 기능 개발

Engage in national and global discussions to
• Enhance training in AI
• Establish learning objectives and developmentally appropriate progression of training in AI
• Leverage AI in training
• Develop AI capabilities that assist in the delivery of educational programs

---

 

제한 사항
Limitations

이 원고는 AI와 AI가 보건, 의료 및 교육에 미치는 영향에 대해 학습하는 과정에 있는 많은 보건 분야의 저자들의 경험을 통해 알 수 있다. 인공지능은 빠르게 발전하는 분야이기 때문에 여기서 제공되는 아이디어에는 영구적이지 않다. 일부 건강 전문직과 분야는 현재 다른 분야보다 더 많은 영향을 받고 있지만, 시간이 지남에 따라 AI의 발전 기능이 실현됨에 따라 모든 수준의 교육 목표가 진화해야 한다. AI에 대한 현재 교육에 대한 비공식 검토는 이러한 개요를 제공했지만, 모범 사례를 명확히 하기 위해 보건 전문 교육 프로그램 전반에 걸친 협업 연구 의제가 필요하다.

This manuscript is informed by the experience of authors across many health professions, who themselves are in the process of learning about AI and its implications for health, health care, and education in the health professions. AI is a rapidly advancing field, so there is impermanence to the ideas offered here. Some health professions and disciplines are currently more impacted than others; however, as advancing capabilities of AI are realized over time, educational objectives at all levels must evolve. An informal review of current training in AI informed this overview, but a collaborative research agenda is needed across health professions educational programs to clarify best practices.

 

 

---

 

 

NAM Perspect. 2021 Sep 8;2021:10.31478/202109a. doi: 10.31478/202109a. eCollection 2021.

 

Artificial Intelligence for Health Professions Educators

Kimberly Lomis 1, Pamela Jeffries 2, Anthony Palatta 3, Melanie Sage 4, Javaid Sheikh 5, Carl Sheperis 6, Alison Whelan 7

Affiliations collapse

Affiliations

1American Medical Association.

2Vanderbilt School of Nursing.

3PalattaSolutions.

4University at Buffalo School of Social Work.

5Weill Cornell Medicine-Qatar.

6Texas A&M University-San Antonio.

7Association of American Medical Colleges.

PMID: 34901780

PMCID: PMC8654471

DOI: 10.31478/202109a

Free PMC article

 

No abstract available