의학교육커리큘럼에서 인공지능의 필요성, 도전, 적용(JMIR Med Educ. 2022)

의학교육커리큘럼에서 인공지능의 필요성, 도전, 적용(JMIR Med Educ. 2022)
Needs, Challenges, and Applications of Artificial Intelligence in Medical Education Curriculum
Joel Grunhut1*, BA; Oge Marques2,3*, PhD; Adam T M Wyatt4*, PhD

 

소개
Introduction

인공지능(AI)과 그 응용 분야는 진단, 진단 촉진, 의사 결정, 빅데이터 분석, 관리 등 의료 분야의 많은 글로벌 문제를 해결할 수 있는 큰 가능성을 가지고 있습니다[1,2]. AI는 전 세계 의사 부족 문제를 해결하고 전 세계 오지에 의료 서비스를 제공할 수 있는 잠재력을 가지고 있습니다[2].  
Artificial intelligence (AI) and its applications hold great promise for solving many of health care’s global issues including making diagnoses, facilitating diagnostics, decision-making, big-data analytics, and administration [1,2]. AI has the potential to solve the global doctor shortage and bring access to health care to remote areas of the world [2].

이미 많은 의료 분야에서 AI의 실제 적용을 통해 혜택을 보고 있습니다. 예를 들어 심방세동, 간질 발작, 저혈당증을 감지하거나 조직 병리 검사 또는 의료 영상에 기반한 질병 진단 등이 있습니다[3]. AI의 사용은 영상의학이나 병리학 분야에 국한된 것이 아니라, 1차 진료부터 긴급한 중환자 결정에 이르기까지 다양한 분야를 아우르는 단일 데이터 형태인 이미지 인식에 대한 AI의 힘을 보여주는 지표입니다. 최근 데이터에 따르면 의학의 모든 전문 분야에서 의사를 보조하는 데 AI를 활용하는 방안을 모색하고 있습니다[4]. 딥러닝 알고리즘은 다양한 의료 분야에서 웨어러블, 스마트폰 및 기타 모바일 모니터링 센서를 통해 개인이 매일 사용하는 데이터의 양이 증가함에 따라 이를 기능적으로 이해할 수 있습니다[3]. AI는 대부분의 데이터 형태에 대해 분석을 수행하고 지능적인 실행 가능한 권장 사항을 제공하는 기능을 지속적으로 개선할 것입니다[5]. 향후 AI의 발전은 의료의 모든 측면에 스며들 것으로 예상됩니다[6]. 
Many fields of medicine have already seen benefit from the practical application of AI. Examples include the detection of atrial fibrillation, epilepsy seizures, and hypoglycemia, or the diagnosis of disease based on histopathological examination or medical imaging [3]. The use of AI is not limited to the fields of radiology or pathology; rather, those fields are indicators of the power of AI for image recognition, a singular form of data that transverses many fields spanning from primary care practice to urgent midsurgical decisions. Recent data show that every specialty in medicine is exploring the use of AI in assisting physicians [4]. Deep learning algorithms can make functional sense of increasing amounts of data used by individuals daily through wearables, smartphones, and other mobile monitoring sensors in different areas of medicine [3]. AI will continue to improve its capabilities to perform analysis and provide intelligent actionable recommendations on most forms of data [5]. It is expected that the future advancements in AI will permeate all aspects of medicine [6].

파괴적 혁신
Disruption

AI가 의료 분야에서 계속 발전하고 있지만 도전 과제가 없는 것은 아닙니다. AI는 이러한 임상 진료의 진화에 대비하지 못한 의사들의 저항에 직면해 있습니다[3]. 의사들은 AI의 발전으로 혜택을 받을 가능성이 높지만, 대체에 대한 두려움으로 인해 이러한 기회를 놓칠 수 있습니다. 또한 AI에 대한 지식이 부족하면 머신러닝 예측의 신뢰성에 대한 회의론이 생길 수 있습니다. 이러한 반발로 인해 다른 전문 분야에서는 AI 솔루션을 사용하여 산업을 발전시키는데 반해 의료 부문의 상당 부분이 AI에 적응하지 못하고 있을 수 있습니다[3].  
As AI continues to make advancements in health care, it is not without challenges. AI is met with resistance from physicians ill-equipped for such an evolution of clinical practice [3]. It is likely that physicians would benefit from the advancements of AI, but an understandable fear of replacement may prevent these opportunities. Furthermore, a lack of knowledge in AI can create skepticism in the trustworthiness of a machine learning prediction. This pushback may be preventing a large part of the health care sector from adapting to AI as other professional sectors continue to use AI solutions to advance their industries [3].

AI는 기존의 임상의사-환자 양자 구도를 훨씬 더 윤리적이고 감정적으로 복잡한 임상의사-AI-환자 삼자 구도로 변화시킬 것입니다. 이는 윤리적, 법적, 재정적 영향과 함께 신뢰와 책임 측면을 극적으로 변화시킬 것입니다[7]. 의사는 이러한 큰 변화에 대비해야 합니다[8]. 
AI will change the dynamics of the traditional clinician-patient dyad to a much more ethically and emotionally complex clinician-AI-patient triad. This will dramatically alter the trust and accountability aspects with ethical, legal, and financial implications [7]. Physicians must be prepared for this great change [8].

AI와 같은 신흥 기술은 전통적인 교육 프로그램을 통해 유지되는 노동 시장을 혼란에 빠뜨릴 잠재력을 가지고 있습니다. 이러한 시장 혼란에 탄력적으로 대응하기 위해서는 의사 교육 프로그램에 변화가 필요합니다[9]. 현재의 학부 의학교육(UME) 커리큘럼은 진화하는 기술의 새로운 요구사항에 점점 더 부합하지 못하고 있습니다. 대부분의 의과대학이 변화를 수용하고 의학 커리큘럼의 구성 요소를 정기적으로 업데이트하기 위해 노력하고 있지만, 대대적인 개편은 달성하기 어렵고 커리큘럼에서 AI를 구현하는 데 방해가 될 수 있습니다. 깊이 내재된 가치와 인증 과정 등 다양한 요인으로 인해 중요한 커리큘럼 개혁을 달성하기는 어렵습니다[10]. 
Emerging technologies such as AI have the potential to disrupt labor markets maintained through traditional education programs. In order to be resilient to these market disruptions, physician training programs will require change [9]. The current undergraduate medical education (UME) curriculum is increasingly out of sync with the new needs of an evolving technology. Although most medical schools embrace change and strive to regularly update the components of the medical curriculum, a major overhaul is difficult to achieve and may be a hindrance to the implementation of AI in the curriculum. The path to significant curricular reform is difficult because of a variety of factors, including deeply embedded values and the accreditation process [10].

UME는 미래를 맞이하고 학생들에게 AI를 통해 더 넓은 범위의 의료 서비스에 대한 접근성을 제공해야 합니다. [데이터 과학에 대한 지식, 알고리즘 품질 평가, 다양한 AI 제품 간 변별]은 의학교육의 필수 구성 요소이며, 교수진은 이를 통합하기 시작해야 합니다. 의과대학은 의사가 미래에 대체할 수 없는 역할을 확립하기 위해 컴퓨터보다 경쟁 우위를 점할 수 있는 고유한 인간 능력을 가르치고 육성하기 시작해야 합니다[9]. 
UME must begin to welcome the future and provide students access to a broader scope of health care through AI. Knowledge on data science, assessing algorithmic quality, and differentiating among different AI products are necessary components of medical education, which faculty must begin to incorporate. Medical schools must begin to teach and nurture unique human abilities that give physicians a competitive advantage over computers to establish an irreplaceable role in the future [9].

의사에게는 어떤 기술이 필요할까요?
What skills Do Physicians Need?

의료계는 임상 의사 결정을 개선하기 위한 데이터 사용이 증가하면서 숙련된 의사와 기계의 상호 작용이 필요한 AI 시대에 접어들고 있습니다[11]. 차세대 의사에게 올바른 기술과 AI에 대한 적응력을 교육하면 이 새로운 데이터 과학 혁명의 일원이 될 수 있습니다[8]. 현재 의사가 AI와 함께할 수 있는 접근 방식은 다양합니다. 데이터 과학 과정을 수강하는 의사, 펠로우십 기회를 얻는 의사, 의학교육 프로그램에 참여하는 데이터 과학자 등이 있습니다. 이들은 전체 의사 인구의 극히 일부에 불과하므로 UME에서 보다 통합적이고 전향적인 접근 방식이 필요합니다. 
The practice of medicine is entering the age of AI in which the use of data to improve clinical decision-making will grow, bringing forth the need for skillful medicine-machine interaction [11]. Educating the next generation of physicians with the right techniques and adaptations to AI will enable them to become part of this emerging data science revolution [8]. Currently, there are different approaches for physicians to become accompanied to AI. There are physicians taking courses in data science, fellowship opportunities, and data scientists entering medical education programs. These represent a small fraction of the total physician population, and therefore a more integrative and forward approach in UME is necessary.

의료 전문가들은 AI의 장점과 비용 절감, 품질 향상, 의료 서비스 접근성 확대 등의 잠재력에 대해 충분히 교육받아야 합니다. 마찬가지로 중요한 것은 의사가 투명성 및 책임과 같은 AI의 단점에 대해 잘 알고 있어야 한다는 것입니다. 이러한 목표를 달성하기 위해서는 커리큘럼의 여러 측면에 걸쳐 AI를 원활하게 통합해야 합니다[11].  
Medical professionals need to be sufficiently trained in AI, its advantages, and its potential to lower cost, improve quality, and expand access to health care. Of equal importance, physicians should be knowledgeable in its shortfalls such as transparency and liability. AI needs to be seamlessly integrated across the different aspects of the curriculum to achieve these goals [11].

AI 솔루션의 권장 사항을 환자의 치료 과정에 통합할 때 의사는 환자가 가질 수 있는 모든 우려에 답할 수 있어야 합니다. 더 중요한 것은 의사가 AI가 환자 치료에 도움이 되는 기술이 되고 해를 끼치는 기술이 되지 않도록 할 책임이 있다는 것입니다. 기술 혁명은 의료 분야에서 AI 기반 구현에 대한 윤리적 고려 사항과 관련하여 많은 과제를 제기합니다. 데이터베이스의 소수자 배제, 법적 보호 문제, 인본주의적 터치의 감소 등 여러 윤리적 문제들이 의료 분야에 AI를 적용하는 데 있어 우려를 불러일으킵니다. 이러한 이유로 인해 미래의 의사에게 매우 중요한 의무인 AI에 대한 충분한 지식과 경험 습득의 중요성이 부각되고 있습니다[12]. 
When incorporating recommendations from AI solutions to a patient’s course of treatment, physicians should be capable to answer any concerns that patients may have. Perhaps even more importantly, physicians are responsible for ensuring that AI becomes a technology beneficial for patient care and not possibly a cause of harm. The technological revolution raises many challenges with regards to ethical considerations of AI-based implementation in health care. Minority exclusions in databases, issues with legal protections, and a decrease in humanistic touch, among other ethical issues, raise concern for an adaptation of AI in health care. These reasons bring forth the importance of acquiring sufficient knowledge and experience about AI, an obligation of high importance for future physicians [12].

의과대학은 학생들에게 데이터 과학, 생물 통계학, AI의 생명윤리적 영향, 근거 기반 의학 등과 함께 기초 및 임상 의학에 대한 폭넓은 지식을 교육하는 데 필요한 조치를 취해야 합니다. 의대생 교육에는 [올바른 정보와 수사를 구별하는 능력]과 [환자와 대중을 위해 철저하게 검증되고 신뢰할 수 있는 정보를 만들고 배포하는 방법을 이해하는 능력] 개발이 포함되어야 합니다[12].  
Medical schools should take necessary steps to educate students with widespread knowledge of basic and clinical medicines along with data science, biostatistics, bioethical implications of AI, and evidence-based medicine. Part of a medical student’s training should include developing the abilities to distinguish correct information from rhetoric and to understand how to create and disseminate thoroughly validated, trustworthy information for patients and the public [12].

제안 단계
Suggested Steps

현재 의학교육에서 인공지능은 초기 단계에 있으며 추측 단계에 머물러 있습니다[13-16]. 이전에 우리는 이 주제에 대해 발표된 대부분의 문헌이 학부 의학교육의 변화를 요구하고 있으며 커리큘럼 변화를 뒷받침하기 위한 연구가 필요하다는 것을 보여주었습니다[17]. 그럼에도 불구하고 이러한 변화를 만들기 위해 취해야 할 단계에 대해 고민한 사람은 거의 없습니다. 이는 주요 커리큘럼 개편을 실행하는 데 어려움이 있기 때문에 예상되는 일입니다. 여기에서는 인식되는 어려움에 대한 개요를 제공하고 이러한 문제를 해결하기 위한 해결책을 제시합니다(표 1).
Currently, the state of AI in medical education is in its infancy and speculative stages [13-16]. Previously, we have shown that the majority of published literature on the topic call for change in undergraduate medical education and that research is necessary to support curricular changes [17]. Even so, few have given thought to the steps that must be taken to create this change. This is expected because of the difficulty in implementing major curricular changes. Here, we provide an outline of the perceived difficulties and offer solutions to resolve these challenges (Table 1).

의과대학 커리큘럼 변경은 변화에 대한 저항으로 인해 실행하기 어렵습니다. 이러한 저항은 변화를 통합하는 방법에 대한 합의가 부족하고 이미 바쁜 커리큘럼으로 인해 정당화됩니다. 이러한 이유로 추가 교과목이나 업무량을 제안하면 의대생에게 최선의 이익이 되는 의학교육 교수진의 비판에 직면할 가능성이 높습니다. 국가 인프라 수준에서 이러한 문제는 의학교육 및 기관의 리더가 지원할 수 있습니다. 이러한 인식은 연례 미국 의과대학 졸업 설문조사에 1~3개의 질문을 추가하여 학생들의 관심도와 능력을 측정함으로써 쉽게 명확히 할 수 있습니다. 예를 들어, 설문지에는 UME 기간 동안 AI를 가르쳐야 하는지, 몇 학년도에 가르쳐야 하는지, 어떻게 통합해야 하는지에 대한 동의를 구할 수 있습니다. 이러한 의견은 인증 요건으로 전환되어 변화를 촉진할 수 있습니다. 
Medical school curricular changes are difficult to implement due to resistance to change. This resistance is justified through a lack of consensus on how to incorporate change and an already busy curriculum. For this reason, proposing additional courses or workload will likely be met with criticism from medical education faculty in the best interest of medical students. On a level of national infrastructure, these issues can be supported by leaders of medical education and organizations. These perceptions can be clarified easily through the addition of 1-3 questions on the annual Association of American Medical Colleges Graduation Questionnaire to gauge interest and ability over time from students. For example, the questionnaire can ask for agreement on whether AI should be taught during UME, what year of training it should be taught in, and how it should be incorporated. These can translate into accreditation requirements and drive change forward.

Table 1. Multitiered solutions to include AI in the medical education curriculum.

Levels and target areas of improvement		Examples
National infrastructure
	AAMCb	Questionnaire, materials, and guidance
	LCMEc	Minimal requirements and expert panels
	Multi-institutional research	Longitudinal research on attitudes and quality improvements
Individual school
	Faculty expansion	Bioethics, bioinformatics, and medical AI experience
	Basic knowledge lessons	Introductory courses, benefits and pitfalls of AI, and ethics of AI
	Case-based learning	Multispecialty implications in previous cases and biostatistical implications
Student specific
	Journal clubs or reading groups	Specialty-specific journals, health care systems journals, and AI in health care journals
	Use of AI in clinical setting	Tumor board, radiology rotation, and point of care ultrasound

aAI: artificial intelligence.

bAAMC: Association of American Medical Colleges.

cLCME: Liaison Committee on Medical Education.

더 중요한 질문은 학부 의학교육자들이 어떻게 연합하여 커리큘럼에 AI를 통합하는 것에 대한 수준 높은 연구를 수행할 수 있는가 하는 것입니다. 연구와 프로토콜의 기준이 서로 다른 개별 학교의 보고서가 모든 학부 의학교육에 필요한 변화를 정의할 수 있을까요? 여러 의과대학의 공동 및 연합 연구 노력은 이 문제에 대한 다각적이고 다양한 의견을 제공할 수 있으며, 이는 반드시 필요합니다. 
A more overarching question is how undergraduate medical educators can unite to perform high-quality research on the incorporation of AI in the curriculum. Would individual school reports with differing standards in research and protocol do justice to a necessary change across all undergraduate medical education? A joint and united research effort from multiple medical schools would provide a multifaceted and diverse input on the issue and is necessary.

개별 학교 차원에서는 커리큘럼을 개선하기 위한 자원 투자가 필요할 것입니다. 시간 및 내용 제약 문제를 해결하기 위해 UME 전반에 걸친 종단적 AI 스레드를 옹호해야 합니다. 근거 기반 의학을 가르치는 과정에는 AI의 입력을 평가하는 추가적인 관점을 통합해야 합니다. 의과대학 교수진은 근거 기반 의학에서 AI의 역할에 대한 질문에 답하거나 토론할 준비가 되어 있지 않을 수 있습니다. 따라서 의과대학 교수진에 다른 학교의 임상의학 데이터 과학자나 컴퓨터 과학 및 공학 교수진을 추가하는 것이 필수적입니다.  
On an individual school level, investments of resources will be necessary to create improvements in the curriculum. A longitudinal AI thread throughout the UME should be advocated to solve time and content constraint issues. Courses teaching evidence-based medicine should incorporate an additional perspective of evaluating the input of AI. Medical school faculty may not be equipped to answer questions or discuss the role of AI in evidence-based medicine. Therefore, it is imperative to add clinician data scientists or computer science and engineering faculty from other schools to medical school teaching faculty.

공중 보건 과학을 배우는 학생들은 AI가 미래의 연구와 진료에서 무엇을 할 수 있고 무엇을 할 수 없는지 알기 위해 AI에 대한 배경 지식을 습득해야 합니다. 의과대학 커리큘럼에서 AI의 전체 과정을 가르치는 것은 너무 어렵습니다. 의학에서 AI에 대한 입문 강의는 반드시 필요하고 옹호되어야 합니다. 대부분의 학교에서는 강사가 데이터 과학자일 가능성이 높지만, 강사가 강의 경험이 있고 의대생에게 친숙하며 의학에서 AI의 역할에 대해 잘 알고 있는 사람이어야 합니다. 강사는 이전에 컴퓨터 과학 과목에서 의학에서 AI의 역할에 대해 이미 가르친 적이 있는 것이 좋습니다. 가장 중요한 것은 강사가 AI가 의료 분야에 가져온 광범위한 윤리적 문제를 다룰 수 있는 수준의 생명윤리 역량을 갖추고 있어야 한다는 것입니다. 
Students learning public health sciences must be introduced to a background in AI in order to know what AI can and cannot do for their future research and practices. It is far too difficult to teach entire courses of AI in a medical school curriculum. An introductory lecture to AI in medicine is a necessity and should be advocated for. In most schools, the instructor will likely be a data scientist, but it is important that the instructor has teaching experience, is familiar with medical students, and is conversant with the role of AI in medicine. Preferably, the instructor will have already taught about the role of AI in medicine previously in a computer science course. Most importantly, instructors should have levels of competency in bioethics to address the expansive ethical issues AI has brought to health care.

사례 기반 학습과 시뮬레이션 학습은 임상 시나리오에 AI 기반 권장 사항을 통합할 수도 있습니다. 사례와 시뮬레이션에 AI를 통합함으로써 학생들은 AI 기반 솔루션을 접하고 친숙해질 수 있습니다. AI 애플리케이션을 협업하고 관리하려면 의대생이 확률적 추론에 대한 깊은 이해와 윤리적 고려가 필요합니다[10]. 이러한 수업은 AI 추천의 정확성과 해석에 대한 지식을 갖춘 교수진이 가르쳐야 합니다. 의과대학은 의학 콘텐츠에서 양질의 AI를 제공하기 위해 이 분야의 교수진을 추가로 채용해야 할 가능성이 높습니다. 
Case-based learning and simulation learning can also incorporate AI-based recommendations in clinical scenarios. By integrating AI into cases and simulations, students can have exposure and familiarity with AI-based solutions. Collaborating and managing AI applications will require a deep understanding of probabilistic reasoning and ethical consideration from medical students [10]. These lessons should be taught from faculty with knowledge about the accuracy and interpretations of AI recommendations. It is likely that medical schools will need to hire additional faculty in this field to ensure quality delivery of AI in medicine content.

또 다른 제안은 다른 기관에서 만든 웹 기반 의료 프로그램(예: 스탠포드 대학의 의료 분야의 인공 지능 전문가 프로그램)에서 AI에 대한 액세스를 제공하는 것입니다. 이러한 프로그램은 의료와 AI의 접점에서 세계적으로 유명한 전문가인 교수진이 가르치며, 의대생은 비용을 지불하고 프로그램을 이용할 수 있습니다. 프로그램에 대한 액세스를 제공함으로써 의과대학은 다른 방법으로는 제공할 수 없었던 새로운 지식을 커리큘럼에 주입할 수 있습니다.  
Another suggestion is for institutions to offer access to AI in web-based health care programs created at other institutions (eg, Stanford University’s Artificial Intelligence in Healthcare professional program). These programs are taught by faculty who are world-renowned experts at the interface of health care and AI, and the programs are available to medical students with a cost. Providing access to a program will enable medical schools to infuse new knowledge in a curriculum that could not be provided otherwise.

학생 개개인의 차원에서는 학생들이 AI에 능동적으로 참여함으로써 교육의 변화를 주도할 수 있습니다. 앞서 의대생이 AI 도구를 코딩하고 만드는 방법을 배울 필요는 없지만, AI의 작동 방식과 한계는 이해해야 한다는 데 대부분의 최신 문헌이 동의하고 있음을 살펴봤습니다[17]. 학생들은 의학 저널에서 의료 분야의 AI 발전에 대해 읽을 수 있습니다. 의료 AI를 주제로 한 저널을 포함하여 많은 주요 저널에서 AI 연구가 활발히 진행되고 있습니다. 의료 분야 AI의 최신 동향을 읽음으로써 학생들은 의료의 미래에 대한 정보를 얻고 준비할 수 있습니다. 의과대학에서 증거 기반 의학 학습과 결합하면 학생들은 AI 연구의 무결성을 평가할 수 있습니다. 
On an individual student level, students can help drive change in their education with a proactive engagement with AI. Previously, we have shown that most of the current literature agrees that medical students do not need to learn how to code and create AI tools, but they should understand how AI works and its limitations [17]. Students can read about AI advancements in health care in medical journals. AI research has a strong appearance in many leading journals, including medical AI-themed journals. Reading the current trends in AI in health care will inform and prepare students for the future of health care. When combined with evidence-based medicine learning at medical school, students will be able to assess the integrity of AI research.

학생들은 임상 환경에서도 AI를 접할 수 있습니다. 이미 AI 기반 소프트웨어가 탑재된 개별 휴대용 초음파를 통해 학생들이 교육에 도움을 받았다는 보고가 있습니다[18,19]. 학생들은 방사선과 로테이션에서 AI 애플리케이션을 보고 AI 애플리케이션의 영향을 받는 환자 치료에 관여하는 여러 전문 분야의 방사선과 전문의 및 임상의와 임상 의사 결정에서 AI의 역할에 대해 토론할 수 있습니다. AI 통합은 전문 분야에 따라 다르겠지만, 의료 서비스 전반에 걸쳐 AI가 도입될 가능성이 높습니다. 예를 들어 방사선과 전문의, 병리학자, 종양 전문의, 외과의로 구성된 종양 위원회는 AI 애플리케이션의 영향을 받습니다. 학생들은 관심 있는 분야에 대한 노출을 맞춤화할 수 있습니다. 위의 제안은 의학교육 전반에 적용되며 일반 의학교육의 중요성과 개선의 여지를 강조합니다. 전문 분야에 특화된 AI 주제는 UME에는 필요하지 않을 수 있지만 레지던트 과정과 그 이후에는 필요할 수 있습니다. 그럼에도 불구하고 의과대학은 AI에 대한 종단적 커리큘럼을 통해 학생들이 AI를 사용하여 다양한 전문 분야를 접할 수 있도록 할 수 있습니다.
Students can expose themselves to AI in the clinical setting as well. There are already reports of students receiving individual portable ultrasounds with AI-driven software to help advance their education [18,19]. Students can see AI applications in their radiology rotations and discuss its role in clinical decision-making with radiologists and clinicians across different specialties involved in patient care impacted by AI applications. AI integration will be specialty specific, but AI as a whole will likely be present across health care. For example, a tumor board, consisting of radiologists, pathologists, oncologists, and surgeons, is impacted by AI applications. Students can tailor their exposure toward fields of interests. The suggestions above apply to medical education as a whole and highlight the importance and room for improvement in general medical education. Specialty-specific AI topics would not be necessary for UME but perhaps in residency and beyond. Nevertheless, through a longitudinal curricular thread in AI, medical schools can expose their students to a wide variety of specialties using AI.

AI를 통한 의사 결정의 교훈은 도시와 농촌을 막론하고 의료 서비스의 전 영역에 걸쳐 개인에게 적용될 것입니다. AI는 의료 서비스에 대한 접근성을 확대할 수 있는 잠재력을 가지고 있기 때문에 다양한 의료 환경에 침투할 것으로 예상됩니다. 따라서 학생 개개인은 어떤 의료 분야를 선택하든 AI에 대해 학습하여 대비해야 합니다. 
Lessons in decision-making with AI will apply to individuals across the spectrum of health care, both in city and rural settings. It is expected that AI will permeate various health care settings because of its potential to expand access to health care. Therefore, individual students should be prepared by learning about AI no matter what area of medicine they choose.

방법론적 접근
A Methodological Approach

새로운 의학 커리큘럼의 변화는 의대생에게 긍정적이거나 부정적인 영향을 미칠 수 있습니다. 또한 완전히 새로운 주제를 도입하는 것과 같은 커리큘럼의 변화는 어려운 작업입니다. 따라서 여러 지역의 의학교육 전문가들이 함께 협력하여 시행된 변화를 만들고 평가하는 것이 중요합니다. 교육 연구는 다양한 커리큘럼 개혁의 효과를 평가하는 데 필수적입니다[20]. 이러한 성공을 달성하기 위한 한 가지 제안은 커리큘럼에서 다양한 AI 구현의 결과를 측정하기 위한 장기 연구를 시작하는 것입니다. 
New medical curricular changes can have tremendous positive and negative impacts on medical students. Additionally, a change in curriculum such as the introduction of an entire novel topic is a difficult task. Therefore, it is important that medical education specialists across different regions work in unison to create and assess the implemented changes. Educational research is vital to assessing the effectiveness of different curricular reforms [20]. One suggestion to achieving such success is to begin a long-term study to measure the outcomes of different implementations of AI in the curriculum.

학생과 교수진의 태도, 기술 수준, UME에서 AI에 대한 구체적인 요구 사항을 측정하는 연구는 현 시점에서 매우 중요하고 시급한 과제입니다. 이러한 제안을 통합하기 위한 추가 노력은 측정 가능하고 해석 가능한 데이터를 확보하여 UME에서 AI 구현을 발전시켜야 합니다. 이러한 목표를 달성하기 위해서는 여러 기관이 공동으로 연구하는 것이 논리적인 접근 방식입니다.
Research measuring student and faculty attitudes, skill level, and specific needs of AI in UME is crucial and urgent at this point in time. Further efforts to incorporate these suggestions should be measurable and have interpretable data to advance the implementation of AI in UME. A concerted multi-institutional study is a logical approach in order to achieve these goals.

의과대학 학장들이 모여 AI 커리큘럼 개혁을 논의하고 계획해야 합니다. 조직 차원에서 의학교육 관리 기관은 이러한 변화를 제정하고 촉진해야 합니다. 의학교육 연락 위원회는 특별 위원회를 통해 AI를 의학교육에 가장 잘 통합하는 방법에 대한 제안과 지침을 제공해야 합니다. 
Medical education deans need to gather to discuss and plan AI curricular reform. At the organizational level, medical education governing bodies must enact and promote these changes. The Liaison Committee on Medical Education should provide suggestions and guidelines of how to best incorporate AI to medical education through special committees.

2018년에 미국의학협회는 "의학교육에서 AI 교육이 학습 및 임상 결과에 미치는 효과에 관한 연구"를 촉구했습니다[21]. 3년이 지난 지금, 이용 가능한 문헌에 따르면 UME는 이 요청에 대해 느리게 대응하고 있습니다[17]. 따라서 이 원래의 요청을 실천으로 옮기기 위해 더 많은 노력을 기울여야 합니다. 
In 2018, the American Medical Association called for “Research regarding the effectiveness of AI instruction in medical education on learning and clinical outcomes” [21]. Three years later, the available literature suggests UME has been slow to address this call [17]. Thus, further efforts should be made to advance this original call into practice.

 

결론
Conclusion

현재와 미래의 의학 분야 AI의 발전으로 인해 학부 의학교육자들은 커리큘럼에 AI를 도입하고 구현해야 합니다. 이러한 커리큘럼 변화를 가장 효과적으로 달성하는 방법을 효과적으로 연구하기 위해서는 종단적 연구 계획이 필요합니다. 의학교육 관리 기관, 의학교육 학장, 의학교육 연구자들은 학부 의학교육 커리큘럼에 AI를 구현하기 시작해야 합니다. 이러한 기관의 집단적 합의를 통해 앞으로 나아간다면 미래의 의사인 재학생들이 적절한 AI 노출을 받을 수 있을 것입니다. 
The current and future advancements of AI in medicine oblige undergraduate medical educators to act and implement AI in the curriculum. Longitudinal research plans are necessary to effectively study how to best achieve these curricular changes. Medical education governing bodies, medical education deans, and medical education researchers should begin to implement AI in the undergraduate medical education curriculum. Moving forward with collective agreement from these entities will ensure current students—our future physicians—receive adequate AI exposure.

 

---

JMIR Med Educ. 2022 Jun 7;8(2):e35587. doi: 10.2196/35587.

Needs, Challenges, and Applications of Artificial Intelligence in Medical Education Curriculum

Joel Grunhut # 1, Oge Marques # 2 3, Adam T M Wyatt # 4

Affiliations collapse

1Schmidt College of Medicine, Florida Atlantic University, Boca Raton, FL, United States.

2Department of Electrical Engineering and Computer Science, College of Engineering and Computer Science, Florida Atlantic University, Boca Raton, FL, United States.

3Department of Biomedical Sciences, Schmidt College of Medicine, Florida Atlantic University, Boca Raton, FL, United States.

4Department of Population Health and Social Medicine, Schmidt College of Medicine, Florida Atlantic University, Boca Raton, FL, United States.

#Contributed equally.

PMID: 35671077

PMCID: PMC9214616

DOI: 10.2196/35587

Free PMC article

Abstract

Artificial intelligence (AI) is on course to become a mainstay in the patient's room, physician's office, and the surgical suite. Current advancements in health care technology might put future physicians in an insufficiently equipped position to deal with the advancements and challenges brought about by AI and machine learning solutions. Physicians will be tasked regularly with clinical decision-making with the assistance of AI-driven predictions. Present-day physicians are not trained to incorporate the suggestions of such predictions on a regular basis nor are they knowledgeable in an ethical approach to incorporating AI in their practice and evolving standards of care. Medical schools do not currently incorporate AI in their curriculum due to several factors, including the lack of faculty expertise, the lack of evidence to support the growing desire by students to learn about AI, or the lack of Liaison Committee on Medical Education's guidance on AI in medical education. Medical schools should incorporate AI in the curriculum as a longitudinal thread in current subjects. Current students should understand the breadth of AI tools, the framework of engineering and designing AI solutions to clinical issues, and the role of data in the development of AI innovations. Study cases in the curriculum should include an AI recommendation that may present critical decision-making challenges. Finally, the ethical implications of AI in medicine must be at the forefront of any comprehensive medical education.

Keywords: AI; artificial intelligence; medical education; medical student.

©Joel Grunhut, Oge Marques, Adam T M Wyatt. Originally published in JMIR Medical Education (https://mededu.jmir.org), 07.06.2022.