AI chatbot školí obyvateľov v rozhovoroch o stave kódu s merateľnými zlepšeniami

Rozhovory o stave kódu patria medzi najdôležitejšie diskusie, ktoré lekári vedú s pacientmi a ich rodinami, no mnohí mladí lekári dostávajú len málo štruktúrovanej praxe v tom, ako ich viesť. Nová pilotná randomizovaná štúdia publikovaná v Journal of General Internal Medicine naznačuje, že špeciálne navrhnutý chatbot s umelou inteligenciou by mohol ponúknuť škálovateľný spôsob, ako zaplniť túto medzeru v školení.

Štúdiu, ktorú viedla Dr. Jessica R. Lichter z Icahn School of Medicine at Mount Sinai a NYC Health + Hospitals/Elmhurst, prebiehala v nemocnici s verejnou bezpečnostnou sieťou spojenou s akademickým medicínskym centrom. Výskumný tím získal rezidentov internej medicíny na postgraduálnych úrovniach druhého a tretieho ročníka.

Tridsaťjeden z 41 oprávnených obyvateľov sa zapísalo do štúdie a 25 dokončilo všetky fázy protokolu, čím poskytli dátovú sadu na konečnú analýzu. Intervencia sa sústredila na ChatMD, nový AI chatbot navrhnutý na simuláciu realistických diskusií o stave kódu.

Platformu navrhli a vyvinuli Dr. Lichter spolu s Dr. Alexom Beutelom, nezávislým technickým prispievateľom, ktorého práca na projekte prebiehala mimo jeho zamestnania v OpenAI. ChatMD zohráva úlohu hospitalizovaného pacienta, ktorý čelí rozhodnutiam ohľadom preferencií resuscitácie.

Rezidenti priradení k intervencii potom absolvovali hodinu pod dohľadom s ChatMD, po ktorej nasledovalo debriefing vedené fakultou podľa zavedených princípov simulácie a ďalšia hodina samostatného cvičenia s chatbotom.

Všetci účastníci začali spoločnou prednáškou o prvkoch efektívnych diskusií o stave kódu, čím sa zabezpečil spoločný základ pred randomizáciou. Rezidenti v kontrolnej skupine pokračovali v bežnom klinickom vzdelávaní počas obdobia štúdie.

Približne o osem týždňov neskôr všetci zapísaní rezidenti absolvovali štandardizované stretnutie s pacientom, ktoré malo otestovať ich schopnosti diskusie o kóde v realistickom prostredí. Štandardizované stretnutia s pacientmi hodnotili hodnotitelia nevedomí toho, ktorú ruku bol ktorý rezident priradený.

Upravená verzia predtým overeného kontrolného zoznamu použitého na hodnotenie ukázala, že intervenční rezidenti dosiahli 72,5 percenta v porovnaní s 66,0 percentami u kontrolných skupín pri celkovom výkone diskusie o stave kódu. Rozdiel však nebol štatisticky významný.

Intervenční rezidenti dosiahli 71,4 percenta oproti 57,6 percentám u kontrolnej skupiny v zručnostiach špecifických pre rozhovory o stave kódu. Opäť, tento rozdiel nedosiahol štatistickú významnosť kvôli malej vzorke inherentnej pilotnej štúdii uskutočniteľnosti.

Výskumníci doplnili kvantitatívne výsledky kvalitatívnou analýzou spätnej väzby od rezidentov pomocou zavedených tematických analytických metód. Intervenční rezidenti konzistentne oceňovali ChatMD za to, čo pedagógovia nazývajú zámernou praxou: príležitosť opakovať náročný rozhovor viackrát a získať okamžitú spätnú väzbu bez obáv z ublíženia skutočnému pacientovi.

Mnohí uviedli zvýšenú dôveru pri prístupe k diskusiám o stave kódu na oddeleniach, ale zároveň identifikovali oblasti na zlepšenie, najmä emocionálny realizmus odpovedí chatbota a hĺbku spätnej väzby, ktorú poskytoval. To naznačuje jasné smerovanie pre ďalšiu generáciu nástroja.

Dôležitosť tohto tréningového problému je dobre zdokumentovaná v lekárskej literatúre. Predchádzajúce štúdie ukázali, že diskusie o stave nemocničných kódov sú často uponáhľané, nekonzistentne vedené a často nezohľadňujú hodnoty pacientov, čo prispieva k príkazom na neresuscitáciu, ktoré nemusia odrážať skutočné preferencie pacienta.

Skoršie vzdelávacie intervencie, vrátane programov na zvládnutie pre hospitalistov a učebných osnov pre stážistov, preukázali, že tieto zručnosti sa dajú naučiť. Takéto programy však zvyčajne vyžadujú vyškolených pedagógov, štandardizovaných pacientov a chránený čas – zdroje, ktoré mnohé inštitúcie ťažko dokážu udržať.

Štúdia je tiež súčasťou rýchlo rastúceho súboru výskumov o umelej inteligencii v lekárskom vzdelávaní. Nedávne správy opisujú AI-simulované interakcie pacientov na zlepšenie lekárskych rozhovorov a multimodálny komunikačný tréning s AI-asistovanou video analýzou pre lekárov starých dospelých.

Prehľad rozsahu z roku 2023 katalogizoval rastúcu škálu AI nástrojov podporujúcich tréning komunikačných zručností naprieč zdravotníckymi profesiami, ale zároveň poukázal na varovné aspekty, vrátane tendencie veľkých jazykových modelov k podliezaniu alebo nadmernému súhlasu s používateľmi.

Študijný tím bol transparentný ohľadom obmedzení, ktoré sú inherentné pilotnému dizajnu. Veľkosť vzorky bola príliš malá na to, aby zistila niečo iné než veľké efekty, a nevýznamné zistenia by sa mali čítať skôr ako sľubné signály než ako dôkaz účinnosti.

Napriek týmto obmedzeniam je smerovanie zistení pozoruhodné: najväčší pozorovaný rozdiel bol v zručnostiach najviac špecifických pre konverzácie o stave kódu – presne tam, kde by chatbot vytvorený na mieru mohol priniesť hodnotu nad rámec všeobecných klinických skúseností. Kvalitatívne nadšenie rezidentov pre prax na požiadanie naznačuje, že AI nástroje sú jedinečne umiestnené na poskytovanie tohto mechanizmu zmeny.

Technológia dozrela a väčšie štúdie sú uskutočniteľné; Pacienti simulovaní umelou inteligenciou by sa mohli stať rutinným doplnkom k štandardizovaným stretnutiam s pacientmi, čím by každý študent získal hodiny praxe na zvládnutie jednej z najťažších rozhovorov v medicíne. Zatiaľ tento pilotný pokus ponúka skorý pohľad na to, ako by mohla vyzerať budúcnosť.