关于医学教育中人工智能培训的专家观点的差异:多国德尔菲研究的二次分析

科学领域:

• 医学教育 医学教育
• 人工智能的人工智能
• 全球卫生平等全球卫生平等

背景情况:

• 人工智能 (AI) 越来越多地被整合到医疗保健中,需要医疗专业人员对人工智能素养.
• 现有的医学教育课程可能无法充分解决人工智能能力,特别是在资源有限的环境中.
• 在获得技术和培训方面的全球差异加剧了人工智能教育中的不平等.

研究的目的:

• 分析全球专家对人工智能 (AI) 学习成果在预注册医疗教育中的强制性纳入的意见.
• 确定来自高收入国家 (HIC) 和低收入和中等收入国家 (LMIC) 的专家在这些意见中的差异.
• 探索这些差异对开发医疗培训中公平的人工智能能力框架的影响.

主要方法:

• 一项涉及医学教育专家的多国德尔菲研究的二次分析.
• 基于国家收入水平 (HIC与LMIC) 的AI学习成果专家建议的比较分析.
• 对影响专家意见的因素对医疗课程中人工智能整合的定性评估.

主要成果:

• 来自LMIC的专家比来自HIC的专家更不太可能认为人工智能学习成果在预注册医疗教育中是强制性的.
• 这一趋势表明,在资源有限的环境中,人工智能教育的感知重要性或可行性存在潜在的差距.
• 这些发现强调了全球医疗培训中人工智能的采用和优先级的差异.

结论:

• 医疗人工智能教育的全球不平等是显而易见的,LMIC专家对强制性AI学习成果的重视较小.
• 迫切需要具有适应性和包容性的人工智能能力框架来解决这些差异.
• 未来的努力应该集中在公平的AI培训策略上,以确保所有医疗保健专业人员为人工智能驱动的未来做好准备.