在模拟环境中使用时间人工智能模型进行技能微观评估
Iben Bang Andersen1,2, Morten Bo Søndergaard Svendsen3, Anne Line Risgaard1,2
1NordSim, Center for Skills Training and Simulation, Aalborg University Hospital, Aalborg, Denmark.
Medical teacher
|September 7, 2025
概括
这项研究开发了一种人工智能模型,用于自动化超声波能力评估. 人工智能模型准确地区分专家和初学者技能,改善培训评估.
科学领域:
- 医疗模拟
- 医疗教育中的人工智能
- 超声波训练
背景情况:
- 模拟环境中的技能评估是昂贵的, 缺乏验证的指标.
- 人工智能为自动化能力评估提供了机会.
- 目前的局限性需要新的方法来对医疗培训中的客观技能评估.
研究的目的:
- 开发和验证基于模拟的甲状腺超声波 (美国) 训练自动化能力评估的机器学习AI模型.
- 评估人工智能模型在专家和初学者之间进行区分的能力.
- 评估人工智能驱动技能评估的实时性能和可解释性.
主要方法:
- 由专家和新手在模拟器上执行的甲状腺手术的视频分析.
- 使用卷积神经网络 (CNN) 与ResNet-50和长期记忆层 (LSTM) 进行序列分析.
- 采用四重交叉验证和性能指标 (精度,回忆,F1,精度) 进行模型验证.
主要成果:
- 人工智能模型成功地区分了美国的专家和初学者.
- 通过使用50秒的视频序列,获得70%的准确性和0.76F1得分.
- 与新手相比,专家在能力值 (15.71秒) 以上的时间持续时间更长 (9.31秒).
结论:
- 一个基于LSTM的AI模型为美国培训提供了近乎实时的自动化能力评估.
- 使用时间视频数据可以对复杂的程序技能进行详细的微观评估.
- 这种人工智能方法有可能在各种程序培训领域提高可解释性和适用性.
