Статья:

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕДИЦИНСКОМ ОБРАЗОВАНИИ: РОЛЬ, ВОЗМОЖНОСТИ И ВЛИЯНИЕ НА ПОДГОТОВКУ БУДУЩИХ ВРАЧЕЙ

Конференция: LXXXIII Международная научно-практическая конференция «Научный форум: медицина, биология и химия»

Секция: Организация фармацевтического дела

Выходные данные

Чжань А. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕДИЦИНСКОМ ОБРАЗОВАНИИ: РОЛЬ, ВОЗМОЖНОСТИ И ВЛИЯНИЕ НА ПОДГОТОВКУ БУДУЩИХ ВРАЧЕЙ // Научный форум: Медицина, биология и химия: сб. ст. по материалам LXXXIII междунар. науч.-практ. конф. — № 10(83). — М., Изд. «МЦНО», 2025.

К условиям публикации Скачать сборник

Конференция завершена

Мне нравится

LXXXIII Международная научно-практическая конференция «Научный форум: медицина, биология и химия»

на печатьскачать .pdf поделиться

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕДИЦИНСКОМ ОБРАЗОВАНИИ: РОЛЬ, ВОЗМОЖНОСТИ И ВЛИЯНИЕ НА ПОДГОТОВКУ БУДУЩИХ ВРАЧЕЙ

Чжань Аньжань

независимый исследователь, Китай, г. Чэнду

ARTIFICIAL INTELLIGENCE IN MEDICAL EDUCATION: ROLE, OPPORTUNITIES, AND IMPACT ON THE TRAINING OF FUTURE PHYSICIANS

Zhan Anzhan

Independent Researcher, China, Chengdu

Аннотация. В статье рассматривается роль искусственного интеллекта (ИИ) в современном медицинском образовании и его влияние на подготовку будущих врачей. Представлены результаты анкетирования студентов лечебного факультета, проведенного с использованием модифицированной шкалы Wang для оценки осведомленности и тревожности по поводу ИИ. Полученные данные демонстрируют, что внедрение элективной дисциплины «Искусственный интеллект в медицине» способствует повышению осведомленности студентов до 100% и снижению уровня тревожности, а также формированию готовности применять ИИ в клинической практике. Сделан вывод о необходимости целенаправленного обучения ИИ как ключевого элемента современного высшего медицинского образования.

Abstract. This article examines the role of artificial intelligence (AI) in modern medical education and its impact on the training of future physicians. The results of a survey conducted among students of the Faculty of Medicine using a modified Wang scale to assess awareness and anxiety regarding AI are presented. The data demonstrate that the implementation of the elective course "Artificial Intelligence in Medicine" increases students’ awareness to 100%, reduces their anxiety levels, and fosters readiness to apply AI in clinical practice. The study concludes that targeted AI education is a key component of contemporary higher medical education.

Ключевые слова: искусственный интеллект, медицинское образование, элективная дисциплина, машинное обучение, клиническая практика.

Keywords: artificial intelligence, medical education, elective course, machine learning, clinical practice.

Современное медицинское образование требует адаптации к условиям, в которых будущие врачи будут работать в значительно более цифровизированной среде. Повсеместная оцифровка систем здравоохранения обеспечивает доступ как медицинских специалистов, так и пациентов к обширной биомедицинской информации [1]. Увеличение объема медицинских знаний делает необходимым постоянное обновление компетенций врачей и выбор оптимальной тактики лечения из множества доступных вариантов.

Искусственный интеллект (ИИ) является относительно новой научной дисциплиной, направленной на создание компьютерных алгоритмов, способных выполнять задачи, традиционно присущие человеку [2]. ИИ позволяет снизить нагрузку на врачей при обработке больших массивов цифровых данных, повышает точность диагностики, оценку прогноза заболеваний и выбор фармакотерапевтических стратегий [3].

С момента первого упоминания ИИ в фундаментальной работе А.М. Тьюринга «Вычислительная техника и интеллект» (1950) [4] технология претерпела значительное развитие и активно внедряется в здравоохранении для ускорения диагностики [5], расширения возможностей радиологии [6], снижения затрат [7], автоматизации повторяющихся задач [8], минимально инвазивной хирургии [9] и уменьшения смертности [10]. В связи с этим современному поколению студентов-медиков необходимы базовые знания о работе с ИИ.

Целью исследования является анализ литературы о роли ИИ в здравоохранении и медицинском образовании, а также разработка программы элективной дисциплины «Искусственный интеллект в медицине» для студентов специальности 31.05.01 «Лечебное дело» с оценкой влияния курса на осведомленность студентов о технологиях ИИ и их отношение к ним.

Материалы и методы

Для оценки уровня осведомленности студентов и тревожности в отношении ИИ использовался модифицированный на русский язык опросник Wang (AI Anxiety Scale) [11]. Опросник содержит 21 пункт, сгруппированный в четыре подшкалы: обучение в масштабе (Scale learning), смена работы (Job displacement), социотехническая слепота (Socio-technical blindness) и конфигурация ИИ (AI configuration). Все вопросы оцениваются по 7-балльной шкале Лайкерта (от «полностью не согласен» до «полностью согласен»). Общий балл варьирует от 21 до 147, а уровни тревожности классифицируются как низкий (<49), умеренный (50–98) и высокий (>98).

В исследование включены две группы студентов лечебного факультета: I–III курсы (n=120) и IV–VI курсы (n=120). Анкетирование проводилось в конце весеннего семестра в формате анонимного онлайн-опроса. Уровень осведомленности об ИИ оценивался бинарно: студенты считались осведомленными («Да»=1), если они знали о технологиях ИИ и понимали их основные преимущества и ограничения; в остальных случаях фиксировался ответ «Нет»=0.

Статистическая обработка данных проводилась с использованием IBM Statistics 13.0. Проверку на нормальность распределения выполняли критерием Шапиро-Уилка; поскольку данные не удовлетворяли нормальности, использовался непараметрический критерий Манна–Уитни. Значимость различий принималась при р<0,05.

Возможности ИИ в здравоохранении

ИИ позволяет предоставлять персонализированные рекомендации на основе анализа истории болезни и факторов образа жизни пациентов. Алгоритмы машинного обучения выявляют закономерности в клинических и биологических данных, прогнозируют развитие заболеваний и помогают формировать индивидуальные планы лечения с учетом геномных, протеомных и метаболомных данных [12, 13].

ИИ также используется для анализа данных с носимых устройств и электронных медицинских карт, выявляя скрытые изменения состояния здоровья пациентов и предупреждая медицинских специалистов о потенциальных рисках. Алгоритмы могут автоматизировать рутинные процессы мониторинга и анализа данных, повышая эффективность и точность наблюдения за пациентами [14].

В гистопатологической диагностике ИИ анализирует микропрепараты тканей и прогнозирует прогрессирование онкологических заболеваний [15, 16]. В медицинской радиологии алгоритмы ИИ позволяют анализировать изображения (рентген, КТ), выявлять отклонения и автоматизировать обнаружение патологий, повышая точность диагностики и качество лечения [17].

ИИ в медицинском образовании

ИИ внедряется в медицинское образование для виртуального моделирования и обучения студентов на виртуальных пациентах, обеспечивая возможность безопасного освоения сложных процедур [18]. Алгоритмы ИИ позволяют персонализировать обучение, анализируя успехи студентов, создавать интеллектуальные системы оценки и формировать симуляции виртуальной реальности [19].

Основные вызовы включают риск потери человеческого контакта, чрезмерную зависимость от ИИ, а также необходимость обеспечения точности и объективности алгоритмов [20]. В контексте экзаменов ИИ может повышать объективность и адаптивность оценивания, снижать затраты и автоматизировать рутинные процессы. Однако необходимо контролировать качество генерируемых вопросов и сохранять креативность и релевантность содержания.

Элективная дисциплина «Искусственный интеллект в медицине»

В рамках основной образовательной программы медицинских вузов дисциплина «Искусственный интеллект в медицине» часто отсутствует, а изучение методов ИИ ограничивается базовым курсом медицинской информатики на I курсе. Для старших курсов предложена элективная дисциплина, включающая знакомство с алгоритмами машинного обучения, нейронными сетями, компьютерным зрением и экспертными системами, применяемыми в клинической практике [21–25].

Анализ анкетирования показал, что среди студентов I–III курсов уровень осведомленности об ИИ составил 47%, а тревожность — умеренная. В группе IV–VI курсов осведомленность достигла 79%, при этом уровень тревожности оставался умеренным. После прохождения элективного курса осведомленность выросла до 100%, а 89% студентов выразили готовность применять ИИ в клинической практике. Результаты подтвердили, что целенаправленное обучение снижает тревожность и повышает уверенность студентов в работе с ИИ.

Заключение

Интеграция ИИ в медицинское образование открывает новые возможности: от виртуальных пациентов до объективной оценки знаний с помощью ИИ. Основной вызов — необходимость качественных и этически корректных данных для обучения алгоритмов. Результаты исследования показали, что внедрение элективной дисциплины «Искусственный интеллект в медицине» значительно повышает уровень осведомленности студентов и снижает их тревожность по отношению к новым цифровым технологиям. Практическая апробация алгоритмов машинного обучения, компьютерного зрения и экспертных систем формирует у студентов уверенность в использовании ИИ в будущей клинической практике, что способствует повышению качества и доступности медицинской помощи.

Список литературы:

1. Friedman C.P., Donaldson K.M., Vantsevich A.V. Educating medical students in the era of ubiquitous information // Med. Teach. 2016. Vol. 38, N 5. P. 504-509. DOI: https://doi.org/10.3109/0142159X.2016.1 150990

2. Schinkel M., Paranjape K., Nannan Panday R.S. еt al. Clinical applications of artificial intelligence in sepsis: A narrative review // Comput. Biol. Med. 2019. Vol. 115. Article ID 103488. DOI: https://doi.org/10.1016/j.compbiomed.2019.103488

3. Авачева Т.Г., Кадырова Э.А. Опыт внедрения e-learning и профессионально-ориентированных IT-технологий в образовательный процесс в медицинском университете // Медицинское образование и профессиональное развитие. 2021. Т. 12, № 2. С. 116-126. DOI: https://doi.org/10.33029/2220-8453-2021-12-2-1 16-126

4. Turing A.M. Computing Machinery and Intelligence // Mind. 1950. Vol. 59, N 236. P. 433-460. DOI: https://doi. org/10.1093/mind/LIX.236.433

5. Yu K., Beam A.L., Kohane I.S. Artificial intelligence in healthcare // Nat Biomed Eng. 2018. Vol. 2, N 10. P. 719-731. DOI: https://doi.org/10.1038/s41551-018-0305-z

6. Dreyer K.J., Geis J.R. When machines think: radiology's next frontier // Radiology. 2017. Vol. 285, N 3. P. 713-718. DOI: http://doi.org/10.1148/radiol.2017171183

7. Guo J., Li B. The application of medical artificial intelligence technology in rural areas of developing countries // Health Equity. 2018. Vol. 2, N 1. P. 174-181. DOI: https://doi.org/10.1089/heq.2018.0037

8. Lee I.R., Kim H.W., Lee Y., Koyanagi A. еt al. Changes in undergraduate medical education due to COVID-19: a systematic review // Eur. Rev. Med. Pharmacol. Sci. 2021. Vol. 25, N 12. Р. 4426-4434. DOI: https://doi.org/10.26355/ eurrev_202106_26155

9. Wang Z., Majewicz Fey A. Deep learning with convolutional neural network for objective skill evaluation in robotassisted surgery // Int. J. Comput. Assist. Radiol. Surg. 2018. Vol. 13, N 12. P. 1959-1970. DOI: https://doi.org/10.1007/s11548-018-1860-1

10. Weng S.F., Vaz L., Qureshi N., Kai J. Prediction of premature all-cause mortality: a prospective general population cohort study comparing machine-learning and standard epidemiological approaches // PLoS One. 2019. Vol. 14, N 3. Article ID e0214365. DOI: https://doi.org/10.1371/journal.pone.0214365

11. Terzi R. An adaptation of artificial intelligence anxiety scale into Turkish: reliability and validity study // Int. Online J. Educ. Teach (IOJET). 2020. Vol. 7, N 4. P. 1501-1515.

12. Toma M., Wei O.C. Predictive Modeling in Medicine // Encyclopedia. 2023. Vol. 3. P. 590-601. DOI: https://doi. org/10.3390/encyclopedia3020042

13. Yang C.C. Explainable artificial intelligence for predictive modeling in healthcare // J. Health. Inform Res. 2022. Vol. 6. P. 228-239. DOI: https://doi.org/10.1007/s41666-022-001 14-1

14. Nosrati H., Nosrati M. Artificial intelligence in regenerative medicine: applications and implications // Biomimetics (Basel). 2023. Vol. 8, N 5. Article ID 442. DOI: https://doi.org/10.3390/biomimetics8050442

15. Черданцева Т.М., Некрасова М.С., Качкуркина А.А., Ененков Н.В. Применение информационных технологий при морфологическом изучении тканевых эозинофилов в коже: обзор литературы // Естественнонаучные основы медико-биологических знаний: сборник докладов IV Всероссийской конференции студентов и молодых ученых с международным участием, посвященной 80-летию РязГМУ. Рязань, 2023. С. 141-144.

16. Kowalewski K.F., Egen L., Fischetti C.E. еt al. Artificial intelligence for renal cancer: From imaging to histology and beyond // Asian J. Urol. 2022. Vol. 9, N 3. Р. 243-252. DOI: https://doi.org/10.1016/j.ajur.2022.05.003

17. Kelly B.S., Judge C., Bollard S.M., Clifford S.M., Healy G.M., Aziz A., Mathur P., Islam S., Yeom K.W., Lawlor A., Killeen R.P. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE) // Eur. Radiol. 2022. Vol. 32, N 11. P. 7998-8007. DOI: https://doi.org/10.1007/s00330-022-08784-6

18. Авачева Т.Г., Ененков Н.В. Методические приемы изучения основ электродинамики в медицинском ВУЗЕ // Российский вестник перинатологии и педиатрии. 2023. Т. 68, № 4. С. 365.

19. Han E.R., Yeo S., Kim M.J., Lee Y.H., Park K.H., Roh H. Medical education trends for future physicians in the era of advanced technology and artificial intelligence: an integrative review. BMC Med Educ. 2019. Vol. 19, N 1. Article ID 460. DOI: https://doi.org/10.1186/s12909-019-1891-5

20. Civaner M.M., Uncu Y., Bulut F., Chalil E.G., Tatli A. Artificial intelligence in medical education: a cross-sectional needs assessment // BMC Med. Educ. 2022. Vol. 22, N 1. Article ID 772. DOI: https://doi.org/10.1186/s12909-022-03852-3

21. Ozbek Guven G., Yilmaz S., Inceoglu F. Determining medical students' anxiety and readiness levels about artificial intelligence // Heliyon. 2024. Vol.10, N 4. Article ID e25894. DOI: https://doi.org/10.10167j.heliyon.2024.e25894

22. Kundu S., Ashinsky B.G., Bouhrara M., Dam E.B., Demehri S., Shifat-E-Rabbi M. et al. Enabling early detection of osteoarthritis from presymptomatic cartilage texture maps via transport-based learning // Proc. Natl. Acad. Sci. U S A. 2020. Vol. 117, N 40. P. 24709-24719. DOI: https://doi.org/10.1073/pnas.19174051 17

23. Gupta A., Singla T., Chennatt J.J., David L.E., Ahmed S.S., Rajput D. Artificial intelligence: A new tool in surgeon's hand // J. Educ. Health Promot. 2022. Vol. 11, N 1. Article ID 93. DOI: https://doi.org/10.4103/jehp.jehp_625_21

24. Kantidakis G., Hazewinkel A.D., Fiocco M. Neural networks for survival prediction in medicine using prognostic factors: a review and critical appraisal // Comput. Math. Methods Med. 2022. Vol. 2022. Article ID 1 176060. DOI: https://doi. org/10.1 155/2022/1 176060

25. Schena F.P., Anelli V.W., Trotta J., Di Noia T., Manno C., Tripepi G., D'Arrigo G., Chesnaye N.C., Russo M.L., Stangou M., Papagianni A., Zoccali C., Tesar V., Coppo R.; members of the VALIGA study. Development and testing of an artificial intelligence tool for predicting end-stage kidney disease in patients with immunoglobulin A nephropathy // Kidney Int. 2021. Vol. 99, N 5. P. 1179-1188. DOI: https://doi.org/10.1016/j.kint.2020.07.046

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕДИЦИНСКОМ ОБРАЗОВАНИИ: РОЛЬ, ВОЗМОЖНОСТИ И ВЛИЯНИЕ НА ПОДГОТОВКУ БУДУЩИХ ВРАЧЕЙ

Похожие статьи