An evidence-based approach to artificial intelligence education for medical students: A systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The exponential growth of artificial intelligence (AI) in the last two decades has been recognized by many as an opportunity to improve the quality of patient care. However, medical education systems have been slow to adapt to the age of AI, resulting in a paucity of AI-specific education in medical schools. The purpose of this systematic review is to evaluate the current evidence-based recommendations for the inclusion of an AI education curriculum in undergraduate medicine. Six databases were searched from inception to April 23, 2022 for cross sectional and cohort studies of fair quality or higher on the Newcastle-Ottawa scale, systematic, scoping, and integrative reviews, randomized controlled trials, and Delphi studies about AI education in undergraduate medical programs. The search yielded 991 results, of which 27 met all the criteria and seven more were included using reference mining. Despite the limitations of a high degree of heterogeneity among the study types and a lack of follow-up studies evaluating the impacts of current AI strategies, a thematic analysis of the key AI principles identified six themes needed for a successful implementation of AI in medical school curricula. These themes include ethics, theory and application, communication, collaboration, quality improvement, and perception and attitude. The themes of ethics, theory and application, and communication were further divided into subthemes, including patient-centric and data-centric ethics; knowledge for practice and knowledge for communication; and communication for clinical decision-making, communication for implementation, and communication for knowledge dissemination. Based on the survey studies, medical professionals and students, who generally have a low baseline knowledge of AI, have been strong supporters of adding formal AI education into medical curricula, suggesting more research needs to be done to push this agenda forward.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle