Artificial Intelligence in UK Medical Education: A Framework for Curriculum Reform (Preprint)
Notice bibliographique
Résumé
BACKGROUND Artificial intelligence (AI) is increasingly transforming healthcare through improvements in diagnosis, predictive analytics, and workflow optimisation. However, there remains a significant gap in AI training within UK medical education, leaving future clinicians underprepared for AI-driven healthcare environments. OBJECTIVE This review investigates global best practices for AI integration into medical education and proposes a structured framework for embedding AI into the UK medical curriculum. It aims to assess current attitudes, highlight existing knowledge gaps, and recommend practical implementation strategies. METHODS An analysis of international case studies (e.g., Stanford, University of Toronto, CUHK) was conducted alongside a review of teaching methodologies, stakeholder perspectives, and UK-based surveys to identify core competencies and challenges in AI education. RESULTS Effective integration strategies include the use of AI-powered simulations, interdisciplinary collaboration, elective modules, and faculty training. Major barriers include lack of AI-literate educators, insufficient ethical training, and limited infrastructure. Knowledge gaps persist among students and faculty in areas such as algorithmic bias, AI ethics, and clinical decision-making. CONCLUSIONS To meet the demands of modern healthcare, the UK medical curriculum must adopt comprehensive AI training. This includes practical exposure, ethical awareness, and stakeholder engagement. Proactive reform will ensure graduates are equipped to critically and ethically apply AI tools in clinical practice.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,042 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,011 |
| Communication savante | 0,018 | 0,012 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».