Python-Streamlit web application to enhance evidence-based medicine education for first year medical students

Die moderne Medizin stützt sich auf eine Disziplin namens evidenzbasierte Medizin, eine Praxis, bei der Ärzte ihre klinische Erfahrung mit der besten verfügbaren Forschung kombinieren, um Entscheidungen für ihre Patienten zu treffen. Damit dieser Ansatz funktioniert, muss ein Arzt in der Lage sein, wissenschaftliche Studien zu lesen und die Zahlen dahinter zu verstehen, wie etwa, wie wahrscheinlich eine Behandlung wirkt oder wie oft ein Test einen Fehlalarm auslöst. Dennoch finden viele Studenten, die das Medizinstudium beginnen, diese statistischen Konzepte schwierig zu erfassen. Sie fühlen sich oft in ihrem Verständnis sicher, nur um später festzustellen, dass ihr Wissen wackelig ist. Diese Lücke zwischen dem Gefühl der Sicherheit und dem tatsächlichen Wissen über das Material war lange Zeit eine Hürde in der medizinischen Ausbildung, was Pädagogen dazu veranlasste, nach neuen Wegen zu suchen, um diese abstrakten Ideen konkret und verständlich zu machen.

Ein Team aus Medizinstudenten und Lehrkräften der Wayne State University in Detroit beschloss, dieses Problem anzugehen, indem sie ein maßgeschneidertes digitales Werkzeug entwickelten. Sie erstellten eine Webanwendung, ein Programm, das in einem Standard-Internetbrowser läuft, das speziell entwickelt wurde, um Erstsemester des Medizinstudiums dabei zu helfen, die Kernkonzepte der evidenzbasierten Medizin zu visualisieren. Anstatt sich ausschließlich auf Vorlesungen oder statische Lehrbücher zu verlassen, nutzten die Forscher ein Programmier-Framework namens Streamlit, um eine interaktive Erfahrung zu konstruieren. Diese Anwendung deckt grundlegende Themen ab, wie etwa die Testung einer Hypothese, die Risiken von Urteilsfehlern und die Messung der Wirksamkeit einer Behandlung. Das Schlüsselfunktionsmerkmal des Werkzeugs ist, dass es den Nutzern ermöglicht, die Zahlen selbst zu verändern. Ein Student kann die Größe einer Studiengruppe oder die Stärke eines Behandlungseffekts anpassen und in Echtzeit beobachten, wie diese Änderungen die Ergebnisse auf dem Bildschirm verändern. Dieses unmittelbare visuelle Feedback hilft den Lernenden, die Beziehungen zwischen verschiedenen Variablen zu sehen, ohne sich in komplexen Berechnungen zu verlieren.

Die Forscher führten dieses Werkzeug einer Gruppe von 300 Medizinstudenten im ersten Studienjahr während ihrer regulären Kleingruppen-Lerneinheiten vor. Die Studenten nutzten die Anwendung zusammen mit geführten Arbeitsblättern, die sie durch spezifische Szenarien zur Hypothesentestung und Fehlerinterpretation leiteten. Nach der Sitzung baten die Forscher die Studenten, eine Umfrage auszufüllen, um ihre Erfahrungen zu erfassen. Von den 300 eingeladenen Studenten füllten 118 die Umfrage aus. Die Ergebnisse zeigten, dass das Werkzeug sehr ansprechend war; 94 Prozent derjenigen, die antworteten, berichteten, dass sie die Anwendung aktiv genutzt hatten, um ihre zugewiesenen Aufgaben zu erledigen. Am wichtigsten war, dass die Mehrheit der Lernenden das Gefühl hatte, dass die interaktiven Visualisierungen ihnen halfen, schwierige Konzepte besser zu verstehen und ihre Fähigkeit verbesserten, Themen zu visualisieren, die sie zuvor als verwirrend empfunden hatten. Die Studenten waren auch sehr zufrieden mit dem Werkzeug, wobei fast zwei Drittel ihr Erlebnis als „sehr zufrieden“ und ein weiteres Drittel als „etwas zufrieden“ bewerteten.

Die Studie deckte jedoch auch eine Einschränkung in der Art und Weise auf, wie Studenten die Technologie nutzen wollten. Während das Werkzeug gut funktionierte, wenn es Teil einer strukturierten Unterrichtsaktivität war, war der Wunsch, es unabhängig zu nutzen, weniger deutlich. Als gefragt wurde, ob sie planen würden, die Anwendung in ihrer Freizeit zu nutzen, sagten nur 27 Studenten, dass sie dies definitiv tun würden, während 54 unsicher waren und 37 sagten, dass sie es nicht tun würden. Dies deutet darauf hin, dass die Anwendung zwar eine effektive Hilfe ist, wenn sie von einer Lehrkraft angeleitet wird, die Gewinnung von Studenten für das Selbststudium jedoch weitere Anpassungen erfordern könnte. Die Autoren schlagen vor, dass zukünftige Versionen realistischere medizinische Szenarien enthalten könnten, wie etwa die Nutzung des Werkzeugs zur Bewertung eines spezifischen Diagnosetests für eine Lungenerkrankung, um das Lernen relevanter für die reale Praxis zu gestalten.

Die Studie, die sich auf Studentenumfragen statt auf objektive Testergebnisse stützte, legt nahe, dass interaktive Webanwendungen ein vielversprechender Weg sind, um komplexe medizinische Statistik zu lehren. Indem sie abstrakte numerische Beziehungen in intuitive Bilder verwandelt, passt das Werkzeug zu der Art und Weise, wie Studenten bevorzugt lernen. Die Forscher merken an, dass die Einfachheit der von ihnen verwendeten Software es anderen Institutionen ermöglicht, ähnlich schnelle Werkzeuge zu bauen. Während die aktuellen Ergebnisse ermutigend sind, betonen die Autoren, dass weitere Arbeit geleistet werden muss, um langfristige Lernergebnisse zu verfolgen und Wege zu finden, die Studenten auch außerhalb des Klassenzimmers mit dem Material in Kontakt zu halten. Das Projekt stellt einen praktischen Schritt nach vorn dar, um die schwierige Mathematik der medizinischen Forschung für die nächste Generation von Ärzten zugänglich zu machen.