Optimizing AI Onboarding in Radiology: Impact of Training Case Number Using Multiple Sclerosis Lesions on 3D FLAIR, a pilot study
Diese Pilotstudie, an der dreizehn Radiologen teilnahmen, zeigt, dass das Onboarding mit drei repräsentativen Multiple-Sklerose-Trainingsfällen auf 3D-FLAIR-MRT das Nutzervertrauen und die Autonomie signifikant steigert sowie den Unterstützungsbedarf reduziert, wobei es im Vergleich zum Training mit weniger Fällen ein überlegenes Gleichgewicht zwischen Effizienz und Effektivität bietet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In den stillen, schwach beleuchteten Räumen, in denen Radiologen Gehirnscans untersuchen, beginnt eine neue Art von Partner aufzutauchen. Jahrzehntelang haben sich diese Spezialisten auf ihre eigenen geschulten Augen verlassen, um winzige, subtile Anzeichen von Krankheiten innerhalb der komplexen Architektur des menschlichen Gehirns zu entdecken. Nun bietet künstliche Intelligenz Unterstützung an und fungiert als ein zweites Paar Augen, das in der Lage ist, Bereiche von Interesse, wie etwa die durch Multiple Sklerose verursachten Läsionen, schnell hervorzuheben. Doch die Einführung eines leistungsstarken neuen Werkzeugs in einen hochsensiblen medizinischen Arbeitsablauf ist nicht so einfach wie das Umlegen eines Schalters. Die Herausforderung liegt nicht nur in der Technologie selbst, sondern darin, wie Menschen lernen, ihr zu vertrauen und mit ihr zusammenzuarbeiten. Wenn ein Arzt nicht angemessen in die Software eingeführt wird, ignoriert er möglicherweise ihre hilfreichen Vorschläge oder verlässt sich im Gegenteil zu blind auf sie, wodurch Fehler potenziell übersehen werden könnten. Die entscheidende Frage für Krankenhäuser und Ausbildungsprogramme lautet, wie man diese Kliniker lehrt, das Werkzeug effektiv zu nutzen. Reicht ein kurzer Überblick aus, oder muss der Arzt eine Vielzahl von Beispielen sehen, um wirklich zu verstehen, wie sich das System in verschiedenen Situationen verhält?
Eine kürzlich am Universitätsspital Zürich durchgeführte Pilotstudie ging genau dieser Frage nach. Die Forscher wollten wissen, ob die Anzahl der während der Ausbildung gezeigten Übungsfälle für einen Arzt wichtiger ist als die gesamte Trainingszeit. Sie konzentrierten sich auf ein spezielles Softwaretool, das darauf ausgeint ist, Läsionen zu erkennen, die mit Multipler Sklerose assoziiert sind, auf einer Art von Gehirnscan, der als 3D-FLAIR-MRT bezeichnet wird. Um die Antwort zu finden, versammelten sie dreizehn Radiologen, die von Berufsanfängern bis hin zu erfahrenen erfahrenen Ärzten reichten. Diese Freiwilligen wurden zufällig in drei Gruppen eingeteilt. Jede Gruppe erhielt dasselbe zehnminütige Tutorial darüber, wie die Software funktioniert, aber sie unterschieden sich darin, wie viele Patientenfälle sie während des Lernens überprüften. Eine Gruppe übte mit einem einzigen Fall, eine andere mit zwei und die dritte mit drei Fällen. Diese Fälle wurden sorgfältig ausgewählt, um das volle Spektrum der Krankheit abzubilden, von mild bis schwer, um sicherzustellen, dass die Ärzte eine realistische Vielfalt dessen sahen, was die Software antreffen könnte.
Nach der Trainingssitzung gingen die Kliniker zu einer unabhängigen Testphase über. Oh\ne weitere Anweisungen wurden sie gebeten, drei neue, standardisierte Patientenfälle unter Verwendung der Software zu überprüfen. Während dieser Zeit zeichneten die Forscher sorgfältig auf, wie lange das Training dauerte, wie viele Fragen die Ärzte während des Lernens stellten und wie viele Fragen sie stellen mussten, während sie eigenständig arbeiteten. Sie baten die Ärzte außerdem, ihr eigenes Vertrauen in die Nutzung des Werkzeugs auf einer Skala von eins bis fünf einzustufen. Die Ergebnisse zeigten ein klares Muster. Die Gruppe, die mit nur einem Fall trainiert hatte, schloss ihre Einarbeitung am schnellsten ab, in etwas mehr als zwölf Minuten. Als sie jedoch versuchten, unabhängig zu arbeiten, hatten sie am meisten Schwierigkeiten, stellten durchschnittlich mehr als fünf Fragen pro Fall und gaben das niedrigste Vertrauensniveau an. Die Gruppe, die mit zwei Fällen trainiert hatte, benötigte etwas länger zum Lernen, zeigte aber immer noch inkonsistente Ergebnisse, wobei einige Ärzte erhebliche Hilfe benötigten und andere weniger.
Die Gruppe, die mit drei Fällen trainiert hatte, erzählte eine andere Geschichte. Obwohl ihre anfängliche Trainingssitzung am längsten dauerte und 26 Minuten und 38 Sekunden in Anspruch nahm, schnitten sie bei der eigenständigen Arbeit am besten ab. Sie stellten die wenigsten Fragen während ihrer unabhängigen Überprüfung, mit einem Durchschnitt von nur 3,5 Fragen pro Fall, und sie gaben die höchsten Vertrauenswerte an. Die Forscher fanden heraus, dass sich die zusätzliche vierzehnminütige Trainingszeit, die diese Gruppe investierte, dadurch auszahlte, dass die Ärzte eigenständiger und weniger abhängig von Unterstützung im späteren Verlauf waren. Interessanterweise zeigte die Studie, dass die langjährige Erfahrung eines Arztes nicht vorhersagte, wie gut er sich an das neue Werkzeug anpasste. Selbst die erfahrensten Kliniker benötigten dieselbe strukturierte Exposition gegenüber mehreren Fällen wie ihre jüngeren Kollegen, um sich sicher zu fühlen und effizient zu arbeiten.
Die Ergebnisse legen nahe, dass die Art und Weise, wie KI-Tools Anwendern vorgestellt werden, von entscheidender Bedeutung ist, damit sie in der Medizin wirklich nützlich sein können. Es reicht nicht aus, einem Arzt lediglich einmal zu zeigen, wie die Software funktioniert; sie müssen eine kleine, vielfältige Auswahl an Beispielen sehen, um ein solides mentales Modell davon aufzubauen, wie sich das System verhält. Die Studie deutet darauf hin, dass eine etwas längere Trainingssitzung, die auf die Vielfalt der Fälle fokussiert ist, einen fähigeren und selbstbewussteren Nutzer schafft als eine auf Schnelligkeit fokussierte, überstürzte Sitzung. Obwohl dies eine Simulation in kleinem Rahmen war und kein endgültiger Beweis dafür ist, wie das Werkzeug in jedem Krankenhaus funktioniert, deuten die Ergebnisse auf eine praktische Lösung hin: Etwas mehr Zeit in die Vorausplanung zu investieren, um Ärzten ein paar verschiedene Szenarien zu zeigen, kann zu einem reibungsloseren, sichereren und effektiveren Einsatz künstlicher Intelligenz in der Zukunft führen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.