Design and Feasibility of a Large Language Model-Based Teaching Pathway for Clinical Pharmacy Practice Competencies

In der Welt des Gesundheitswesens ist das Erlernen des Gesprächs mit Patienten ebenso entscheidend wie das Wissen darüber, welches Medikament zu verschreiben ist. Für neue klinische Apotheker ist der Weg zur Beherrschung dieser Gespräche oft durch eine einfache Realität blockiert: Es stehen nicht genügend echte Patienten für die Praxis zur Verfügung, und die Experten, die sie anleiten könnten, sind zu beschäftigt, um jede Interaktion zu beobachten. Traditionell haben Schulen „standardisierte Patienten“ eingesetzt – Schauspieler, die darauf trainiert sind, vorzutäuschen, krank zu sein und bestimmte Symptome zu zeigen –, um sichere Übungsumgebungen zu schaffen. Obwohl dies effektiv ist, sind diese Schauspieler teuer in der Einstellung, schwer zu planen und können ein Skript nur eine begrenzte Anzahl von Malen wiederholen, bevor sie müde oder inkonsistent werden.

Um dieses Problem zu lösen, haben Forscher begonnen, sich der künstlichen Intelligenz zuzuwenden, speziell einer Art von Computerprogramm, das als großes Sprachmodell bezeichnet wird. Diese Modelle werden mit riesigen Mengen an Text trainiert und können menschenähnliche Antworten generieren, was sie zu potenziellen Kandidaten für die Erstellung virtueller Patienten macht, die niemals müde werden. Frühe Versuche, diese Technologie in der Medizin einzusetzen, führten jedoch oft zu starren, roboterhaften Gesprächen, die sich unnatürlich anfühlten oder kein nützliches Feedback lieferten. Die Herausforderung bestand darin, diesen Computerprogrammen nicht nur beizubringen, zu sprechen, sondern wie eine echte Person mit einer Krankengeschichte zu agieren und ihnen gleichzeitig beizubringen, wie sie die Leistung eines Studenten fair bewerten.

Ein Forschungsteam am Affiliated Cancer Hospital der Nanjing Medical University setzte sich zum Ziel, eine neue Methode zur Ausbildung von Apothekern mit dieser Technologie aufzubauen und zu testen. Sie wollten sehen, ob sie ein virtuelles Lehrausbildungssystem schaffen konnten, das sich realistisch genug anfühlt, um nützlich zu sein, aber intelligent genug ist, um ohne die Anwesenheit eines menschlichen Lehrers genaues Feedback zu geben. Sie konzentrierten sich auf die Onkologie, also die Krebsversorgung, ein Bereich, in dem das Medikamentenmanagement komplex und Fehler gefährlich sein können. Das Team erstellte drei spezifische Szenarien mit Patienten, die verschiedene Arten von Krebs und Chemotherapie-Regimen hatten. Anschließend luden sie einundzwanzig Trainees ein, darunter Berufsanfänger aus der Pharmazie und Doktoranden, um ihre Fähigkeiten zu üben, indem sie ein Gespräch mit einem virtuellen Patienten führten, der von einem Open-Source-KI-Modell angetrieben wurde.

Die Forscher gestalteten das System mit zwei Hauptzielen: erstens, den virtuellen Patienten so klingen und agieren zu lassen wie eine echte Person, und zweitens, den Computer automatisch die Leistung des Trainees bewerten zu lassen. Um das erste Ziel zu erreichen, verwendeten sie einen strukturierten Satz von Anweisungen, bekannt als „Prompt“, der dem Computer genau vorschrieb, wie er sich zu verhalten habe. Dem Computer wurde angewiesen, in der Rolle des Patienten zu bleiben, Fragen natürlich zu beantworten und medizinische Details nur dann preiszugeben, wenn danach gefragt wurde oder wenn es sich so anfühlte, als würde eine echte Person dies freiwillig mitteilen. Um das zweite Ziel zu erreichen, gaben sie dem Computer einen separaten Satz von Anweisungen, um als Prüfer zu fungieren, der den Gesprächstext überprüft, um zu sehen, ob der Trainee die richtigen Fragen gestellt und die notwendigen Informationen gesammelt hat.

Als die Studie begann, waren die Ergebnisse vielversprechend. Die virtuellen Patienten waren bemerkenswert überzeugend. Experten, die die Gespräche bewerteten, stuften die Fähigkeit des Computers, wie ein echter Mensch zu klingen, sehr hoch ein und merkten an, dass die Sprache natürlich und frei von roboterhafter Steifheit war. Die Trainees stimmten dem zu und berichteten, dass sie sich während der Interaktionen wohler und weniger angespannt fühlten, als dies bei einem menschlichen Schauspieler der Fall gewesen wäre. Sie schätzten es, dass der virtuelle Patient einen sicheren Raum zum Üben bot, ohne die Angst vor Verurteilung, was es ihnen ermöglichte, sich ganz auf das Gespräch zu konzentrieren. Das System simulierte erfolgreich den Ablauf einer echten Visite in einer Krankenhausstation, vom Erheben der Anamnese über die Beratung des Patienten bis hin zum Beantworten seiner Fragen.

Der Computer erwies sich auch als fähig, die Trainees zu bewerten. Als die Forscher die vom Computer vergebenen Punktzahlen mit den von einem Gremium aus menschlichen Experten vergebenen Punktzahlen verglichen, stellten sie eine sehr starke Übereinstimmung fest. Der Computer und die Menschen rangierten die Trainees im Allgemeinen in der gleichen Reihenfolge und identifizierten, wer gut performte und wer mehr Übung benötigte. Die Studie deckte jedoch auch einen spezifischen Fehler in der Bewertungslogik des Computers auf. Die künstliche Intelligenz neigte dazu, niedrigere Punktzahlen zu vergeben als die menschlichen Experten, eine Differenz von etwa zwei und einem halben Punkten auf einer Standardskala.

Der Grund für diese Lücke liegt in der Art und Weise, wie der Computer die Regeln interpretiert. In einem echten Gespräch könnte ein Patient wichtige Informationen von sich aus preisgeben, wie zum Beispiel die Erwähnung einer Nebenwirkung, die er erfährt, selbst wenn der Apotheker noch nicht danach gefragt hat. Menschliche Experten verstehen dies als eine erfolgreiche Interaktion, da der Apotheker nun über die Information verfügt. Der Computer hingegen war darauf programmiert, strikt nach einer bestimmten Frage gefolgt von einer Antwort zu suchen. Wenn der Patient die Information gab, ohne gefragt worden zu sein, zog der Computer manchmal Punkte ab, weil er annahm, der Apotheker habe die richtige Frage nicht gestellt. Dies deutet darauf an, dass der Computer zwar exzellent darin ist, strikten Regeln zu folgen, aber immer noch Schwierigkeiten mit der subtilen, flexiblen Natur eines menschlichen Gesprächs hat, in dem der Kontext wichtiger ist als eine Checkliste.

Trotz dieser Einschränkung bei der Bewertung kam die Studie zu dem Schluss, dass dieser Ansatz ein leistungsstarkes Werkzeug für die Ausbildung ist. Das System ist noch nicht bereit, menschliche Lehrer bei hochkarätigen Prüfungen zu ersetzen, bei denen eine einzige Note über eine Karriere entscheidet, aufgrund der konsistenten Unterschätzung. Aber für die tägliche Praxis, die Selbstbewertung und den Aufbau von Vertrauen bietet es eine Lösung, die kostengünstig, jederzeit verfügbar und hocheffektiv ist. Die Forscher zeigten, dass man durch den Einsatz klarer Anweisungen zur Steuerung der künstlichen Intelligenz einen Lehrpfad schaffen kann, der sowohl realistisch als auch skalierbar ist. Das bedeutet, dass Krankenhäuser und Schulen mit begrenzten Budgets potenziell diese Methode übernehmen könnten, um ihren Trainees die nötige Praxis zu ermöglichen und so die Lücke zwischen dem Lernen im Klassenzimmer und der realen Patientenversorgung zu schließen. Die Arbeit legt nahe, dass die Zukunft der medizinischen Ausbildung vielleicht nicht darauf beruhen wird, mehr Schauspieler einzustellen, sondern Computer zu lehren, mit der Nuanciertheit eines echten Menschen zuzuhören und zu antworten.