Onco-Shikshak: An AI-Native Adaptive Learning Ecosystem for Medical Oncology Education

Le papier présente Onco-Shikshak V7, une première plateforme d'apprentissage adaptatif native de l'IA pour l'oncologie médicale qui intègre une architecture cognitive unifiée (ACT-R, IRT, FSRS, ZPD) et des agents spécialisés pour surmonter les limites des curricula statiques et les risques des modèles de langage, tout en alignant les parcours pédagogiques sur les critères ACGME.

L'essentiel

Imaginez que vous apprenez à conduire une voiture de course très complexe. Les règles de la route changent tous les jours, et si vous lisez simplement un vieux manuel, vous serez vite dépassé. De plus, si vous demandez à un robot de vous donner les instructions, il pourrait inventer des règles qui n'existent pas ou vous faire croire qu'il sait tout, ce qui est dangereux.

C'est exactement le problème que rencontre Onco-Shikshak, un nouveau système d'apprentissage conçu pour les futurs médecins spécialisés dans le cancer (oncologues). Voici comment cela fonctionne, expliqué simplement avec des images du quotidien.

1. Le Problème : Un océan d'informations qui bouge trop vite

Le monde du cancer évolue à une vitesse folle. Les connaissances d'un médecin deviennent obsolètes en seulement 3,5 ans. Les livres classiques sont trop lents, et les intelligences artificielles (comme les chatbots) ont tendance à "halluciner" (inventer des faits) ou à faire croire aux étudiants qu'ils n'ont plus besoin de réfléchir.

2. La Solution : Un "Exosquelette Cognitif"

Onco-Shikshak n'est pas un simple livre numérique. C'est un compagnon d'apprentissage intelligent qui agit comme un exosquelette pour le cerveau du médecin. Au lieu de lire des chapitres isolés, l'étudiant vit des situations réelles, comme s'il était déjà dans un hôpital.

Le système utilise quatre "scènes" principales pour apprendre :

• Le Rapport Matinal : L'étudiant présente un cas à un médecin virtuel, qui ne donne les infos (résultats d'analyse, images) que petit à petit, forçant l'étudiant à chercher et à raisonner.
• La Réunion des Experts (Tumor Board) : C'est la pièce maîtresse. Imaginez une table ronde où six experts virtuels (un chirurgien, un radiologue, un spécialiste des médicaments, etc.) discutent d'un patient.
  • L'astuce : Ces experts ne sont pas d'accord ! L'un veut opérer, l'autre veut faire de la radiothérapie. L'étudiant doit écouter, peser les arguments et trancher. C'est comme un débat télévisé où l'étudiant est le juge.
• La Journée de Clinique : L'étudiant gère plusieurs patients en même temps, avec des interruptions imprévues (urgences, appels), pour apprendre à prioriser.
• Le Manuel Dynamique : Un livre qui s'écrit lui-même en temps réel, adapté au niveau de l'étudiant, avec des liens directs vers les cas pratiques.

3. La Magie : Comment le cerveau apprend vraiment

Le système ne se contente pas de poser des questions. Il utilise des principes scientifiques pour "hack" le cerveau et rendre l'apprentissage durable :

• Le "Système de Répétition Espacée" (FSRS) : C'est comme un jardinier très intelligent. Il sait exactement quand vous allez oublier une information (par exemple, demain matin) et vous la rappelle juste au moment critique pour que cela reste gravé dans votre mémoire. Il ne vous fait pas réviser ce que vous savez déjà par cœur.
• Le "Niveau Juste" (Théorie IRT) : Imaginez un entraîneur de sport qui ajuste le poids des haltères. Si c'est trop facile, l'étudiant s'ennuie. Si c'est trop dur, il abandonne. Le système ajuste la difficulté en temps réel pour rester dans la "zone de confort idéale" où l'on apprend le plus.
• Les "Scripts de Maladie" (ACT-R) : Les experts ne pensent pas par mots, mais par "scénarios". Le système aide l'étudiant à construire ces scénarios mentaux. Plus il les utilise, plus ils deviennent forts et rapides, comme une autoroute dans le cerveau.
• La "Confiance Réfléchie" : Avant de répondre, l'étudiant doit dire à quel point il est sûr de lui. Le système vérifie ensuite si sa confiance correspondait à la réalité. C'est comme un coach qui vous dit : "Tu étais très sûr de toi, mais tu as eu tort. Attention à l'arrogance !"

4. La Sécurité : Pas d'illusions

Pour éviter que l'IA n'invente des traitements dangereux :

• Chaque affirmation de l'IA est vérifiée contre neuf sources officielles (comme les guides internationaux du cancer).
• Si l'IA parle de chirurgie, elle ne regarde que les guides de chirurgie. Si elle parle de médicaments, elle ne regarde que les guides de médicaments. C'est comme avoir six bibliothécaires spécialisés qui ne lisent que leur rayon.

5. Le Résultat : Un bouclier contre l'erreur

Le système crée une boucle de rétroaction continue :

1. L'étudiant fait une erreur dans un cas virtuel.
2. Le système crée immédiatement une petite carte de révision pour corriger cette erreur précise.
3. Si l'étudiant a du mal sur un sujet, le système lui propose un nouveau cas pratique pour s'entraîner.
4. Tout est enregistré pour suivre sa progression vers l'expertise.

En résumé

Onco-Shikshak est comme un simulateur de vol ultra-réaliste pour les médecins oncologues. Au lieu de lire un manuel poussiéreux, ils s'entraînent dans un environnement où ils doivent prendre des décisions, débattre avec des experts virtuels, et apprendre de leurs erreurs en toute sécurité, le tout guidé par une intelligence artificielle qui connaît parfaitement la science de l'apprentissage.

C'est une façon de transformer l'apprentissage médical d'une simple accumulation de faits en une véritable maîtrise de l'art clinique.

Résumé technique

1. Problématique

L'éducation en oncologie médicale fait face à une double crise :

• Vélocité des connaissances : La connaissance oncologique évolue extrêmement rapidement (demi-vie estimée à 3,5 ans), rendant les curricula statiques (manuels, cours magistraux) obsolètes avant même leur achèvement.
• Risques des modèles de langage (LLM) : L'utilisation d'IA générative dans l'éducation médicale introduit deux dangers majeurs : les hallucinations (fabrication d'informations cliniques plausibles mais fausses) et le biais d'automatisation (les apprenants acceptent les réponses de l'IA sans effort de raisonnement critique, entravant le développement de l'expertise).

Les outils éducatifs traditionnels ne parviennent pas à suivre le rythme des mises à jour des guidelines (comme ceux du NCCN), tandis que les LLMs actuels manquent de mécanismes pédagogiques pour garantir la fidélité des apprentissages et la sécurité des patients.

2. Méthodologie et Architecture du Système

Le papier présente Onco-Shikshak V7, une plateforme d'apprentissage adaptatif « natif de l'IA » conçue comme un exosquelette cognitif clinique. L'architecture repose sur une intégration unifiée de cinq piliers scientifiques de l'apprentissage, implémentés via une stack technique moderne (Next.js 16, React 19, Prisma, Gemini 2.5-Flash).

A. Architecture Cognitive Unifiée

Le système intègre cinq cadres théoriques majeurs dans un seul moteur pédagogique :

1. ACT-R (Théorie de l'activation cognitive) : Modélise les « scripts de maladie » (illness scripts) avec une dynamique d'activation de base et une activation de propagation pour simuler la récupération de la mémoire à long terme.
2. IRT (Théorie de la réponse à l'item) : Utilise le modèle de Rasch pour estimer en temps réel la capacité latente ($\theta$) de l'apprenant par domaine de connaissances, permettant un ajustement dynamique de la difficulté.
3. FSRS (Free Spaced Repetition Scheduler v4) : Remplace les algorithmes SM-2 pour optimiser la répétition espacée, modélisant la stabilité, la difficulté et la récupérabilité des cartes de révision.
4. ZPD (Zone de Développement Proximal) : Adapte le niveau d'étayage (scaffolding) en fonction de la capacité estimée de l'apprenant, passant de l'instruction directe aux défis complexes.
5. Métacognition : Entraîne la calibration de la confiance via le score de Brier et la détection de schémas d'erreurs.

B. Flux de Travail Clinique et Agents Multiples

Au lieu de modules isolés, le système simule quatre flux de travail cliniques authentiques :

• Rapport de matinée (Morning Report) : Présentation de cas avec révélation progressive des données.
• Réunion de concertation pluridisciplinaire (Tumor Board) : Le cœur du système. Six agents IA spécialisés (Oncologie médicale, Radiothérapie, Chirurgie, Anatomopathologie, Radiologie, Navigation oncologique) débattent d'un cas. Chaque agent est ancré dans ses propres sources de guidelines via un système RAG (Retrieval-Augmented Generation) par agent (ex: l'agent pathologie interroge uniquement CAP et ClinVar). Cela force l'apprenant à synthétiser des points de vue divergents (conflits cognitifs).
• Journée de clinique (Clinic Day) : Gestion simultanée de plusieurs patients avec interruptions aléatoires.
• Manuel IA dynamique : Génération de chapitres de manuel adaptés au niveau de l'apprenant et ancrés dans les guidelines.

C. Boucles de Rétroaction Fermées

Le système implémente quatre boucles de rétroaction automatisées :

1. Erreur $\rightarrow$ Carte : Une erreur dans une session génère automatiquement une carte flash ciblée.
2. Faiblesse $\rightarrow$ Cas : Des performances médiocres répétées dans un domaine déclenchent la suggestion d'un cas clinique spécifique.
3. Texte $\rightarrow$ Cas : Les chapitres du manuel sont liés à des cas pratiques.
4. Interaction $\rightarrow$ Profil : Toutes les interactions mettent à jour un modèle d'apprenant persistant et les cartes de compétences.

3. Contributions Clés

• Première architecture unifiée : C'est le premier système à intégrer simultanément ACT-R, IRT, FSRS, ZPD et la calibration métacognitive dans une plateforme d'éducation médicale.
• Délibération multi-agents avec RAG spécialisé : Simulation d'un conseil de tumeur où six agents IA, chacun ancré dans des sources de guidelines spécifiques (NCCN, ESMO, ASTRO, etc.), génèrent des désaccords cliniques réalistes pour forcer le raisonnement de haut niveau.
• Cartographie des compétences ACGME : Chaque interaction est mappée sur 13 jalons (milestones) de l'ACGME (Accreditation Council for Graduate Medical Education) et 5 activités professionnelles entrustables (EPAs), permettant un suivi formel des compétences.
• Bibliothèque de cas structurée : 18 cas cliniques couvrant 6 types de cancers (NSCLC, sein, colorectal, prostate, lymphome, leucémie) avec des arbres de décision à embranchement convergent (les choix sous-optimaux mènent à des moments d'apprentissage plutôt qu'à des impasses).
• Réduction des hallucinations : L'utilisation de RAG ancré sur 9 sources de guidelines autoritaires et l'extraction automatique de citations garantissent que chaque affirmation générée est traçable.

4. Résultats et Validation Technique

Bien qu'une évaluation par essai contrôlé randomisé (ECR) avec des apprenants humains soit prévue pour l'avenir, l'article présente une validation technique rigoureuse de huit sous-systèmes :

• Fidélité du RAG : Vérification que les citations correspondent aux documents sources.
• Correction du FSRS : Les courbes de récupérabilité suivent la loi de puissance attendue.
• Convergence de l'IRT : Les estimations de capacité ($\theta$) convergent après 20 interactions.
• Dynamique ACT-R : La propagation de l'activation entre les scripts de maladies associés (ex: NSCLC-EGFR vers NSCLC-ALK) fonctionne correctement.
• Isolation des agents : Confirmation que chaque agent interroge uniquement ses sources désignées (pas de contamination croisée).
• Calibration métacognitive : Calcul correct du score de Brier pour détecter la surconfiance ou la sous-confiance.
• Couverture des jalons ACGME : Mapping correct de tous les types d'interactions vers les codes de compétences.

5. Signification et Impact

Onco-Shikshak V7 représente un changement de paradigme dans l'éducation médicale oncologique :

• Passage de la transmission statique à l'apprentissage situé : L'apprentissage est intégré dans des contextes cliniques réalistes plutôt que dans des modules théoriques déconnectés.
• Sécurité et Fiabilité : En combinant l'ancrage dans les guidelines (RAG) et la friction cognitive désirable (questions socratiques, demande de justification), le système atténue les risques d'hallucination et de biais d'automatisation des LLM.
• Évaluation continue et personnalisée : L'approche adaptative permet de cibler précisément les lacunes de chaque apprenant et de suivre son évolution vers l'expertise, alignée sur les standards de certification (ACGME).
• Open Source : Le code source, la bibliothèque de cas et le schéma de données sont disponibles publiquement, favorisant la reproductibilité et l'adoption par la communauté médicale.

En conclusion, ce travail propose non seulement un outil technologique avancé, mais aussi un cadre théorique robuste pour l'avenir de l'éducation médicale assistée par l'IA, en démontrant comment l'intégration de la science de l'apprentissage peut transformer les risques des LLM en opportunités pédagogiques puissantes.