AI-enhanced case-based learning for clinical reasoning in pathophysiology: A sequential cohort study

医学はしばしば、身体がどのように水を扱うか、低酸素にどう反応するか、あるいは血液がどのように凝固するかといった、バラバラな事実の集まりとして教えられます。学生にとって、これらのトピックは、決して組み合わさることのない、散らばったパズルのピースのように感じられることがあります。医師を育成する上での真の課題は、単にこれらのピースを暗記することではなく、それらを一つの動的な、病める患者の全体像へと編み上げていく方法を学ぶことです。基礎科学と、病院の診察室という混沌とした現実との間にある溝を埋めるこのプロセスは、「臨床推論」と呼ばれます。それは、混乱した症状を持つ人物を見て、その体の中で何が起きているのかを見極める能力のことです。伝統的に、教師たちはこのスキルを練習するために、「ケース（症例）」と呼ばれる患者に関する記述された物語を用いてきました。しかし、これらの物語は静的なものであり、変化することもなく、学生が行き詰まったときに即座に助けを与えてくれることもありません。人工知能が日常生活において一般的になる中で、中国の研究チームは、シンプルながらも深遠な問いを投げかけました。「スマートなコンピュータシステムは、従来の教室での学習よりも、学生が医師のように考えることをより良く助けることができるだろうか？」

南昌大学を拠点とする研究者たちは、病理生理学（疾患が身体の正常な機能にどのように変化をもたらすかを研究する学問）という難しい主題を教えるための、新しい方法をテストすることに乗り出しました。彼らは、革新的なトレーニングプログラムに参加している2つの医学部グループと協力しました。第1のグループ（2022年度）は、標準的な方法を用いて学習しました。彼らは静的な患者の物語を読み、教員と共にクラスで議論を行いました。第2のグループ（2023年度）は、人工知能を活用した新しいシステムを使用しました。このシステムは、単に答えを与えるだけでなく、学生が必要とするものに応じてアプローチを変える、パーソナルチューター（個人指導者）のように機能しました。その目的は、この知的な支援が、事実の暗記と、複雑な医学的問題の解決との間の溝を埋められるかどうかを確認することでした。

新しいシステムは、学生を初心者からより高度な思考者へと導くために設計された、3つの明確なステップに基づいて構築されました。まず、学生は構造化されたケースに取り組み、インスリンの不足がいかに危険な血糖値の変化を招くかといった、疾患を引き起こす基本的な一連のイベントをマッピングしなければなりませんでした。コンピュータは、彼らがこれらの基礎をマスターするための個別化されたリソースを提供しました。次に、学生は、ショック状態にあるように見えながらも血液マーカーは正常であるといった、情報が混乱していたり矛盾していたりする、より困難なケースに直面しました。ここでは、人工知能はディスカッション・パートナーとして機能し、混乱している部分を指摘したり、学生がより深く考えるよう促すための質問を投げかけたりしました。最後に、学生は複雑で、答えが一つではない状況に対して、独自の治療計画を策定しなければなりませんでした。コンピュータは彼らのアイデアを評価し、その論理が筋道を通っているか、優れた根拠を用いているか、そして倫理的な問題を考慮しているかをチェックし、改善のための即時のフィードバックを与えました。

研究者がこれら2つのグループを比較したとき、結果は明白でした。人工知能システムを使用した学生は、伝統的な方法を用いた学生よりも、期末試験で高いスコアを獲得しました。新しいグループの平均スコアは88.59であったのに対し、伝統的なグループは83.14でした。テストのスコア以上に、新しいシステムを使用した学生は、疾患がどのように機能するのか、そしてその知識をどのように実際の患者に適用するかという能力について、より自信を感じていると報告しました。約85パーセントの学生が、この新しい教育モデルに満足していると述べ、ほぼ全員が仲間にも推奨したいと答えました。彼らは、このシステムが身体の異なる部分同士を点と線で結びつける助けとなり、自律的に学ぶ能力を向上させたと感じていました。

しかし、この研究は重要な警告も明らかにしました。学生たちはテクノロジーが有用であると感じていた一方で、約44パーセントが、時としてそれに頼りすぎてしまうことがあると認めました。彼らは、あらゆる答えをコンピュータに頼ってしまうと、自ら深く考えることを止めてしまうのではないかと懸念していました。一部の学生は、全く新しい問題や、答えが決まっていない問題に直面した際、コンピュータの提案が硬直的であったり、あまりに標準的すぎたりすることがあり、それが独創的な解決策を生み出すことを妨げる可能性があると指摘しました。研究者たちは、テクノロジーは学習を効率化するものの、学生が受動的にならないようにするためには慎重な管理が必要であることを見出しました。最も成功したアプローチは、コンピュータが情報の処理やフィードバックといった重労働を担い、一方で人間の教師が、困難な対話を導き、学生の批判的思考を鋭いままに保つ役割を担うというものでした。

この研究は、人工知能が医学教育における強力なツールになり得ることを示唆していますが、それは人間の判断力を置き換える魔法の解決策ではありません。最良の結果は、テクノロジーが構造化された学習計画をサポートし、学生が圧倒されることなく、単純な事実から複雑な推論へと移行できるよう活用されたときに得られました。研究者たちは、このようなシステムが長期的に機能するためには、学生たちがこれらのツールを賢明に使用する方法、つまり、いつコンピュータの提案を受け入れ、いつ自分自身の分析を信じるべきかを知る方法を教えられなければならないと結論付けました。このバランスを見出すことで、医科大学はテクノロジーを利用して、知識があるだけでなく、不確実性に直面しても深く独立した思考ができる医師を育成することができるのです。