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

Dit artikel introduceert Onco-Shikshak V7, een AI-natief adaptief leersysteem voor medische oncologie dat hallucinaties en automatiseringsbias aanpakt door een cognitieve architectuur te integreren die zes specialistische AI-agenten, zes klinische workflows en leertheoretische principes zoals ACT-R en IRT verenigt om de educatie te personaliseren en te koppelen aan ACGME-mijlpalen.

De kern

Stel je voor dat het leren van kankerbehandeling (oncologie) niet lijkt op het lezen van een statische, saaie leerboek, maar meer op het spelen van een extreem realistische, levende videogame waarin je de hoofdrol speelt als arts.

Dit is wat "Onco-Shikshak" doet. Het is een slimme, AI-gestuurde leeromgeving die speciaal is ontworpen om toekomstige kankerartsen voor te bereiden op een wereld waar kennis elke dag verandert.

Hier is de uitleg in gewone taal, met een paar creatieve vergelijkingen:

1. Het Probleem: Een rennende renbaan

Kankeronderzoek verandert razendsnel. Wat je vandaag leert, kan over twee jaar alweer verouderd zijn. Normale leerboeken zijn als een fotoboek: ze zijn statisch en worden snel verouderd. En gewone AI-chatbots? Die zijn soms als een overmoedige butler die alles weet, maar soms ook dingen uit zijn duim zuigt (hallucinaties) of je het denken uit handen neemt, waardoor je zelf nooit echt leert.

2. De Oplossing: Een "Cognitieve Exoskelet"

Onco-Shikshak is geen simpele app; het is een "cognitief exoskelet". Denk hierbij aan een pak van Iron Man dat je hersenen helpt. Het helpt je niet alleen om informatie te onthouden, maar het bouwt je denkvermogen op, net zoals een personal trainer je spieren opbouwt.

Het systeem gebruikt vier echte werksituaties uit het ziekenhuis om te leren:

• De ochtendrapportage: Je presenteert een patiënt aan een AI-arts.
• De tumorraad: Een vergadering waar verschillende specialisten (chirurgen, stralingsspecialisten, pathologen) met elkaar discussiëren.
• De polikliniek: Je moet meerdere patiënten tegelijk managen.
• Het AI-leerboek: Een boek dat zich aanpast aan jouw niveau.

3. De "Gouden Regel": Leer door te worstelen

Het systeem gelooft in "leuke moeilijkheden". Als het te makkelijk is, leer je niets. Als het te moeilijk is, geef je op.

• De Analogie: Stel je voor dat je gewichtheft. Als je een gewicht kiest dat te licht is, word je niet sterker. Als het te zwaar is, kun je het niet tillen. Onco-Shikshak is als een slimme trainer die precies het juiste gewicht kiest: net iets zwaarder dan wat je nu kunt, zodat je net dat beetje extra kracht moet zetten. Dit heet de "Zone van Proximale Ontwikkeling".

4. De Slimme Trucs (De Motor onder de Motorkap)

Het systeem gebruikt verschillende wetenschappelijke methoden die als gereedschappen in een gereedschapskist werken:

• De "Illness Scripts" (Het Geheugen van de Expert):
  Experts in de geneeskunde denken niet in losse feiten, maar in "verhaallijnen" (scripts). Als ze een patiënt zien met hoesten en hoofdpijn, denken ze direct: "Longkanker met uitzaaiingen in de hersenen." Onco-Shikshak helpt je deze verhaallijnen te bouwen en te onthouden, zodat je ze later snel kunt ophalen.
• De "Slimme Herhaling" (FSRS):
  We vergeten dingen snel. Dit systeem weet precies wanneer je een feitje weer moet oefenen: net op het moment dat je het bijna vergeet. Het is alsof je een slimme herinnerings-app hebt die zegt: "Hey, je moet dit nu oefenen, anders ben je het morgen kwijt," maar dan op een manier die je hersenen optimaal gebruiken.
• De "Meerdere AI-Experts" (Het Tumorpanel):
  In plaats van één AI, heb je er zes. Een chirurg, een stralingsspecialist, een patholoog, enzovoort. Ze hebben elk hun eigen "bijbel" (medische richtlijnen) waar ze uit putten.
  • De Twist: Ze zijn het niet altijd met elkaar eens. De chirurg wil misschien opereren, maar de stralingsspecialist zegt: "Nee, eerst stralen." Jij als leerling moet deze meningen horen, wegen en een besluit nemen. Dit dwingt je om na te denken in plaats van alleen een antwoord te kopiëren.
• De "Spiegel" (Metacognitie):
  Het systeem vraagt je niet alleen wat je denkt, maar ook hoe zeker je bent. Als je zegt "Ik weet het zeker" en je hebt het fout, zegt het systeem: "Hé, je was te zelfverzekerd." Dit helpt je om je eigen denkproces te controleren, een vaardigheid die echte experts hebben.

5. De Feedback-Lus: Geen fouten worden verspild

Dit is misschien wel het coolste deel. Als je een fout maakt, gebeurt er een kettingreactie:

1. Je maakt een fout in een casus (bijvoorbeeld: je vergeet een MRI-scan te bestellen).
2. Het systeem maakt er direct een flitskaartje van om dit te oefenen.
3. Als je dit type fout vaak maakt, suggereert het systeem een nieuwe, moeilijker casus om dit specifiek te oefenen.
4. Alles wordt opgeslagen in je persoonlijke leerprofiel, zodat het systeem precies weet waar je sterk en zwak bent.

Samenvattend

Onco-Shikshak is als een virtuele leermeester die nooit moe wordt, nooit verveelt en precies weet hoe jij leert. Het combineert de beste wetenschappelijke methoden voor leren met de kracht van moderne AI, maar dan met een veiligheidsnet: het zorgt ervoor dat je zelf nadenkt, fouten maakt (en er van leert), en voorbereid bent op de echte, chaotische wereld van de kankerzorg.

Het doel is niet om je een antwoord te geven, maar om je te leren hoe je het juiste antwoord zelf vindt, zelfs als de wereld om je heen verandert.

Technische samenvatting

Titel

Onco-Shikshak V7: Een AI-natief adaptief leerecosysteem voor medische oncologie-educatie.

1. Het Probleem

Medische oncologie staat voor een dubbele crisis:

1. Snelheid van kennis: De kennishalfwaardetijd voor oncologen wordt geschat op slechts 3,5 jaar door de snelle evolutie van moleculaire subtypes en frequent bijgewerkte richtlijnen (bijv. NCCN). Traditionele leermiddelen (statische handboeken, colleges) kunnen hier niet mee bijbenen.
2. Risico's van AI (LLM's): Hoewel Large Language Models (LLM's) krachtige generatieve capaciteiten bieden, brengen ze twee kritieke risico's met zich mee voor medisch onderwijs:
   • Hallucinaties: Het genereren van plausibele maar onjuiste klinische informatie.
   • Automatiseringsbias: Leerlingen accepteren AI-antwoorden kritiekloos, waardoor het noodzakelijke inspannende redeneringsproces voor het opbouwen van expertise wordt omzeild.

2. Methodologie en Architectuur

Onco-Shikshak V7 is ontworpen als een "klinisch brein-exoskelet" dat educatie transformeert van statische informatielevering naar dynamische klinische apprenticeship. Het systeem integreert zes cognitieve wetenschappelijke frameworks in één architectuur:

A. Kernarchitectuur (Tech Stack)

• Backend/Frontend: Gebouwd met Next.js 16, React 19, en Prisma ORM (SQLite/PostgreSQL).
• AI-Engine: Gemini 2.5-Flash als inferentie-engine.
• Data: 27 Prisma-modellen voor authenticatie, leerlingmodelleren, sessiebeheer, casusbibliotheken en analytics.

B. Pedagogische Engine (9 Modules)
Het systeem combineert de volgende theorieën:

1. ACT-R (Illness Scripts): Modellering van diagnostische kennis als gestructureerde mentale modellen met activatie-dynamiek (basisactivatie en verspreide activatie). Scripts evolueren van 'novice' naar 'compiled' status.
2. Item Response Theory (IRT): Gebruik van het Rasch-model om de latente vaardigheid ($\theta$) van de leerling en de moeilijkheidsgraad ($\beta$) van items continu te schatten.
3. FSRS (Free Spaced Repetition Scheduler): Vervanging van SM-2 door FSRS v4 voor optimale herhalingsschema's, gebaseerd op stabiliteit, moeilijkheid en herhaalbaarheid.
4. Zone of Proximal Development (ZPD): Adaptieve scaffolding die de moeilijkheidsgraad aanpast aan het niveau van de leerling (van volledige instructie tot uitdaging).
5. Metacognitie: Training van zelfmonitoring via Brier-scores (kalibratie van vertrouwen vs. juistheid) en patroonherkenning van fouten.
6. Klinisch Redeneren: Een zesfasen-framework (Probleemrepresentatie tot Management-rechtvaardiging) dat direct gekoppeld is aan ACGME-mijlpalen.

C. Multi-Agent Systeem
Het systeem gebruikt zes gespecialiseerde AI-agenten die elk een specifiek klinisch perspectief vertegenwoordigen (Medische Oncologie, Stralingsoncologie, Chirurgische Oncologie, Pathologie, Radiologie, Oncologie-navigatie).

• Per-agent RAG (Retrieval-Augmented Generation): Elke agent queryt uitsluitend zijn eigen toegewezen autoritaire bronnen (bijv. Pathologie-agenten gebruiken CAP en ClinVar; Stralingsoncologie gebruikt ASTRO).
• Cognitieve Conflict: Agenten kunnen echte klinische meningsverschillen uitdrukken (bijv. chirurgie vs. chemoradiotherapie), waardoor de leerling gedwongen wordt om bewijs te synthetiseren en een oordeel te vellen.

D. Werkstromen
In plaats van losse modules biedt het systeem vijf geïntegreerde klinische workflows:

1. Morning Report: Progressieve data-revelatie met adaptieve moeilijkheidsgraad.
2. Tumor Board: Multidisciplinaire bespreking met de zes agenten.
3. Clinic Day: Beheer van meerdere patiënten met tijdsdruk en onverwachte interrupties.
4. AI Textbook: Dynamisch gegenereerde hoofdstukken met inline citaten.
5. Spaced Repetition 2.0: Geïntegreerde flashcards.

3. Belangrijkste Bijdragen

1. Unificatie van Cognitieve Architecturen: Dit is het eerste systeem dat ACT-R, IRT, FSRS, ZPD en metacognitieve kalibratie in één coherent platform integreert.
2. Multi-agent Deliberatie met Gespecialiseerde RAG: Een tumorboard-simulatie waarbij elke specialist gebaseerd is op eigen richtlijnen, wat echte klinische discussies mogelijk maakt.
3. Gesloten Lus Feedback Architectuur: Vier feedbackloops zorgen ervoor dat geen enkele fout verloren gaat:
   • Fout $\rightarrow$ Gerichte flashcard.
   • Zwak domein $\rightarrow$ Suggestie voor klinische casus.
   • Tekst $\rightarrow$ Gerelateerde casus.
   • Alle interacties $\rightarrow$ Persistent leerlingprofiel.
4. ACGME-georiënteerde Evaluatie: Elke interactie wordt gekoppeld aan 13 specifieke ACGME-mijlpalen en 5 Entrustable Professional Activities (EPAs).
5. Gedetailleerde Casusbibliotheek: 18 klinische casussen over 6 kankertypen met besluitbomen die zijn gebaseerd op NCCN-richtlijnen (categorie 1–2A).

4. Resultaten en Validatie

Het paper rapporteert technische validatie van acht subsystemen (geen klinische studie met studenten is nog uitgevoerd):

• RAG Gronding: Citaten zijn traceerbaar naar bronnen (NCCN, ESMO, ASTRO, etc.).
• FSRS Correctheid: De planning volgt de verwachte power-law decay-curves.
• IRT Convergentie: Vaardigheidsschattingen ($\theta$) convergeren binnen ±0,5 standaardfout na 20 interacties.
• ACT-R Dynamiek: Activatiepatronen volgen de logaritmische sommatieformules correct.
• Multi-agent Isolatie: Geen kruisbesmetting; pathologie-agenten ontvangen geen stralingsoncologie-inhoud.
• Metacognitie: Brier-scores worden correct berekend en classificeren over/ondervertrouwen.
• Mijlpaal Mapping: Alle interactietypen worden correct gekoppeld aan ACGME-mijlpalen.

5. Betekenis en Toekomstperspectief

Onco-Shikshak V7 vertegenwoordigt een paradigmaschift in medisch onderwijs door AI niet alleen als informatiedrager, maar als een cognitieve partner te gebruiken die is gebaseerd op leerwetenschap.

• Significantie: Het adresseert de uitdagingen van kennisversnelling en AI-risico's door "wenselijke wrijving" (desirable friction) in te bouwen die kritisch denken stimuleert in plaats van passief accepteren.
• Beperkingen: Het systeem is nog niet formeel geëvalueerd bij medische trainees (een RCT is gepland), en de IRT-parameters zijn nog niet op een oncologie-populatie gekalibreerd.
• Toekomst: Geplande uitbreidingen omvatten een "On-Call" module voor noodgevallen, longitudinale casusketens (ziekterevolentie), en integratie met Learning Management Systems (LMS).

Het systeem is beschikbaar als open-source software en biedt een nieuw raamwerk voor hoe AI-gedreven educatie kan worden ontworpen om niet alleen kennis te overdragen, maar ook klinisch redeneervermogen en zelfreflectie te ontwikkelen.