Are AI knowledge and educational expectations homogeneous across clinical training stages and intended specialties?

Resumo Técnico: Conhecimento de IA e Expectativas Educacionais Através de Estágios de Treinamento Clínico e Especialidades

Problema
A inteligência artificial (IA) está remodelando cada vez mais a assistência médica e a educação médica, tornando necessário que os futuros médicos possuam competências em alfabetização de dados, avaliação crítica de algoritmos e aplicação ética. No entanto, os currículos atuais de graduação em medicina carecem de um framework amplamente adotado para o ensino de IA, deixando incerto se o conhecimento de IA e as expectativas educacionais evoluem naturalmente através do treinamento clínico ou se variam com base na especialidade pretendida pelo estudante. A literatura prévia sugere uma lacuna entre o entusiasmo dos estudantes pela IA e seu conhecimento conceitual real, mas permanece insuficientemente explorado se a senioridade clínica ou a orientação de especialidade (especificamente o interesse em campos intensivos em imagens ou dados) correlaciona-se com um melhor conhecimento de IA ou com necessidades educacionais distintas.

Metodologia
Este estudo é uma análise secundária de um levantamento online transversal nacional conduzido entre estudantes de medicina franceses em seus quartos ao sextos anos de estudo (DFASM1, DFASM2 e DFASM3), correspondentes ao período de internato clínico. A amostra analítica compreendeu 1.342 estudantes.

• Variáveis:
  • Variáveis Explicativas: Estágio de treinamento clínico (ano de estudo) e orientação de especialidade futura preferida. A orientação de especialidade foi categorizada amplamente, com foco específico em "especialidades intensivas em imagem ou dados" (incluindo radiologia, dermatologia, oftalmologia, patologia, medicina nuclear, cardiologia, genética e saúde pública).
  • Desfecho Primário: Conhecimento conceitual de IA, avaliado via uma definição de texto livre de IA. As definições foram categorizadas como desconhecida, incorreta, parcialmente correta ou correta. O "conhecimento adequado de IA" foi definido como fornecer uma definição parcialmente correta ou correta.
  • Desfechos Secundários: Atitudes relacionadas à IA (medidas em escalas de 0–10 quanto ao otimismo, preocupação, necessidade percebida de treinamento, etc.) e expectativas educacionais (integração curricular preferida, objetivos de aprendizagem e formatos de ensino).
• Análise Estatística: Variáveis categóricas foram comparadas usando testes de qui-quadrado ou exato de Fisher; escalas de classificação numérica foram analisadas usando testes de Kruskal–Wallis. Modelos de regressão logística e linear foram empregados para explorar associações, ajustando por idade, classificação de classe e aspirações de carreira. Tamanhos de efeito foram relatados (Cramer's V e epsilon-squared), e a correção da taxa de falsa descoberta foi aplicada para análises exploratórias específicas de especialidade.

Principais Resultados

1. Conhecimento de IA e Senioridade Clínica: Não houve associação significativa entre o estágio de treinamento clínico e o conhecimento de IA. A proporção de estudantes fornecendo uma definição adequada de IA permaneceu estável em todos os anos: 37,6% em DFASM1, 37,4% em DFASM2 e 39,6% em DFASM3 ($P=.82$). Definições incorretas foram a categoria mais frequente em todos os grupos (~56–58%), enquanto definições corretas permaneceram raras (3,3%–6,1%).
2. Atitudes e Senioridade: Os escores de atitude foram amplamente semelhantes entre os estágios de treinamento. A única diferença estatisticamente significativa foi uma diminuição negligível no otimismo em relação à IA entre os estudantes do último ano, com um tamanho de efeito muito pequeno.
3. Orientação de Especialidade e Conhecimento: O interesse em especialidades intensivas em imagem ou dados não foi associado a um melhor conhecimento de IA. A taxa de conhecimento adequado foi quase idêntica entre estudantes interessados nessas especialidades (37,7%) e aqueles com outros interesses (37,9%) ($P=.93$).
4. Orientação de Especialidade e Expectativas Educacionais: Apesar de níveis de conhecimento semelhantes, estudantes interessados em especialidades intensivas em imagem ou dados relataram uma necessidade percebida significativamente maior de aprender o básico de IA (diferença média ajustada de +0,39 pontos) e uma preocupação ligeiramente maior quanto ao papel da IA (diferença média ajustada de +0,30 pontos). Este grupo também mostrou uma maior preferência por objetivos de aprendizagem avançados, como a compreensão de processos tecnológicos subjacentes e a comunicação com engenheiros, e um maior interesse em buscar formação de nível de Mestrado ou Doutorado.

Significância e Alegações
Os autores concluem que o conhecimento de IA não melhora passivamente durante o treinamento clínico; a progressão do quarto para o sexto ano da faculdade de medicina não leva inerentemente a uma melhor compreensão conceitual de IA. Consequentemente, confiar apenas na exposição clínica é insuficiente para desenvolver competências em IA.

O estudo apoia a implementação de educação explícita em IA dentro dos currículos de graduação médica. Os autores propõem um modelo educacional híbrido:

• Um currículo fundamental comum para todos os estudantes, cobrindo conceitos básicos de IA, avaliação crítica e questões éticas/regulatórias.
• Módulos opcionais orientados pela especialidade, adaptados para estudantes em campos intensivos em imagem ou dados que demonstram uma maior necessidade percebida de compreensão técnica avançada e habilidades de colaboração interdisciplinar.

O artigo enfatiza que, embora as percepções dos estudantes sobre a IA possam ser influenciadas pelo seu contexto profissional antecipado (interesse de especialidade) em vez da sua exposição educacional, os currículos atuais falham em alinhar a provisão educacional com essas necessidades percebidas. Os achados defendem o design da educação em IA como um componente intencional e estruturado do ensino superior profissional, em vez de depender de exposição informal ou autodirigida.