Aprendizaje asistido en medicina

Ackground and Rationale: La enseñanza efectiva de la medicina interna, una piedra angular de la educación médica de pregrado, presenta desafíos pedagógicos significativos debido a la amplitud y la complejidad del tema y las grandes cohortes de estudiantes típicamente matriculadas en los principales centros médicos académicos. Si bien los métodos tradicionales como las conferencias y las lecturas de libros de texto son esenciales, existe una necesidad reconocida de enfoques innovadores que puedan apoyar mejor el desarrollo del razonamiento clínico, facilitar la participación más profunda con el material de casos complejos y ofrecer oportunidades de aprendizaje más personalizadas a escala. La inteligencia artificial (IA), particularmente los modelos de lenguaje grande avanzados (LLM) capacitados en conocimiento específico de dominio, posee un potencial considerable como tecnología educativa para abordar estas necesidades. MetaGP-EDU, un modelo de base generativo patentado, ajustado específicamente para la educación médica utilizando conjuntos de datos pedagógicos, se desarrolló para explorar este potencial al servir como un recurso de aprendizaje complementario. Evaluar el impacto del mundo real de integrar tales herramientas en planes de estudio establecidos es crucial para la práctica educativa basada en evidencia.

Objetivos: El objetivo principal de este estudio es evaluar retrospectivamente la asociación entre la disponibilidad de la herramienta MetAgP-EDU AI como un recurso de aprendizaje complementario y el rendimiento académico general de los estudiantes en el plan de estudios de medicina interna central.

Diseño del estudio: esta investigación emplea un diseño de estudio de cohorte retrospectivo de múltiples centros. Se analizarán los datos académicos recopilados rutinariamente de varias escuelas de medicina importantes en China durante múltiples años académicos consecutivos. Este enfoque permite la comparación de cohortes de estudiantes en función de su exposición histórica a diferentes entornos de recursos educativos (con acceso a MetAgp-EDU) dentro de entornos académicos del mundo real.

Configuración y participantes: el estudio abarca datos de estudiantes de medicina de pregrado inscritos en el curso obligatorio de medicina interna en varias instituciones médicas grandes y académicamente afiliadas en China. Los participantes incluyen estudiantes que completaron el curso en un lapso de años académicos que cubren el período anterior y después de la introducción de MetAgP-EDU (aproximadamente otoño de 2022). La inclusión se basa en la disponibilidad de registros académicos completos para el curso de medicina interna durante el período de estudio especificado.

Exposición/intervención y comparador: el estudio compara dos cohortes principales definidas por el momento de la disponibilidad de MetAgP-EDU:

Cohorte de comparación (pre-MetAgp-EDU): estudiantes que completaron el curso de medicina interna en los años académicos antes de la introducción de MetAGP-EDU. Estos estudiantes utilizaron los métodos de enseñanza tradicionales establecidos de las instituciones (por ejemplo, conferencias, tutoriales, discusiones de casos estándar, tareas de libros de texto) sin acceso a la herramienta MetAgP-EDU.

Cohorte de exposición (post-MetaGP-EDU): estudiantes que completaron el curso de medicina interna en los años académicos después de la introducción de MetAgp-EDU. Estos estudiantes participaron en los mismos componentes del plan de estudios tradicional básico, pero también tuvieron acceso a MetAgP-EDU a través de plataformas institucionales como un recurso suplementario y opcional para el aprendizaje autodirigido, la exploración de casos y el soporte de consultas clínicas.

Medidas de resultado: La medida de resultado primaria es el rendimiento académico general en el curso de medicina interna, típicamente representada por el puntaje final del curso numérico (por ejemplo, en una escala de 0-100) como se documenta en los registros universitarios oficiales. Las covariables clave, incluidas las medidas de logro académico basal (por ejemplo, GPA acumulativo previo o equivalente), factores demográficos (por ejemplo, sexo) y sitio institucional, se extraerán de datos administrativos para permitir un ajuste estadístico.