LLM urodynaamisessa koulutuksessa

Urodynaaminen testaus, mukaan lukien tsystometria, painevirtatutkimukset ja elektromyografia, edustaa kultaista standardia ala-urinatiepatojen objektiiviseen arviointiin. Huolimatta sen kliinisestä merkityksestä, urodynaaminen tulkinta vaatii edistyneitä analyyttisiä taitoja, mukaan lukien rakkopaineen, vatsapaineen ja detrusoripaineen samanaikainen arviointi, teknisten artefaktien tunnistaminen ja vakiintuneiden nomogrammien soveltaminen. Tämän seurauksena urodynaamisen tulkinnan hallinta urologian erikoislääkärikoulutuksen aikana on edelleen haastavaa ja riippuu suuresti vaihtelevasta tapauskokemuksesta ja opettajien saatavuudesta.

Tämä prospektiivinen, yksikeskuksinen koulutustutkimus on suunniteltu arvioimaan suuren kielimallin (LLM) tehokkuutta interaktiivisena koulutustutorina parantamaan urologian erikoislääkäriopiskelijoiden urodynaamisen tulkinnan taitoja ja oppimiskäyrää. Tutkimuksen tavoitteena on selvittää, voiko strukturoitu, tekoälyn avustama mentorointi tarjota standardoidun ja skaalautuvan vaihtoehdon perinteiselle oppisopimuskoulutukselle.

Kelpoiset osallistujat sisältävät urologian erikoislääkäriopiskelijoita, joilla ei ole aiempaa virallista urodynaamisen kurssin sertifikaattia. Koulutusinterventio hyödyntää kuraattorikirjastoa, joka sisältää 45 täysin anonymisoitua urodynaamista käyrää, jotka on suoritettu kansainvälisten yhteisöjen standardien mukaisesti. Nämä tapaukset edustavat tasapainoista kirjoa normaaleista löydöksistä ja yleisistä urodynaamisista diagnooseista, mukaan lukien virtsarakon ulostulotukos, detrusoriyliaktiivisuus ja heikentynyt virtsarakon sopeutuvuus. Kaikki tapaukset on validoitu kokeneiden urologien toimesta ennen sisällyttämistä.

Koulutusprotokolla koostuu peräkkäisistä vaiheista: perustason arviointi (esitesti), strukturoitu teoreettinen opetus LLM-pohjaisen tutorointirajapinnan kautta, valvottu tapausanalyysi artefaktien tunnistamisella, interaktiivinen mentoroidun tulkinnan harjoittelu, väliarviointi (keskitesti), vahvistaminen itsenäisen tulkinnan kautta, jota seuraa tekoälyn ohjaama jälkipuheenvuoro, ja lopullinen jälkitestiarviointi. Tapausten vaikeusaste arviointivaiheissa tasapainotetaan käyttäen kerroksittaista satunnaistusmenetelmää varmistaakseen vastaavan teknisen monimutkaisuuden.

Osallistujan suorituskyky arvioidaan käyttäen ennalta määriteltyä 16-kohdettaista objektiivista pisteytysjärjestelmää, joka arvioi teknisen pätevyyden, numeeristen parametrien tulkintaa ja diagnoosien synteesiä. Kaikki arvioinnit tarkistetaan itsenäisesti kahden sokkoutetun urologin toimesta, ja erimielisyyksien tapauksessa kolmas asiantuntija toimii ratkaisijana. Tulkinnan tarkkuuden muutokset ajan myötä käytetään oppimiskäyrän mittaamiseen, joka liittyy LLM-avusteiseen koulutukseen.

Kaikki urodynaamiset tiedot anonymisoidaan täysin ennen käyttöä, eikä potilasta tunnistavaa tietoa jaeta. Osallistuminen on vapaaehtoista, ja kaikilta erikoislääkäriopiskelijoilta saadaan kirjallinen tietoon perustuva suostumus. Tutkimus suoritetaan instituution eettisten standardien mukaisesti ja sen tavoitteena on tarjota näyttöä suurten kielimallien roolista interaktiivisina tutoreina edistyneessä lääketieteellisessä koulutuksessa.