패턴 인식 훈련의 교수 설계 내 통합 기초 과학 (AISC-ISF)

배경:

의대생과 초보 의사가 훌륭한 진단사가 되도록 보장하는 것은 의학 교육의 핵심으로 남아 있습니다. 60년 이상 동안 학자와 임상의는 가장 성공적인 진단 추론 전략에 대한 이해와 이러한 전략에서 미래의 의사를 교육하는 방법을 모색해 왔습니다. 연구에 따르면 대부분의 진단 전문가는 패턴 인식, 연역적 후방 추론(예: 잠정적 진단을 정당화하는 증상 또는 징후 검색), 귀납적 전방 추론 전략(즉 징후 및 증상을 기반으로 가장 가능성 있는 진단 분석)을 혼합하여 적용하는 것으로 나타났습니다. 숙련된 임상의는 일반적으로 패턴 인식에 더 의존하는 반면 초보 임상의는 고의적인 연역적 및 귀납적 진단 추론 전략에 더 취약하다는 것을 뒷받침하는 몇 가지 증거가 있습니다. 초보자와 달리 전문가는 일반적으로 패턴 인식을 기반으로 가장 가능성이 높은 진단을 식별하고 확인된 임시 진단을 정당화하거나 배제하기 위한 고의적이고 종종 무의식적인 연역적 추론이 뒤따릅니다. 이중 프로세스 이론은 인간의 인지를 두 가지 시스템으로 나누는 이 두 단계 추론 전략에 대한 설명을 제공합니다. 직관적인 시스템 1(패턴 인식) 및 의도적이고 분석적인 연역적/귀납적 시스템 2. 패턴 인식(시스템 1)은 즉각적이고 종종 매우 정확하며 무의식적인 휴리스틱 편향에 취약하다는 비판을 받아왔지만 아주 적은 자원을 필요로 합니다. 의도적 시스템 2 프로세스는 시스템 1 프로세스보다 느리고 훨씬 더 많은 인지 자원을 필요로 합니다. 시스템 2 프로세스는 일반적으로 무의식적 편향에 덜 취약한 것으로 간주되지만, 여러 결과는 그렇지 않다고 제안합니다. 대부분의 사람들은 가능할 때마다 효율적이고 힘들지 않은 시스템 1을 적용하고 꼭 필요한 경우에만 활성 시스템 2 프로세스를 적용하는 것을 선호합니다. 불행하게도 진단 환경에서 패턴 인식(시스템 1)은 영역별 경험에 의존하며, 따라서 진단 중에 훨씬 더 까다로운 시스템 2 작업에 의존하는 초보 의사에게는 일반적으로 사용할 수 없습니다. 여러 저자는 교육자가 정확하고 효율적이며 덜 까다로운 진단을 가능하게 하므로 가능한 경우 패턴 인식을 가르치거나 장려하는 것을 고려해야 한다고 주장합니다. 병리과, 영상의학과, 피부과 등 주로 시각처리에 의존하는 의료과목 내에서 사실적이고 광범위한 패턴인식 훈련이 가능하다. 주석이 달린 X-레이, 병리학 슬라이드 또는 피부경 이미지가 있는 대형 케이스 라이브러리를 실습에 쉽게 사용할 수 있으므로 학생들은 임상 경력을 시작하기 전에 관련 감별 진단에 대한 강력한 정신적 표상을 얻을 수 있습니다. 패턴 인식 훈련을 통해 강력한 정신적 표현의 개발을 촉진하는 방법에 대한 광범위한 문헌이 있습니다. 골절 유형, 세포 이상 및 피부 상태를 식별하는 것이 중요하지만 환자에게 올바른 치료 요법을 제공하기 위해서는 추가적인 지식 검색 및 처리가 필요합니다. 인공 지능과 훈련된 비둘기(예, 비둘기)는 이미지 진단을 매우 잘 처리하며 여러 저자가 전문 임상의와 동등한 정확도를 보고합니다. 그러나 전문 임상의와 달리 기계와 비둘기는 현재 미묘한 진단 단서에 기반한 장기 기억에서 하나 이상의 복잡한 미리 컴파일된 진단별 스크립트 또는 스키마를 검색한 다음 가장 가능성이 높은 진단 및 적절한 치료 조치에 대한 신중한 분석을 수행할 수 없습니다. . 질병 스크립트 이론은 간단한 프레임워크를 통해 이 놀라운 메모리 검색 및 처리 작업을 설명하려고 시도합니다. 질병 스크립트는 가능한 조건(즉, 인구 통계 및 병력, 결과, 즉 질병/질병의 증상 및 표현, 결함, 즉 결과 및 가능 조건에 대한 생의학적 설명)을 포함하는 질병 또는 질병의 정신적 표현 또는 도식으로 정의됩니다. . 숙련된 의사가 조건, 결과 및 결함을 활성화하는 특정 패턴을 인식하면 장기 기억에서 하나 이상의 질병 스크립트를 활성화하고 검색하여 질병의 생리학 및 상호 관련된 스크립트를 포함하여 해당 스크립트에 저장된 모든 지식을 잠금 해제합니다. 감별 진단). 의료 및 임상 훈련 중 질병 스크립트의 형성 및 통합에 대해서는 알려진 바가 거의 없지만 기본 생리학 및 해부학(결함)을 인구 통계(활성화 조건) 및 증상(결과)과 결합하는 것을 지지하는 증거가 증가하고 있습니다. 의학 개입. 의학적 상태의 인과 메커니즘에 대한 근본적인 개념적 이해는 훈련생이 질병 스크립트를 통합하고 상호 연결하여 스크립트를 더 빠르고 정확하게 활성화하고 활용하는 데 도움이 되는 것으로 보입니다. 인과적 메커니즘 또는 "생의학"이 질병의 임상 증상을 포함하는 내과의 표준 교육 설계에 포함되면 학생들은 특히 지연 테스트 및 전환 테스트에서 훨씬 더 나은 성과를 보입니다. 근본적인 사회학적 및 행동적 인과 메커니즘을 설명하는 "확장된" 기본 과학 설명이 사회적, 신체 및 심리적 문제의 조합을 포함하는 복잡한 의학적 상태에 대한 교육 설계 내에 통합될 때 진단 성능에 대한 유사한 긍정적 효과가 관찰되었습니다. 인과 메커니즘의 설명 내에서 인과 메커니즘의 생체역학적 시각적 유사성이 도입되는 경우 학생의 즉각적이고 지속적인 진단 수행 및 지식 전달이 향상됩니다. 생물의학 통합의 긍정적인 효과는 질병의 임상 증상을 설명하는 고전적인 커리큘럼과 혼합될 때 가장 잘 활용됩니다. 서면 사례에 대한 고전적인 교과서 진단의 긍정적인 효과는 시각적 진단으로도 해석됩니다. 치과 방사선학 및 절차 기술에 대한 기본 개념 지식, 예. 요추 천자. 시각적 진단에 사용되는 시각적 기준에 대한 인과적 설명을 통합하면 학생의 즉각적이고 장기적인 진단 성능이 모두 향상됩니다. 생물의학 통합과 관련된 진단 성능의 개선은 속도-정확성 트레이드오프에 대해 탄력적인 것으로 밝혀졌습니다. 이는 질병 스크립트 내에서 "결함"을 강력하게 표현하면 스크립트를 빠르고 정확하게 활성화하는 진단사의 능력을 증가시킨다는 것을 나타냅니다. 기본적인 과학 설명이 다양한 의료 양식에 걸쳐 번역되는 것처럼 보이지만 시각 진단은 나머지 진단 양식과 크게 다르다는 점에 유의해야 합니다. 숙련된 피부과 전문의가 피부 병변을 검사할 때 일반적으로 매우 정확한 하나 이상의 임시 진단을 생성하는 전반적인 인상을 즉시 형성합니다. 그 후, 잠정적 진단을 정당화하거나 거부하는 기능을 찾으려고 시도하는 역방향 추론 전략에 참여합니다. 전체적인 인상은 직관적인 시스템 1 작업의 결과인 반면, 차등 진단 및 기능 검색의 의도적인 분석은 의도적인 시스템 2 작업입니다. 내과 전문의, 신경과 전문의 및 심장 전문의와 같은 나머지 임상 전문 분야의 전문가는 패턴 인식에 크게 의존하지만 그들의 평가는 의도적으로 수집된 입력(증상, 병력, 실험실 테스트 등)을 기반으로 하므로 더 많은 수준의 시스템 2 프로세스가 필요합니다. 진단 추론 과정 초기에. 수사관들은 다양한 진단 전문 분야에서 패턴 인식이 사용되는 "시점"의 이러한 차이가 다양한 전문 분야의 교육에 반영되어야 한다는 이론을 세웁니다. 이러한 반성을 바탕으로, 시각적 처리(피부과, 병리학 및 방사선과)에 주로 의존하는 임상의를 위한 최적의 교육 개입은 간결하고 관련성 있는 교육 설계가 있는 커리큘럼과 결합된 직접적인 시각적 피드백을 통한 사례 기반 교육이어야 합니다. 이전에 언급한 연구에 따르면 이러한 교육 설계 내에서 기초 과학을 통합하면 진단 정확도가 향상되고 유사한 질병 범주에 대한 지식 전달이 향상됩니다. 그러나 시각 진단에 대한 이전 연구는 기초 과학의 통합에 따른 성능 향상이 임상의의 패턴 인식, 의도적 특징 검색 전략 또는 둘 모두를 향상시키는지 여부를 확립하지 못했습니다. 이러한 연구 내의 교육적 개입은 짧았고 진단당 3개 미만의 훈련 사례를 포함했으며, 이 시험의 조사자는 질병의 시각적 분류(패턴 인식)에 대한 정신적 표현의 형성과 관련하여 낮은 것으로 간주합니다. 마지막으로, 이전 연구는 시각적 진단을 위한 교육 개입의 교육 설계 내에서 기초 과학을 통합하는 효과와 학습 행동(교육 자료에 액세스하는 총 기간 및 횟수), 학습 곡선(정신적 표현의 형성)에 미치는 영향을 조사하지 않았습니다. , 기술/지식 검색. 조사관은 시각적 진단의 사례 기반 교육의 교육 설계 내에서 기본 과학 설명을 도입하면 학생들의 학습 곡선, 유지 및 유실 기간 이후의 지식/기술 검색을 개선할 것이라고 가정합니다. 우리가 아는 한, 학생의 패턴 인식 기술 훈련을 목표로 하는 장기간의 사례 기반 교육 개입에서 시각적 기준에 대한 생물의학적 설명을 통합하는 효과를 자세히 설명하는 이전 연구는 없습니다.초보자와 고급 학습자에 초점을 맞출 때 학습이 다를 수 있으며 즉각적인 성과가 항상 장기 학습 결과를 예측하는 것은 아니라는 점을 인정하는 것은 중요한 연구 격차입니다.

연구 질문:

제한된 피부과 훈련을 받은 의대생 그룹에서, 시각적 패턴 인식에서 장기간의 사례 기반 피부암 훈련 프로그램 동안 시각적 기준의 생물의학적 인과적 설명을 통합하는 것은 생물의학적 설명이 없는 동일한 교육 설계와 비교할 때 어떤 효과가 있습니까? 패턴 인식을 연습하는 것에서 패턴을 이해하는 방향으로 학생의 인지 자원의 이동이 학습 행동, 학습 곡선(정확도 및 진단당 시간) 및 유실 기간 후 패턴 인식 기술 검색에 어떤 영향을 미칠까요?

방법:

연구는 할당 비율이 1:1인 무작위 통제 시험으로 수행됩니다. 등록된 참가자는 코펜하겐 대학의 건강 및 의료 과학 학부에 적극적으로 등록되어 있어야 하며 기본 조직 병리학 및 세포 생리학 시험을 통과해야 합니다. 제외 기준은 일반적으로 dermoscopy 또는 피부암 진단에 대한 이전 교육입니다. 최소 60명을 모집합니다. 모든 참가자는 교육 자료가 포함된 모바일 애플리케이션(Dermloop)을 다운로드해야 합니다. 등록하는 동안 참가자는 인구 통계에 관한 정보를 입력하고 6자리 평가판 코드를 입력하고 디지털 동의서에 서명해야 합니다. 등록 시 참가자는 기본 과학 또는 기능 그룹에 자동으로 무작위로 할당됩니다. 연구 중에 모든 참가자는 다음 네 단계를 완료합니다(그림 참조).

1. 사전 테스트
2. 피부암 진단의 디지털 교육 세션은 7일 동안 7가지 감별 진단(모반, 흑색종, 지루성 각화증/일광 흑자, 기저 세포 암종, 피부 섬유종 및 혈관 병변)에 집중되었습니다. 교육 자료는 두 스터디 그룹 간에 다릅니다. 기초 과학 그룹은 각 진단에 대한 특징적인 시각적 기준과 근본적인 조직병리학적 원인을 설명하는 모듈에 액세스할 수 있습니다. 기능 그룹은 기본 인과 메커니즘에 대한 설명 없이 시각적 기준에 대한 동일한 설명을 읽습니다.
3. 재교육 세션
4. 유지 테스트

사전 테스트:

사전 테스트는 피부암 진단에 대한 타당성 증거가 확립된 테스트 항목 라이브러리(n=25개 항목)에서 무작위로 추출된 12개 항목(일반화 가능성 계수 0.7)으로 구성됩니다.

디지털 교육 세션:

이 세션은 6가지 진단(모반, 흑색종, 지루성 각화증/일광 흑자, 기저 세포 암종, 피부 섬유종 및 혈관 병변)의 소개 및 발표로 구성됩니다.

소개 소개에는 피부암 진단에 대한 짧은 서면 소개와 교육 개입에 포함될 6가지 진단이 포함됩니다. 참가자는 7가지 진단의 특징인 다양한 피부경 검사 기준을 간략하게 읽어야 합니다.

사례 기반 실습

참가자는 7일 이내에 500개의 피부 병변에 대해 연습해야 합니다. 교육은 직접적인 피드백이 있는 퀴즈로 구성됩니다. 참가자는 환자의 연령과 성별, 임상 이미지, 피부경 이미지, 피부 병변의 위치를 ​​기반으로 피부 병변을 진단해야 합니다. 참가자는 진단을 선택한 후 즉각적인 피드백을 받게 됩니다. 피드백은 진단, 올바른 진단, 두 진단의 교육 설계에 대한 액세스, 이미지와 위치 간 전환 기능으로 구성됩니다. 각 퀴즈는 10개의 케이스 길이이며 진단 분포는 각 퀴즈에서 무작위이지만 전체 분포는 다음과 같은 100개 케이스에 걸쳐 있습니다.

진단 분포:

흑색종 20% 모반 20% Seb. K./ Lentigo Solaris 20% 피부 섬유종 10% 기저 세포 암종 10% 혈관종 10% 편평 세포 암종. 10%

재교육 세션:

14일 휴약 기간 후, 모든 참가자는 애플리케이션에 액세스하고 2일 이내에 또 다른 100개 사례를 연습해야 합니다.

보유 테스트:

재교육 세션이 종료된 후 7일 후에 참가자는 유지 테스트에 응답해야 합니다. 보유 테스트는 사전 테스트에 사용된 동일한 테스트 항목 라이브러리(n=25개 항목)에서 무작위로 추출된 12개 항목(일반화 계수 0.7)으로 구성됩니다.

주요 결과:

초기 학습 곡선(정확도 및 진단당 시간)의 기울기 및 안정기(도달한 경우) 휴약 기간 후 2차 학습 곡선(정확도 및 진단당 시간)의 기울기 및 안정기(도달한 경우)

이차 결과:

교육 자료를 읽는 데 소요된 시간 교육 자료에 액세스한 횟수 사전 테스트에서 유지 테스트로의 성능 변화.