Ciência básica integrada no design instrucional do treinamento de reconhecimento de padrões (AISC-ISF)

Fundo:

Garantir que estudantes de medicina e médicos novatos se tornem bons diagnosticadores continua sendo o cerne da educação médica. Por mais de seis décadas, acadêmicos e médicos buscaram entender as estratégias de raciocínio diagnóstico mais bem-sucedidas e como educar futuros médicos nessas estratégias. A pesquisa revelou que a maioria dos diagnosticadores aplica uma mistura de reconhecimento de padrões, raciocínio reverso dedutivo, ou seja, busca de sintomas ou sinais que justifiquem um diagnóstico provisório, e estratégias de raciocínio indutivo avançado, ou seja, análise do diagnóstico mais provável com base em sinais e sintomas. Há alguma evidência em apoio de que os médicos novatos são mais propensos a estratégias de raciocínio diagnóstico dedutivo e indutivo, enquanto os médicos experientes geralmente confiam mais no reconhecimento de padrões. Ao contrário dos novatos, os especialistas geralmente identificam o diagnóstico mais provável com base no reconhecimento de padrões, seguido por raciocínio dedutivo deliberado e muitas vezes inconsciente, com o objetivo de justificar ou descartar o(s) diagnóstico(s) provisório(s) identificado(s). A teoria do processo dual oferece uma explicação para essa estratégia de raciocínio em duas etapas, dividindo a cognição humana em dois sistemas; o sistema intuitivo 1 (reconhecimento de padrão) e o sistema dedutivo/indutivo deliberado e analítico 2. O reconhecimento de padrão (sistema 1) é imediato, muitas vezes muito preciso e requer recursos minúsculos, embora tenha sido amplamente criticado por ser propenso a vieses heurísticos inconscientes. Os processos deliberados do sistema 2 são mais lentos e requerem recursos cognitivos significativamente maiores do que os processos do sistema 1. Os processos do Sistema 2 são geralmente considerados menos propensos a vieses inconscientes, embora várias descobertas sugiram o contrário. A maioria das pessoas prefere aplicar o sistema 1 eficiente e não extenuante sempre que possível, e apenas processos ativos do sistema 2 quando absolutamente necessário. Infelizmente, o reconhecimento de padrões (sistema 1) em uma configuração de diagnóstico depende da experiência específica do domínio, que geralmente não está disponível para médicos novatos que, portanto, dependem das operações do sistema 2 significativamente mais exigentes durante o diagnóstico. Vários autores argumentam que os educadores devem considerar ensinar ou promover o reconhecimento de padrões, se possível, pois permite diagnósticos precisos, eficientes e menos exigentes. O treinamento realista e extensivo de reconhecimento de padrões é possível em especialidades médicas que dependem principalmente do processamento visual, como patologia, radiologia e dermatologia. Grandes bibliotecas de casos com radiografias anotadas, lâminas de patologia ou imagens dermatoscópicas podem ser prontamente disponibilizadas para a prática, permitindo que os alunos obtenham fortes representações mentais dos diagnósticos diferenciais relevantes antes de iniciar suas carreiras clínicas. Existe uma extensa literatura sobre como facilitar o desenvolvimento de representações mentais fortes por meio do treinamento de reconhecimento de padrões. Embora a identificação dos tipos de fratura óssea, anormalidades celulares e condições da pele seja importante, a recuperação e o processamento de conhecimento adicional são necessários para fornecer aos pacientes o regime de tratamento correto. A inteligência artificial e os pombos treinados (sim, pombos) lidam com diagnósticos de imagem impressionantemente bem, com vários autores relatando precisões a par dos médicos especialistas. No entanto, ao contrário dos médicos especialistas, as máquinas e os pombos são atualmente incapazes de recuperar um ou mais scripts ou esquemas pré-compilados específicos de diagnósticos complexos da memória de longo prazo com base em pistas sutis de diagnóstico, seguidos por uma análise deliberada do diagnóstico mais provável e da ação de tratamento apropriada. . A teoria do script de doença tenta explicar essa incrível recuperação de memória e operação de processamento por meio de uma estrutura simples. Scripts de doença são definidos como representações mentais ou esquemas de uma doença ou doença que contém condições facilitadoras, ou seja, dados demográficos e histórico médico, consequências, ou seja, os sintomas e apresentações da doença/doença, e falhas, ou seja, a explicação biomédica para as consequências e condições facilitadoras . Quando um médico experiente reconhece um certo padrão de condições capacitadoras, consequências e falhas, ele ativa e recupera um ou mais scripts de doença da memória de longo prazo, desbloqueando todo o conhecimento armazenado nesse script, incluindo a fisiologia da doença e scripts inter-relacionados ( diagnósticos diferenciais). Pouco se sabe sobre a formação e consolidação de roteiros de doenças durante o treinamento médico e clínico, mas há evidências crescentes a favor da combinação da fisiologia e anatomia subjacentes (falhas) com dados demográficos (condições facilitadoras) e sintomas (consequências) dentro do material instrucional de educação. intervenções na medicina. Uma compreensão conceitual subjacente dos mecanismos causais da condição médica parece ajudar os treinandos a consolidar e interligar seus scripts de doença, resultando em ativação e utilização de scripts mais rápidas e precisas. Quando mecanismos causais ou "a ciência biomédica" são incluídos em projetos instrucionais padrão para medicina interna, contendo manifestações clínicas da doença, os alunos apresentam desempenho significativamente melhor, especialmente em testes atrasados ​​e testes de transferência. Efeitos positivos semelhantes no desempenho diagnóstico foram observados quando descrições científicas básicas "ampliadas" que explicam os mecanismos causais sociológicos e comportamentais subjacentes são integradas ao design instrucional para condições médicas complexas que incluem uma combinação de problemas sociais, somáticos e psicológicos. O desempenho diagnóstico imediato e retido do aluno e a transferência de conhecimento melhoram se as analogias visuais biomecânicas dos mecanismos causais forem introduzidas na descrição dos mecanismos causais. O efeito positivo da integração da ciência biomédica é melhor aproveitado quando é misturado com currículos clássicos que descrevem manifestações clínicas de doenças. Os efeitos positivos dos diagnósticos clássicos de livros didáticos em casos escritos também se traduzem em diagnósticos visuais, por ex. radiologia odontológica e o conhecimento conceitual subjacente de habilidades processuais, por exemplo, punção lombar. Integrar as explicações causais para critérios visuais usados ​​em diagnósticos visuais aumenta o desempenho diagnóstico imediato e de longo prazo dos alunos. Verificou-se que a melhoria no desempenho do diagnóstico associada à integração da ciência biomédica é resistente às compensações de velocidade e precisão, o que indica que uma forte representação de "falhas" em um script de doença aumenta a capacidade dos diagnosticadores de ativar o script com rapidez e precisão. Embora as explicações da ciência básica pareçam se traduzir nas várias modalidades médicas, é importante observar que o diagnóstico visual varia significativamente das demais modalidades de diagnóstico. Quando dermatologistas experientes examinam uma lesão de pele, eles imediatamente formam uma impressão global, gerando um ou mais diagnósticos provisórios que geralmente são muito precisos. Posteriormente, eles se envolvem em uma estratégia de raciocínio retrógrado tentando encontrar características que justifiquem ou rejeitem seu diagnóstico provisório. A impressão global é resultado de operações intuitivas do sistema 1, enquanto a análise deliberada de diagnósticos diferenciais e busca de recursos é operações deliberadas do sistema 2. Embora os especialistas das demais especialidades clínicas, como internistas, neurologistas e cardiologistas, dependam fortemente do reconhecimento de padrões, suas avaliações são baseadas em informações (sintomas, histórico médico, exames laboratoriais etc.) no início do processo de raciocínio diagnóstico. Os investigadores teorizam que essa diferença no "ponto no tempo" em que o reconhecimento de padrões é usado pelas várias especialidades diagnósticas deve se refletir na educação das várias especialidades. Com base nessas reflexões, a intervenção educacional ideal para médicos que dependem principalmente do processamento visual (dermatologia, patologia e radiologia) deve ser um treinamento baseado em casos com feedback visual direto acoplado a um currículo com um design instrucional conciso e relevante. Os estudos mencionados anteriormente mostram que a integração da ciência básica em tal projeto instrucional melhora a precisão diagnóstica e a transferência de conhecimento para categorias de doenças semelhantes. No entanto, estudos anteriores em diagnóstico visual falharam em estabelecer se o desempenho aprimorado após a integração das ciências básicas melhora o reconhecimento de padrões dos clínicos, a estratégia de busca deliberada de recursos ou ambos. As intervenções educativas desses estudos foram curtas e incluíram menos de 3 casos de treinamento por diagnóstico, o que os investigadores deste estudo consideram baixo no que diz respeito à formação de representações mentais para a classificação visual de doenças (reconhecimento de padrões). Finalmente, estudos anteriores não examinaram o efeito da integração da ciência básica no design instrucional de intervenções de treinamento para diagnóstico visual e seu efeito no comportamento de aprendizagem (duração total e o número de vezes que acessam o material instrucional), curvas de aprendizagem (formação de representações mentais) e recuperação de habilidade/conhecimento. Os investigadores levantam a hipótese de que a introdução de explicações científicas básicas no projeto instrucional de treinamento baseado em casos em diagnóstico visual melhorará as curvas de aprendizado, retenção e recuperação de conhecimento/habilidade dos alunos após um período de washout. Até onde sabemos, não há estudos anteriores que elaborem o efeito da integração de explicações biomédicas para critérios visuais em uma intervenção educacional baseada em casos prolongados com o objetivo de treinar as habilidades de reconhecimento de padrões dos alunos.Reconhecendo que a aprendizagem pode diferir quando se concentra em alunos novatos e mais avançados e que desempenhos imediatos nem sempre predizem resultados de aprendizagem de longo prazo, essa é uma importante lacuna de pesquisa a ser preenchida.

Questão de pesquisa:

Em um grupo de estudantes de medicina com treinamento dermatológico limitado, qual é o efeito de integrar explicações causais biomédicas de critérios visuais durante um prolongado programa de treinamento baseado em casos de câncer de pele no reconhecimento de padrões visuais quando comparado com um design instrucional idêntico sem explicações biomédicas? Como o deslocamento dos recursos cognitivos dos alunos da prática de reconhecimento de padrões para a compreensão do padrão afetará seu comportamento de aprendizado, curva de aprendizado (precisão e tempo por diagnóstico) e recuperação de habilidades de reconhecimento de padrões após um período de washout?

Método:

O estudo será conduzido como um ensaio controlado randomizado com uma proporção de alocação de 1:1. Os participantes inscritos devem estar matriculados ativamente na Faculdade de Saúde e Ciências Médicas da Universidade de Copenhague e ter sido aprovados nos exames básicos de histopatologia e fisiologia celular. Os critérios de exclusão são treinamento anterior em dermatoscopia ou diagnóstico de câncer de pele em geral. Serão recrutados no mínimo 60 alunos. Todos os participantes são obrigados a baixar um aplicativo móvel (Dermloop) contendo o material educacional. Durante a inscrição, os participantes serão solicitados a preencher informações sobre seus dados demográficos, inserir um código de teste de seis dígitos e assinar um consentimento digital. Após o registro, os participantes serão automaticamente alocados aleatoriamente para a ciência básica ou grupo de recursos. Durante o estudo, todos os participantes completarão quatro etapas (veja a figura):

1. pré-teste
2. Sessão de treinamento digital em diagnóstico de câncer de pele concentrada em sete diagnósticos diferenciais (nevos, melanoma, queratose seborreica/lentigo solar, carcinoma basocelular, dermatofibromas e lesões vasculares) que duram 7 dias. O material instrucional difere entre os dois grupos de estudo. O grupo de ciências básicas terá acesso a módulos que descrevem os critérios visuais característicos de cada diagnóstico e sua causa histopatológica subjacente. O grupo de recursos lerá descrições idênticas dos critérios visuais sem uma explicação dos mecanismos causais subjacentes.
3. Sessão de retreinamento
4. teste de retenção

Pré-teste:

O pré-teste consiste em 12 itens amostrados aleatoriamente (coeficiente de generalização de 0,7) de uma biblioteca de itens de teste (n= 25 itens) com evidência de validade estabelecida para diagnósticos de câncer de pele.

Sessão de treinamento digital:

A sessão consiste na introdução e apresentação de seis diagnósticos (nevos, melanoma, queratose seborreica/lentigo solar, carcinoma basocelular, dermatofibromas e lesões vasculares).

Introdução A introdução inclui uma breve introdução escrita sobre os diagnósticos de câncer de pele e os seis diagnósticos que serão incluídos na intervenção educacional. Os participantes serão solicitados a ler brevemente os vários critérios dermatoscópicos característicos dos sete diagnósticos.

Prática baseada em casos

Os participantes serão solicitados a praticar em 500 lesões de pele em 7 dias. O treinamento consiste em questionários com feedback direto. Os participantes serão solicitados a diagnosticar lesões de pele com base na idade e sexo do paciente, uma imagem clínica, uma imagem dermatoscópica e a localização da lesão de pele. Os participantes receberão feedback imediato após a escolha do diagnóstico. O feedback consiste no diagnóstico, no diagnóstico correto, no acesso ao design instrucional de ambos os diagnósticos e na capacidade de alternar entre as imagens e a localização. Cada questionário tem 10 casos e a distribuição de diagnósticos é aleatória em cada questionário, mas com uma distribuição geral em 100 casos de:

Distribuição do diagnóstico:

Melanoma 20% Nevi 20% Seb. K./ Lentigo Solaris 20% Dermatofibroma 10% Carcinoma basocelular 10% Hemangioma 10% Carcinoma espinocelular. 10%

Sessão de retreinamento:

Após o período de wash-out de 14 dias, todos os participantes serão solicitados a acessar o aplicativo e praticar em outros 100 casos em dois dias.

Teste de retenção:

Sete dias após a conclusão da sessão de retreinamento, os participantes serão convidados a responder a um teste de retenção. O teste de retenção consiste em 12 itens amostrados aleatoriamente (coeficiente de generalização de 0,7) da mesma biblioteca de itens de teste (n= 25 itens) usada para o pré-teste.

Resultados primários:

Inclinação e platô (se atingido) da curva de aprendizado inicial (precisão e tempo por diagnóstico) Inclinação e platô (se alcançado) de uma curva de aprendizado secundária (precisão e tempo por diagnóstico) após um período de washout

Resultado secundário:

Tempo gasto lendo material instrucional Número de vezes que o material instrucional foi acessado Mudança no desempenho do pré-teste para o teste de retenção.