Integrerad grundvetenskap inom instruktionsdesignen för mönsterigenkänningsutbildning (AISC-ISF)

Bakgrund:

Att säkerställa att läkarstudenter och nybörjare blir bra diagnostiker är fortfarande kärnan i medicinsk utbildning. I mer än sex decennier har akademiker och kliniker sökt förståelse för de mest framgångsrika diagnostiska resonemangsstrategierna och hur man utbildar framtida läkare i dessa strategier. Forskning har visat att de flesta diagnostiker tillämpar en blandning av mönsterigenkänning, deduktivt bakåtresonemang, det vill säga att söka efter symtom eller tecken som motiverar en preliminär diagnos, och induktiva resonemangsstrategier framåt, d.v.s. analysera den mest sannolika diagnosen baserat på tecken och symtom. Det finns vissa bevis för att nybörjare är mer benägna att använda avsiktliga deduktiva och induktiva diagnostiska resonemangsstrategier medan erfarna läkare i allmänhet litar mer på mönsterigenkänning. Till skillnad från nybörjare identifierar experter i allmänhet den mest sannolika diagnosen baserat på mönsterigenkänning, följt av avsiktliga och ofta omedvetna deduktiva resonemang, som syftar till att motivera eller utesluta den/de identifierade preliminära diagnosen/-erna. Dubbelprocessteorin ger en förklaring till denna tvåstegsresonemangsstrategi, som delar upp mänsklig kognition i två system; det intuitiva systemet 1 (mönsterigenkänning) och det avsiktliga och analytiska deduktiva/induktiva systemet 2. Mönsterigenkänning (system 1) är omedelbar, ofta mycket exakt, och kräver mycket små resurser även om det har kritiserats flitigt för att vara benäget till omedvetna heuristiska fördomar. De avsiktliga system 2-processerna är långsammare och kräver betydligt större kognitiva resurser än system 1-processer. System 2-processer anses generellt vara mindre benägna för omedvetna fördomar, även om flera fynd tyder på annat. De flesta människor föredrar att tillämpa det effektiva och icke-ansträngande system 1 när det är möjligt, och endast aktiva system 2-processer när det är absolut nödvändigt. Tyvärr förlitar sig mönsterigenkänning (system 1) i en diagnostisk miljö på domänspecifik erfarenhet, som i allmänhet inte är tillgänglig för nybörjare som därför förlitar sig på de betydligt mer krävande system 2-operationerna under diagnostik. Flera författare hävdar att lärare bör överväga att undervisa eller främja mönsterigenkänning om möjligt eftersom det möjliggör korrekt, effektiv och mindre krävande diagnostik. Realistisk och omfattande mönsterigenkänningsutbildning är möjlig inom medicinska specialiteter som huvudsakligen bygger på visuell bearbetning som patologi, radiologi och dermatologi. Stora fallbibliotek med kommenterade röntgenbilder, patologibilder eller dermoskopiska bilder kan göras lättillgängliga för praktik, vilket gör det möjligt för studenter att uppnå starka mentala representationer av relevanta differentialdiagnoser innan de påbörjar sin kliniska karriär. Det finns omfattande litteratur om hur man kan underlätta utvecklingen av starka mentala representationer genom träning i mönsterigenkänning. Även om identifiering av benfrakturtyper, cellulära abnormiteter och hudtillstånd är viktigt, är ytterligare kunskapsinhämtning och bearbetning nödvändig för att ge patienterna rätt behandlingsregim. Artificiell intelligens och tränade duvor (ja, duvor) hanterar bilddiagnostik imponerande bra, med flera författare som rapporterar exaktheter i paritet med expertkliniker. Men till skillnad från expertkliniker kan maskiner och duvor för närvarande inte hämta ett eller flera komplexa förkompilerade diagnosspecifika skript eller scheman från långtidsminnet baserat på subtila diagnostiska ledtrådar, följt av en medveten analys av den mest sannolika diagnosen och lämplig behandlingsåtgärd . Teorin om sjukdomsskript försöker förklara denna otroliga minneshämtning och bearbetningsoperation genom ett enkelt ramverk. Sjukdomsskript definieras som mentala representationer eller scheman av en sjukdom eller sjukdom som innehåller möjliggörande tillstånd, d.v.s. demografi och medicinsk historia, konsekvenser, d.v.s. symtom och presentationer av sjukdomen/sjukdomen, och fel, d.v.s. den biomedicinska förklaringen till konsekvenser och möjliggörande tillstånd . När en erfaren läkare känner igen ett visst mönster av möjliggörande tillstånd, konsekvenser och fel aktiverar och hämtar den ett eller flera sjukdomsskript från långtidsminnet, vilket låser upp all kunskap som finns lagrad i det skriptet, inklusive sjukdomens fysiologi och inbördes relaterade skript ( differentialdiagnoser). Lite är känt om bildandet och konsolideringen av sjukdomsskript under medicinsk och klinisk utbildning, men det finns allt fler bevis för att kombinera den underliggande fysiologin och anatomin (fel) med demografi (möjliggörande tillstånd) och symtom (konsekvenser) inom undervisningsmaterialet. interventioner inom medicin. En underliggande konceptuell förståelse av det medicinska tillståndets orsaksmekanismer verkar hjälpa praktikanter att konsolidera och sammanlänka sina sjukdomsskript, vilket resulterar i snabbare och mer exakt skriptaktivering och användning. När orsaksmekanismer eller "den biomedicinska vetenskapen" ingår i standardinstruktionsdesigner för internmedicin, som innehåller kliniska manifestationer av sjukdomen, presterar eleverna betydligt bättre, särskilt på försenade tester och överföringstester. Liknande positiva effekter på diagnostisk prestation har observerats när "utvidgade" grundläggande vetenskapliga beskrivningar som förklarar de bakomliggande sociologiska och beteendemässiga orsaksmekanismerna integreras i instruktionsdesignen för komplexa medicinska tillstånd som inkluderar en kombination av sociala, somatiska och psykologiska problem. Studentens omedelbara och bibehållna diagnostiska prestanda och kunskapsöverföring förbättras om biomekaniska visuella analogier av orsaksmekanismerna introduceras i beskrivningen av orsaksmekanismerna. Den positiva effekten av att integrera biomedicinsk vetenskap utnyttjas bäst när den blandas med klassiska läroplaner som beskriver kliniska manifestationer av sjukdomar. De positiva effekterna av klassisk läroboksdiagnostik på skriftliga fall översätts också till visuell diagnostik, t.ex. tandröntgen, och de bakomliggande konceptuella kunskaperna om procedurkunskaper, t.ex. lumbalpunktion. Att integrera orsaksförklaringarna för visuella kriterier som används i visuell diagnostik ökar elevernas både omedelbara och långsiktiga diagnostiska prestanda. Förbättringen av diagnostisk prestanda förknippad med integrering av biomedicinsk vetenskap har visat sig vara motståndskraftig mot avvägningar mellan hastighet och noggrannhet, vilket indikerar att en stark representation av "fel" i ett sjukdomsskript ökar diagnostikers förmåga att snabbt och korrekt aktivera skriptet. Även om grundläggande vetenskapliga förklaringar verkar översättas över de olika medicinska modaliteterna är det viktigt att notera att visuell diagnostik varierar avsevärt från återstående diagnostiska modaliteter. När erfarna hudläkare undersöker en hudskada bildar de omedelbart ett globalt intryck som genererar en eller flera preliminära diagnoser som vanligtvis är mycket exakta. Därefter engagerar de sig i en bakåtresonerande strategi som försöker hitta egenskaper som motiverar eller avvisar deras trevande diagnos. Det globala intrycket är ett resultat av intuitiva system 1-operationer medan den avsiktliga analysen av differentialdiagnoser och funktionssökning är avsiktliga system 2-operationer. Även om experter från återstående kliniska specialiteter som internister, neurologer och kardiologer är mycket beroende av mönsterigenkänning, baseras deras bedömningar på input (symtom, medicinsk historia, laboratorietester, etc.) som samlas in medvetet, vilket kräver en större grad av system 2-processer tidigt i den diagnostiska resonemangsprocessen. Utredare har en teori om att denna skillnad i "tidpunkten" där mönsterigenkänning används av de olika diagnostiska specialiteterna bör återspeglas i utbildningen av de olika specialiteterna. Baserat på dessa reflektioner borde den optimala pedagogiska interventionen för kliniker som huvudsakligen förlitar sig på visuell bearbetning (dermatologi, patologi och radiologi) vara fallbaserad träning med direkt visuell feedback kopplad till en läroplan med en kortfattad och relevant instruktionsdesign. De tidigare nämnda studierna visar att en integrering av grundläggande vetenskap i en sådan instruktionsdesign förbättrar den diagnostiska noggrannheten och kunskapsöverföringen till liknande sjukdomskategorier. Tidigare studier inom visuell diagnostik har dock misslyckats med att fastställa om förbättrad prestanda efter integrationen av grundläggande vetenskaper förbättrar läkares mönsterigenkänning, avsiktliga funktionssökningsstrategi eller båda. De pedagogiska interventionerna inom dessa studier har varit korta och inkluderat färre än 3 träningsfall per diagnos, vilket utredarna av denna studie anser vara låga när det gäller bildandet av mentala representationer för visuell klassificering av sjukdomar (mönsterigenkänning). Slutligen har tidigare studier inte undersökt effekten av att integrera grundläggande vetenskap inom instruktionsdesignen av träningsinterventioner för visuell diagnostik och dess effekt på inlärningsbeteende (total varaktighet och antal gånger åtkomst till instruktionsmaterial), inlärningskurvor (bildande av mentala representationer) och återhämtning av färdigheter/kunskaper. Utredare antar att införandet av grundläggande vetenskapsförklaringar inom instruktionsdesignen av fallbaserad träning i visuell diagnostik kommer att förbättra elevernas inlärningskurvor, retention och återhämtning av kunskap/färdigheter efter en tvättperiod. Så vitt vi vet finns det inga tidigare studier som utvecklar effekten av att integrera biomedicinska förklaringar för visuella kriterier i en förlängd fallbaserad pedagogisk intervention som syftar till att träna elevers mönsterigenkänningsförmåga.Genom att inse att lärande kan skilja sig åt när man fokuserar på nybörjare och mer avancerade elever och att omedelbara prestationer inte alltid förutsäger långsiktiga läranderesultat, är detta ett viktigt forskningslucka att fylla.

Forskningsfråga:

I en grupp läkarstudenter med begränsad dermatologisk utbildning, vad är effekten av att integrera biomedicinska orsaksförklaringar av visuella kriterier under ett förlängt fallbaserat hudcancerutbildningsprogram i visuell mönsterigenkänning jämfört med en identisk instruktionsdesign utan biomedicinska förklaringar? Hur kommer förskjutningen av elevernas kognitiva resurser från att öva mönsterigenkänning till att förstå mönstret påverka deras inlärningsbeteende, inlärningskurva (noggrannhet och tid per diagnos) och återhämtning av mönsterigenkänningsfärdigheter efter en tvättperiod?

Metod:

Studien kommer att genomföras som en randomiserad kontrollerad studie med ett allokeringsförhållande på 1:1. Inskrivna deltagare måste vara aktivt inskrivna vid fakulteten för hälso- och medicinvetenskap, Köpenhamns universitet, och ha godkänt prov i grundläggande histopatologi och cellfysiologi. Uteslutningskriterier är tidigare utbildning i dermoskopi eller hudcancerdiagnostik i allmänhet. Minst 60 studenter kommer att rekryteras. Alla deltagare måste ladda ner en mobilapplikation (Dermloop) som innehåller utbildningsmaterialet. Under registreringen kommer deltagarna att bli ombedda att fylla i information om deras demografi, ange en sexsiffrig provkod och underteckna ett digitalt samtycke. Vid registrering kommer deltagarna automatiskt att slumpmässigt fördelas till den grundläggande vetenskaps- eller funktionsgruppen. Under studien kommer alla deltagare att genomföra fyra steg (se figur):

1. Förtest
2. Digitalt träningspass i hudcancerdiagnostik koncentrerade sig på sju differentialdiagnoser (nevi, melanom, seborroiska keratoser/solar lentigo, basalcellscancer, dermatofibrom och vaskulära lesioner) som sträcker sig över 7 dagar. Instruktionsmaterialet skiljer sig åt mellan de två studiegrupperna. Den grundläggande vetenskapsgruppen kommer att ha tillgång till moduler som beskriver de karakteristiska visuella kriterierna för varje diagnos och deras underliggande histopatologiska orsak. Funktionsgruppen kommer att läsa identiska beskrivningar av de visuella kriterierna utan en förklaring av de bakomliggande orsaksmekanismerna.
3. Omskolningspass
4. Retentionstest

Förtest:

Förtestet består av 12 slumpmässigt utvalda objekt (generaliserbarhetskoefficient på 0,7) från ett testobjektbibliotek (n= 25 objekt) med etablerade validitetsbevis för hudcancerdiagnostik.

Digitalt träningspass:

Sessionen består av en introduktion och presentation av sex diagnoser (nevi, melanom, seborroisk keratos/solar lentigo, basalcellscancer, dermatofibrom och vaskulära lesioner).

Inledning Introduktionen innehåller en kort skriftlig introduktion om hudcancerdiagnostik och de sex diagnoser som kommer att ingå i den pedagogiska interventionen. Deltagarna kommer att uppmanas att kort läsa igenom de olika dermoskopiska kriterierna som är karakteristiska för de sju diagnoserna.

Fallbaserad praktik

Deltagarna kommer att uppmanas att träna på 500 hudskador inom 7 dagar. Utbildningen består av frågesporter med direkt feedback. Deltagarna kommer att uppmanas att diagnostisera hudskador baserat på patientens ålder och kön, en klinisk bild, en dermoskopisk bild och platsen för hudskadan. Deltagarna kommer att få omedelbar feedback efter deras val av diagnos. Återkopplingen består av deras diagnos, rätt diagnos, tillgång till instruktionsdesignen för båda diagnoserna och en förmåga att växla mellan bilder och plats. Varje quiz är 10 fall långt och fördelningen av diagnoser är slumpmässig över varje quiz, men med en övergripande fördelning över 100 fall av:

Diagnosfördelning:

Melanom 20% Nevi 20% Seb. K./ Lentigo Solaris 20% Dermatofibrom 10% Basalcellscancer 10% Hemangiom 10% Skivepitelcancer. 10 %

Omskolningspass:

Efter den 14 dagar långa tvättningsperioden kommer alla deltagare att uppmanas att få tillgång till ansökan och öva på ytterligare 100 fall inom två dagar.

Retentionstest:

Sju dagar efter att omskolningspasset har avslutats kommer deltagarna att ombes svara på ett retentionstest. Retentionstestet består av 12 slumpmässigt urvalsobjekt (generaliserbarhetskoefficient på 0,7) från samma testobjektbibliotek (n= 25 objekt) som användes för förtestet.

Primära resultat:

Lutning och platå (om nådd) för den initiala inlärningskurvan (noggrannhet och tid per diagnos) Lutning och platå (om nådd) för en sekundär inlärningskurva (noggrannhet och tid per diagnos) efter en utspolningsperiod

Sekundärt resultat:

Tid som ägnas åt att läsa instruktionsmaterial Antal gånger som instruktionsmaterialet har nåtts. Förändring i prestanda från förtest till retentionstest.