模式识别培训教学设计中的综合基础科学 (AISC-ISF)

背景：

确保医学生和新手医师成为优秀的诊断医师仍然是医学教育的核心。 六多年来，学者和临床医生一直在寻求对最成功的诊断推理策略的理解，以及如何对未来的医生进行这些策略的教育。 研究表明，大多数诊断医生混合使用模式识别、演绎逆向推理（即寻找证明初步诊断合理的症状或体征）和归纳正向推理策略（即根据体征和症状分析最可能的诊断）。 有一些证据支持新手临床医生更倾向于有意识的演绎和归纳诊断推理策略，而有经验的临床医生通常更依赖模式识别。 与新手不同，专家通常会根据模式识别确定最可能的诊断，然后进行有意识且通常是无意识的演绎推理，旨在证明或排除已确定的初步诊断/-es。 双过程理论为这种两步推理策略提供了解释，将人类的认知分为两个系统；直觉系统 1（模式识别）和深思熟虑的分析性演绎/归纳系统 2。模式识别（系统 1）是直接的，通常非常准确，并且需要极少的资源，尽管它因容易产生无意识的启发式偏见而受到广泛批评。 深思熟虑的系统 2 进程比系统 1 进程更慢，并且需要更多的认知资源。 系统 2 过程通常被认为不太容易出现无意识偏见，尽管一些调查结果表明并非如此。 大多数人都喜欢尽可能使用高效且不费力的系统 1，而在绝对必要时只使用活跃的系统 2。 不幸的是，诊断设置中的模式识别（系统 1）依赖于特定领域的经验，这对于新手医生来说通常是不可用的，因此在诊断过程中依赖于要求更高的系统 2 操作。 几位作者认为，如果可能，教育工作者应该考虑教授或促进模式识别，因为它可以实现准确、高效且要求较低的诊断。 在主要依赖视觉处理的医学专业（例如病理学、放射学和皮肤病学）中，可以进行真实而广泛的模式识别训练。 带有注释的 X 射线、病理学幻灯片或皮肤镜图像的大型案例库可以随时用于练习，使学生能够在开始他们的临床职业之前获得相关鉴别诊断的强烈心理表征。 关于如何通过模式识别训练促进强烈心理表征的发展，有大量文献。 虽然骨折类型、细胞异常和皮肤状况的识别很重要，但为了为患者提供正确的治疗方案，还需要额外的知识检索和处理。 人工智能和训练有素的鸽子（是的，鸽子）处理图像诊断的能力令人印象深刻，几位作者报告的准确性与临床专家相当。 然而，与专家临床医生不同，机器和鸽子目前无法根据细微的诊断线索从长期记忆中检索一个或多个复杂的预编译特定诊断脚本或模式，然后对最可能的诊断和适当的治疗措施进行深思熟虑的分析. 疾病脚本理论试图通过一个简单的框架来解释这种令人难以置信的记忆检索和处理操作。 疾病脚本被定义为疾病或疾病的心理表征或图式，其中包含促成条件，即人口统计学和病史，后果，即疾病/疾病的症状和表现，以及故障，即对后果和促成条件的生物医学解释. 当一位经验丰富的医生识别出某种促成条件、后果和故障的模式时，它会激活并从长期记忆中检索一个或多个疾病脚本，解锁存储在该脚本中的所有知识，包括疾病的生理学和相关脚本（鉴别诊断）。 关于医疗和临床培训期间疾病脚本的形成和巩固知之甚少，但越来越多的证据支持在教育教学材料中将潜在的生理学和解剖学（故障）与人口统计学（促成条件）和症状（后果）结合起来医学干预。 对医疗状况的因果机制的基本概念理解似乎有助于受训者巩固和相互联系他们的疾病脚本，从而更快、更准确地激活和使用脚本。 当因果机制或“生物医学科学”被纳入内科学的标准教学设计中时，包含疾病的临床表现，学生的表现会明显更好，尤其是在延迟测试和转移测试中。 当解释潜在的社会学和行为因果机制的“扩展”基础科学描述被整合到复杂医疗条件（包括社会、躯体和心理问题的组合）的教学设计中时，已经观察到对诊断性能的类似积极影响。 如果在因果机制的描述中引入因果机制的生物力学视觉类比，学生的直接和保留的诊断性能和知识转移会得到改善。 当生物医学与描述疾病临床表现的经典课程相结合时，整合生物医学的积极作用才能得到最好的利用。 经典教科书诊断对书面案例的积极影响也转化为视觉诊断，例如 牙科放射学，以及程序技能的基本概念知识，例如 腰椎穿刺。 整合视觉诊断中使用的视觉标准的因果解释可以提高学生的即时和长期诊断能力。 已发现与整合生物医学科学相关的诊断性能的改进对速度-准确性权衡具有弹性，这表明疾病脚本中“故障”的强烈表示提高了诊断人员快速准确地激活脚本的能力。 尽管基础科学解释似乎适用于各种医学模式，但重要的是要注意视觉诊断与其他诊断模式有很大不同。 当经验丰富的皮肤科医生检查皮肤损伤时，他们会立即形成一个整体印象，从而产生一个或多个通常非常准确的初步诊断。 随后，他们采用逆向推理策略，试图找到能够证明或拒绝他们初步诊断的特征。 整体印象是直观系统 1 操作的结果，而鉴别诊断和特征搜索的深思熟虑分析是系统 2 深思熟虑的操作。 尽管来自内科医生、神经科医生和心脏病专家等其他临床专业的专家在很大程度上依赖于模式识别，但他们的评估是基于有意收集的输入（症状、病史、实验室测试等），需要更大程度的系统 2 过程在诊断推理过程的早期。 研究人员推测，不同诊断专业使用模式识别的“时间点”的差异应该反映在不同专业的教育中。 基于这些思考，对于主要依赖视觉处理（皮肤病学、病理学和放射学）的临床医生来说，最佳的教育干预应该是基于案例的培训，具有直接的视觉反馈，并结合具有简洁和相关教学设计的课程。 前面提到的研究表明，在这种教学设计中整合基础科学可以提高诊断的准确性，并将知识转移到类似的疾病类别。 然而，以前的视觉诊断研究未能确定在整合基础科学后性能的提高是否会提高临床医生的模式识别、深思熟虑的特征搜索策略，或两者兼而有之。 这些研究中的教育干预很短，每个诊断包括不到 3 个训练案例，本试验的研究者认为这在疾病视觉分类（模式识别）的心理表征形成方面较低。 最后，以前的研究没有检验将基础科学整合到视觉诊断培训干预的教学设计中的效果及其对学习行为（总持续时间和访问教学材料的次数）、学习曲线（心理表征的形成）的影响和技能/知识检索。 研究人员或假设，在基于案例的视觉诊断培训的教学设计中引入基础科学解释将改善学生的学习曲线、保留和知识/技能在冲刷期后的检索。 据我们所知，以前没有研究详细说明在旨在训练学生模式识别技能的长期基于案例的教育干预中，将视觉标准的生物医学解释整合起来的效果。承认在关注新手和更高级的学习者时学习可能会有所不同，并且即时表现并不总是能预测长期学习结果，这是一个需要填补的重要研究空白。

研究问题：

在一组受过有限皮肤病学培训的医学生中，与没有生物医学解释的相同教学设计相比，在长期的基于病例的皮肤癌视觉模式识别培训计划中整合视觉标准的生物医学因果解释有何效果？ 学生的认知资源从练习模式识别到理解模式的转移将如何影响他们的学习行为、学习曲线（每次诊断的准确性和时间）以及清除期后模式识别技能的恢复？

方法：

该研究将作为随机对照试验进行，分配比例为 1:1。 注册参与者必须积极注册哥本哈根大学健康与医学科学学院，并通过基础组织病理学和细胞生理学考试。 排除标准是以前接受过皮肤镜检查或一般皮肤癌诊断的培训。 至少将招收60名学生。 所有参与者都需要下载包含教育材料的移动应用程序 (Dermloop)。 在注册过程中，参与者将被要求填写有关他们的人口统计信息，输入六位数的试用代码并签署数字同意书。 注册后，参与者将自动随机分配到基础科学或功能组。 在研究期间，所有参与者将完成四个步骤（见图）：

1. 预测试
2. 皮肤癌诊断数字培训课程集中在七种鉴别诊断（痣、黑色素瘤、脂溢性角化病/日光性雀斑、基底细胞癌、皮肤纤维瘤和血管病变）上，时间跨度为 7 天。 两个学习小组的教学材料不同。 基础科学小组将可以访问描述每个诊断的特征视觉标准及其潜在组织病理学原因的模块。 特征组将阅读对视觉标准的相同描述，而不解释潜在的因果机制。
3. 再培训期
4. 保留测试

预测试：

预测试包括来自测试项目库（n=25 项目）的 12 个随机抽样项目（普遍化系数为 0.7），具有皮肤癌诊断的既定有效性证据。

数字培训课程：

该会议包括介绍和介绍六种诊断（痣、黑色素瘤、脂溢性角化病/日光性雀斑、基底细胞癌、皮肤纤维瘤和血管病变）。

简介 简介包括关于皮肤癌诊断的简短书面介绍以及将包含在教育干预中的六种诊断。 参与者将被要求简要阅读具有七种诊断特征的各种皮肤镜检查标准。

案例实践

参与者将被要求在 7 天内对 500 个皮肤损伤进行练习。 培训包括带有直接反馈的测验。 参与者将被要求根据患者的年龄和性别、临床图像、皮肤镜图像和皮肤损伤的位置来诊断皮肤损伤。 参与者将在选择诊断后立即收到反馈。 反馈包括他们的诊断、正确的诊断、对两种诊断的教学设计的访问以及在图像和位置之间切换的能力。 每个测验有 10 个案例，诊断的分布在每个测验中是随机的，但总体分布在 100 个案例中：

诊断分布：

黑色素瘤 20% 痣 20% Seb。 K./ Lentigo Solaris 20% 皮肤纤维瘤 10% 基底细胞癌 10% 血管瘤 10% 鳞状细胞癌。 10%

再培训课程：

在 14 天的洗脱期之后，将要求所有参与者在两天内访问该应用程序并练习另外 100 个案例。

保留测试：

再培训课程结束 7 天后，参与者将被要求回答保留测试。 保留测试由来自用于预测试的相同测试项目库（n = 25 项目）的 12 个随机抽样项目（泛化系数 0.7）组成。

主要成果：

初始学习曲线（每次诊断的准确性和时间）的斜率和平台（如果达到）

次要结果：

阅读教学材料所花费的时间访问教学材料的次数从预测试到保留测试的性能变化。