人工智能联合情景模拟教学法提高非麻醉专业住院医师规范化培训的麻醉技能

2026-04-05 古麻今醉网 古麻今醉网 发表于上海

本研究旨在比较AI联合情景模拟教学法与AI联合传统教学法在非麻醉专业住培学员麻醉相关技能教学中的效果差异。

深度解析医学证据,DeepEvidence为你支撑决策

【综述】

住院医师规范化培训(住培)是医学教育中不可或缺的环节。依据《住院医师规范化培训指南》的规定,外科、妇产科、耳鼻喉科、骨科、急诊科等非麻醉专业住培学员需在麻醉科完成1~2个月的轮转学习,目的是了解麻醉学相关知识和技能,并掌握一些特殊的急救与复苏的方法,成为一名真正的合格医师。由于专科化的深入,使这些非麻醉专业住培学员对麻醉学相关知识和技能的了解非常有限,重视程度不够、缺乏主动学习的积极性、在麻醉学科的培训时间有限,这些都严重影响学员在麻醉学科的培训效果。如何提升非麻醉学专业住培学员的麻醉学理论知识与临床技能,已成为住培面临的一项重大挑战。随着人工智能(artificial intelligence, AI)技术的迅猛发展,运用智能测评工具,通过在线测试、问卷调查以及评估实际教学效果等方式,对非麻醉专业住培学员麻醉理论知识的掌握情况进行全面评估,确定其知识薄弱环节,并根据住培学员的薄弱环节进行推送教学资源(包括测试题和案例分析),助力他们有针对性地学习麻醉相关知识和技能,从而更高效地提升麻醉操作水平和临床决策能力。情景模拟教学法是一种场景应用的临床教学方法,它通过构建接近真实的医疗环境,让住培学员在模拟的临床情境中进行诊断和治疗决策。这种方法能提高住培学员的主动参与度、临床思维、临床推理技能和与患者沟通的能力。本研究旨在比较AI联合情景模拟教学法与AI联合传统教学法在非麻醉专业住培学员麻醉相关技能教学中的效果差异。

1 资料与方法

1.1 研究资料及分组

选择2023年11月至2024年10月在哈尔滨医科大学附属第二医院麻醉科轮转的非麻醉专业住培学员286名,记录并统计其科室来源。根据轮转计划,每月轮转麻醉科的住培学员数量不是固定的,其中奇数月份为观察组(151名),偶数月份为对照组(135名)。两组住培学员应用不同的教学方法进行对比,已经过住培基地和专科基地同意认可。

1.2 教学方法

两组住培学员均接受入科标准化流程的讲解,并且培训时间一致。

对照组采用AI联合传统教学法,以理论讲授和常规技能演示为主,住培学员分组进行演练操作。由教师讲授包括医患沟通的要点(术前禁食水原则、术前访视内容、急性期脑梗死的麻醉禁忌证)、脑挫裂伤昏迷患者的手术室接诊原则、局麻药毒性反应的识别与处理、突发紧急情况处理、手术室心肺复苏急救等。本研究构建的AI学伴(由哈尔滨医科大学主导开发)已在协作方提供的工业级教育云平台上完成部署验证,目前正处在试运行阶段。本研究将AI学伴发放给住培学员,AI学伴可以每天给住培学员推送新学的知识,进行课前测试,把错题存到错题本,课后个性化推送相关的测试题及案例分析。但AI学伴不能采集、模拟教学中住培学员的表现,可以通过课前小测快速、准确地了解住培学员对麻醉药物药理作用、用法用量和不良反应等知识点的掌握程度。这种评估方法能够更全面地确定住培学员的知识薄弱环节,为住培学员个性化推送课后测试及案例分析。

观察组采用AI联合情景模拟教学法,情景模拟教学法内容与对照组的教学内容完全一致,只是这些内容是通过高级模拟人和标准化患者进行操作训练的。具体方法如下:随机选取本组住培学员进行情景模拟实际操作,其他住培学员观看并找出不规范的地方。住培学员自行安排参与人员的角色:包括麻醉医师、外科医师、手术室护士、患者及患者家属等。教师将简要情景模拟教学剧本告知住培学员,由一位教师扮演其中一个角色,在扮演过程中引领或翻转剧情。根据不同的剧本情景进行模拟,住培学员需要与麻醉医师、手术室护士、患者及患者家属进行沟通完成情景模拟教学。情景模拟教学结束后,先由未参与本次情景模拟教学的住培学员进行点评及纠错,再请参与本次情景模拟教学的住培学员对相关的知识点进行总结,最后由教师进行整体总结。

1.3 观察指标

1.3.1 考核成绩

每名住培学员在完成麻醉科轮转培训后,出科时都必须参加理论考核和临床技能考核。两项考核满分均为100分。理论考核为单项选择题,包括全麻相关知识、气管插管操作不当造成的并发症、禁食水的原则、动脉穿刺和中心静脉穿刺的适应证和并发症等;临床技能考核包括气管插管、辅助检查判读、病例分析及医患沟通能力等。计算两组考试成绩的效应量(Cohen's d值)。

1.3.2 教学满意度评分

培训结束后,由住培学员完成匿名教学满意度调查问卷。问卷内容主要包括教学方式、课程计划的合理性、对麻醉专业的认同感等三方面多项内容评分(问卷满分为100分,具体内容见表1),并计算总体满意度评分。

图片

1.4 统计学分析

采用SPSS 20.0统计学软件进行数据分析,正态分布的计量资料以均数±标准差(±s)表示,组间比较采用成组t检验。P<0.05为差异有统计学意义。

2 结果

2.1 科室来源比较

非麻醉专业住培学员科室来源情况见表2。

图片

2.2 两组住培学员出科理论考核成绩与临床技能考核成绩比较

与对照组比较,观察组理论考核成绩(t=2.20,P=0.040)、临床技能考核成绩(t=3.12,P=0.004)均较高。理论考核成绩两组住培学员的效应量Cohen's d值为0.87(>0.5),临床技能考核成绩两组住培学员的效应量Cohen's d值为1.21(>0.5),两组间差异均有统计学意义。见表3。

图片

2.3 两组住培学员对教学满意度比较

与对照组比较,观察组教学方式(t=4.10,P<0.001)、课程计划的合理性(t=3.30,P=0.003)、对麻醉专业的认同感评分(t=3.12,P=0.004)及总体满意度评分(t=11.19,P<0.001)均较高,见表4。Cronbach's α系数为0.813,表明调查问卷信度良好。

图片

3 讨 论

非麻醉专业住培学员在麻醉科轮转培训中面临着若干挑战:首先,轮转周期较短;其次,麻醉学知识专业性较强,非麻醉专业住培学员对理论知识掌握较少;最后,非麻醉专业住培学员对于轮转麻醉科的重要性认识不够,学习动力不足。AI联合情景模拟培训不但能让非麻醉专业住培学员尽快熟悉环境,还能激发他们的学习兴趣并融入轮转学习中。本研究比较AI联合传统教学法与AI联合情景模拟教学法对非麻醉专业住培学员的培训效果,结果显示,AI联合情景模拟教学法更能调动住培学员的学习积极性和参与度,为下一步的学习奠定了基础。

众所周知,情景模拟教学法已经胜过传统的讲授教学法,然而并非所有的住培基地均可以进行情景模拟教学,部分住培基地仍在沿用传统的教学法。AI赋能的教学法是国家大力提倡的,也将是今后教学必须推广应用的教学法。蒋维报道了ChatGPT辅助下翻转课堂联合教学法应用于急诊专业住培,通过个性化测试推送,提高了住培学员的理论考核成绩,与本研究结果一致。尽管AI联合情景模拟教学法优于AI联合传统教学法,但AI联合情景模拟教学法也未达到最佳状态,传统教学法未完全被情景模拟教学法所替代,仍能满足目前的教学所需。

情景模拟教学法通过模拟真实的临床环境,让住培学员在模拟情境中进行决策和操作,这种教学方式培养了住培学员的临床思维和实际操作能力。情景模拟教学法的优势在于其能提供一个接近真实临床环境的模拟场景,让住培学员在没有风险的情况下进行实践操作和决策。在临床工作中,我们不能在患者身上试错,而在模拟手术室这种环境下则允许学员犯错,方便教师进行纠错。情景模拟教学法不仅能提高住培学员的临床技能,还能增强他们的沟通能力和团队协作能力。通过模拟不同的临床情境,住培学员能在实际操作中学习如何处理紧急情况和复杂问题,这对于提高他们的临床应对能力至关重要。本研究中,AI能为住培学员推送个性化的教学资源(针对性的测试题和案例分析),例如,对于没有很好掌握困难气道识别方法的住培学员,推送相关的测试题和实际案例分析,帮助他们加深理解和掌握相关知识。本研究结果显示,AI联合情景模拟教学法可以提高非麻醉专业住培学员的出科理论考核成绩与临床技能考核成绩。

本研究结果显示,观察组对教学方式、课程计划的合理性、对麻醉专业的认同感评分及总体满意度评分均明显高于对照组。众所周知,情景模拟教学法优于传统教学法,但AI联合传统教学法是否能达到单纯情景模拟的教学效果?有基于实证研究的结果显示,AI联合传统教学法使学员的考核成绩提升了18.7%(数学专业),单纯情景模拟教学法仅使学员的考核成绩提升了12.3%(医学),而AI联合情景模拟教学法可使学员的考核成绩提升26.5%(心血管疾病),表明AI联合情景模拟教学法更能提高学员的学习效果。在达标时间方面,AI联合传统教学法可使学员的达标时间缩短30%(编程),情景模拟教学法可使学员的达标时间缩短45%(心肺复苏培训),而AI联合情景模拟教学法可使学员的达标时间缩短55%(外科手术)。在学员的满意度方面,AI联合传统教学法可使学员的满意度达到83%(个性化推荐系统),情景模拟教学可使学员的满意度达到79%(医疗模拟),而AI联合情景模拟教学法可使学员的满意度达到92%。这些研究结果及本研究结果都表明了联合教学模式优于单一教学模式。AI提供的个性化理论知识学习资源与情景模拟教学中的实践操作相结合,激发了住培学员的学习兴趣和积极性,从而使住培学员理论考核成绩与临床技能考核成绩都得到了提高,进而增强了他们对麻醉专业的认同感和归属感,有利于学员长期的学习和发展。这种教学方法的互动性和高参与性是提高住培学员学习效果的关键因素,也提高了住培学员的医患沟通能力,使住培学员在模拟临床环境中练习沟通技巧,为日后的轮转打下了坚实的基础。

尽管本研究取得了积极的结果,但也存在一些局限性:本研究只关注教学培训,并没有对轮转期间教学模式进行跟踪以评估教学模式的长期效果,未来的研究可以考虑对轮转期间的教学模式进行跟踪研究,以更全面地评估教学方法的效果;另外,本研究仅根据月份进行分组,每月轮转至麻醉科的住培学员数量不固定,并没有在同一月份同时设置观察组和对照组,限制了研究结论的推广性;本研究将AI学伴应用于教学,仍处于试运行阶段,初步测试表明,AI学伴在个性化推荐与实时交互方面仍存在响应延迟与适配局限,后续需持续优化算法泛化能力,当前结果仅反映有限场景下的技术可行性。

4 小结

AI联合情景模拟教学法能提高非麻醉专业住培学员的教学效果、教学满意度和学习兴趣。尽管AI联合情景模拟教学法优于AI联合传统教学法,但并不能完全替代传统教学法,也说明了AI联合情景模拟教学法还有较大的提升空间。

国际麻醉学与复苏杂志,2026,47(2):188-192.

DOI:10.3760/cma.j.cn321761-20251020‑01432

评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2306357, encodeId=8b88230635e45, content=<a href='/topic/show?id=d3a024808e0' target=_blank style='color:#2F92EE;'>#人工智能#</a> <a href='/topic/show?id=2a3e1388e82c' target=_blank style='color:#2F92EE;'>#情景模拟教学法#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=55, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=24808, encryptionId=d3a024808e0, topicName=人工智能), TopicDto(id=138878, encryptionId=2a3e1388e82c, topicName=情景模拟教学法)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Sat Apr 04 23:32:42 CST 2026, time=2026-04-04, status=1, ipAttribution=上海)]

相关资讯

Allergy:过敏性鼻炎及其对哮喘新指南首次纳入行星健康、真实世界数据与 AI 辅助决策

ARIA-EAACI 2024-2025指南的制定方法本身即是一种创新,通过多源证据整合、人工智能辅助和患者深度参与,为过敏性鼻炎的管理提供了全面、透明且可落地的实践方案。

Frontiers in Endocrinology :开源AI系统Deplasia让复杂儿科骨龄判读更高效、更精准

本研究成功验证了开源深度学习系统Deplasia在患有罕见综合征、内分泌疾病及溶酶体贮积症的复杂儿科人群中应用的可靠性。

Hepatology:AI驱动的合成数据生成加速肝病学研究——基于美国器官共享联合网络数据库的验证

该研究证实了基于扩散模型生成的合成数据能够高度保真地还原复杂肝病临床数据的统计特性、临床关联与预后模式,

Lancet Oncology:AI凭病理切片精准预测乳腺癌复发风险,替代高价基因检测不是梦

该研究首次利用随机临床试验数据验证AI病理模型的化疗获益预测价值,其构建的模型成本低、可及性高,有望减少不必要的化疗,推动精准肿瘤学在资源有限地区的普及。

JAMA Dermatol:AI与皮肤科医师“同台竞技”,黑色素瘤皮肤镜诊断效能旗鼓相当

AI系统在黑色素瘤皮肤镜诊断中可达到与皮肤科医生相当的效能,作为决策支持工具有望提升诊断表现。

Eur Heart J: AI赋能乳腺检查!精准量化乳腺动脉钙化,提前预警女性心血管病与死亡风险

基于AI的BAC量化方法可通过常规乳腺X线检查实现女性心血管风险的机会性筛查,其预测价值独立于传统风险因素及PREVENT评分,无需额外辐射暴露。

JMIR Nursing:影响重症监护护士人工智能接纳度的关键因素

哈伊勒地区重症监护护士对人工智能具备中等水平的知识储备与总体积极的态度,且两者之间存在明确的正向关联。

Int Forum Allergy Rhinol:实时机器学习辅助鼻内镜鼻窦炎诊断,一项基于临床图像的验证研究

这项研究首次验证了一个用于鼻内镜诊断鼻窦炎的实时机器学习临床决策支持框架。其诊断性能可与经验丰富的耳鼻喉科医生相媲美,并具备实时处理能力。

人工智能在护理领域的研究全景:一项跨越四十年的文献计量分析

这项历时四十年的文献计量学研究系统揭示了人工智能与护理学交叉领域知识生产的宏观图景。