DOI: https://doi.org/10.1038/s41746-026-02768-2
PMID: https://pubmed.ncbi.nlm.nih.gov/42141085
تاريخ النشر: 2026-05-16
المؤلف: Scott P. McGrath وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تناقش هذه الفقرة الحالة الحالية لتعليم الذكاء الاصطناعي الطبي، مع تسليط الضوء على تفتته، والتحيز التخصصي، ونقص الهيكل الطولي، خاصة للأطباء العامين. حددت مراجعة تكاملية لـ 23 مقالة تمت مراجعتها من قبل الأقران من 2016 إلى 2025 ثلاثة فجوات هيكلية رئيسية: انتشار التدخلات قصيرة الأجل دون تعزيز، والتحيز نحو المجالات الإجرائية، وتمثيل غير كافٍ للمجال العاطفي في تعليم الذكاء الاصطناعي. لمعالجة هذه القضايا، يقترح المؤلفون إطار عمل AI-PACE (الحركي النفسي، العاطفي، المعرفي، المدمج)، الذي ينظم كفاءات الذكاء الاصطناعي بما يتماشى مع تصنيف بلوم عبر مراحل التعليم الطبي المختلفة، بما في ذلك التعليم الجامعي، والدراسات العليا، والتعليم المستمر.
تؤكد الخاتمة على الحاجة الملحة لتكيف التعليم الطبي مع دمج الذكاء الاصطناعي في الرعاية الصحية. تكشف مراجعة الأدبيات عن انفصال كبير بين الاعتماد السريع لتقنيات الذكاء الاصطناعي في البيئات السريرية واستعداد الأطباء لاستخدامها بفعالية. بينما توجد بعض المبادرات التعليمية، فإن الأطر المنهجية الشاملة والمتماسكة تفتقر إلى حد كبير. يدعو المؤلفون إلى مناهج دراسية توازن بين المعرفة التقنية والتطبيقات السريرية والاعتبارات الأخلاقية، مدمجة بشكل طولي طوال التدريب الطبي، ومدعومة بالتعاون بين التخصصات. يعمل إطار عمل AI-PACE كأداة أساسية لمعلمي الطب لتطوير مناهج قوية للذكاء الاصطناعي، مع اقتراح أن تركز الأبحاث المستقبلية على التنفيذ، والنهج التخصصية، وبرامج تطوير أعضاء هيئة التدريس لتعزيز تعليم الذكاء الاصطناعي. تم تحديد ضمان تجهيز الأطباء بشكل جيد للاستفادة من الذكاء الاصطناعي مع الحفاظ على نهج يركز على المريض كأحد التحديات الحرجة لمستقبل التعليم الطبي.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور التحويلي للذكاء الاصطناعي (AI) في الطب، الذي تطور من أداة داعمة إلى جزء لا يتجزأ من الممارسة السريرية. إن الاعتماد السريع للذكاء الاصطناعي التوليدي (GenAI) من قبل المستهلكين، كما يتضح من الارتفاع السريع لـ ChatGPT، يبرز الحاجة الملحة لمهنيي الطب للتكيف. يستخدم المرضى بشكل متزايد الذكاء الاصطناعي للبحث عن معلومات صحية، مما يدفع مقدمي الرعاية الصحية للتنقل في نظام صحي “ظل” حيث تكون أدوات الذكاء الاصطناعي شائعة. ومع ذلك، فإن التعليم الطبي الحالي لا يعد الأطباء بشكل كافٍ لهذا التحول، حيث يشعر العديد منهم بعدم الاستعداد للتفاعل مع التقنيات الجديدة. تميل الأطر التعليمية الحالية إلى أن تكون متفتتة وتخصصية، تفتقر إلى نهج شامل لمحو الأمية في الذكاء الاصطناعي يمتد عبر كامل التدريب الطبي.
لمعالجة هذه التحديات، تقترح الورقة إطار عمل AI-PACE (الحركي النفسي، العاطفي، المعرفي، المدمج)، الذي يهدف إلى دمج تعليم الذكاء الاصطناعي في جميع مراحل التدريب الطبي. يبرز هذا الإطار أهمية التعرض المبكر والمستمر لمفاهيم الذكاء الاصطناعي، على غرار التدريب الأساسي في مهارات الفحص البدني. يجادل المؤلفون بأنه بدون التحضير المناسب، يخاطر الأطباء بأن يصبحوا مستهلكين سلبيين لمخرجات الذكاء الاصطناعي بدلاً من مقيمين ومستخدمين كفؤين لهذه الأدوات. تمهد المقدمة الطريق لاستكشاف مفصل حول كيفية دمج محو الأمية في الذكاء الاصطناعي بشكل فعال في المناهج الطبية، مما يضمن أن مقدمي الرعاية الصحية المستقبليين مجهزين للتعاون مع تقنيات الذكاء الاصطناعي بطريقة ذات مغزى.
طرق
تستخدم الدراسة طرقًا بيداغوجية متكاملة لتعزيز الفهم وتطبيق الذكاء الاصطناعي (AI) في البيئات السريرية. تشمل الاستراتيجيات الرئيسية التعلم القائم على الحالة، حيث يتم استخدام دراسات حالة “فشل الذكاء الاصطناعي” المتخصصة لتعليم المتعلمين حول معايرة الثقة والتحقق في أنظمة الذكاء الاصطناعي. يهدف هذا النهج إلى تعزيز التفكير النقدي بشأن موثوقية الذكاء الاصطناعي في اتخاذ القرارات السريرية.
بالإضافة إلى ذلك، تتضمن الدراسة امتحانات سريرية موضوعية منظمة (OSCEs)، مما يسمح للمتعلمين بممارسة التعبير عن التشخيصات التي تم إنشاؤها بواسطة الذكاء الاصطناعي ومناقشة قيود الخوارزميات مع مرضى معياريين. يتم تكملة هذا التعلم التجريبي بمشاريع تحسين الجودة، التي تشجع المشاركين في التعليم الطبي العالي (GME) والتعليم الطبي المستمر (CME) على تقييم أداء وأمان أدوات الذكاء الاصطناعي ضمن سير العمل السريري الفعلي الخاص بهم. تهدف هذه الطرق مجتمعة إلى سد الفجوة بين تكنولوجيا الذكاء الاصطناعي والممارسة السريرية، مما يضمن أن المهنيين الصحيين مجهزين جيدًا للتنقل في تعقيدات دمج الذكاء الاصطناعي في رعاية المرضى.
مناقشة
تسلط فقرة المناقشة في ورقة البحث الضوء على الحاجة الملحة لأطر تعليمية شاملة في التعليم الطبي لمواكبة الدمج السريع للذكاء الاصطناعي (AI) في الممارسة السريرية. قام المؤلفون بإجراء بحث منهجي عبر عدة قواعد بيانات، مما أسفر عن 23 مقالة ذات صلة تم تحليلها موضوعيًا لتحديد الكفاءات والهياكل المنهجية المتعلقة بالذكاء الاصطناعي في التعليم الطبي. على الرغم من بعض الجهود الناشئة، لا تزال حالة تعليم الذكاء الاصطناعي متفتتة، مع هيمنة نماذج التدريب قصيرة الأجل المكثفة التي تخاطر بتآكل المعرفة وتفشل في دمج محو الأمية في الذكاء الاصطناعي في سير العمل السريري اليومي.
تؤكد الورقة على أهمية نهج متكامل لتعليم الذكاء الاصطناعي، داعية إلى إطار عمل AI-PACE، الذي يهدف إلى تضمين كفاءات الذكاء الاصطناعي في جميع مراحل التدريب الطبي. يعالج هذا الإطار “فجوة الأطباء العامين” من خلال إعداد الأطباء لتقييم دعم القرار المدفوع بالذكاء الاصطناعي عبر تخصصات مختلفة، بدلاً من التركيز فقط على المجالات التي تركز على الصور. بالإضافة إلى ذلك، يبرز الحاجة إلى معالجة الكفاءات العاطفية، مثل الوعي الأخلاقي والتعاطف في التفاعلات التي تتوسطها الذكاء الاصطناعي. يدعو المؤلفون إلى استثمارات مؤسسية في تطوير أعضاء هيئة التدريس، والتعاون بين التخصصات، والوصول الفني لضمان التنفيذ الفعال لمناهج الذكاء الاصطناعي. يجب أن تركز الأبحاث المستقبلية على التحقق من تأثير هذه المبادرات التعليمية على سلوك الأطباء ونتائج المرضى، مما يضمن في النهاية أن المهنيين الطبيين مجهزين للاستفادة من تقنيات الذكاء الاصطناعي مع الحفاظ على نهج يركز على المريض في الرعاية.
القيود
تتعدد قيود هذه الدراسة ويجب أخذها بعين الاعتبار بعناية. أولاً، تم إجراء عملية فحص المقالات بواسطة مراجع واحد فقط (S.P.M.)، مما يثير مخاوف بشأن احتمال وجود تحيز في الاختيار. لم يكن من الممكن إجراء مراجعة منهجية أكثر صرامة تشمل مراجعين معميين متعددين ضمن نطاق تطوير هذا الإطار. ثانيًا، كان التركيز حصريًا على برامج التدريب الطبي في الولايات المتحدة، مدفوعًا بالحاجة الفورية لإنشاء دورة تجريبية لطلاب الطب الأمريكيين. يحد هذا القيد الجغرافي من إمكانية تعميم إطار عمل AI-PACE على السياقات الدولية، حيث توجد اختلافات في هياكل التدريب، والاعتماد، والأساليب البيداغوجية. ومع ذلك، يمكن تعديل الإطار للاستخدام الدولي من خلال منهجيات التوافق، مثل دراسة دلفي.
بالإضافة إلى ذلك، تشير المخطوطة إلى كل من التقارير الفنية الرسمية وبطاقات النماذج من مختبرات الذكاء الاصطناعي الرائدة، جنبًا إلى جنب مع الأدبيات التي تمت مراجعتها من قبل الأقران، لوصف القدرات الحالية للنماذج. يبرز هذا النهج قيدًا هيكليًا في المجال، حيث تمتد عملية مراجعة الأقران عادةً من 9 إلى 12 شهرًا، مما يؤدي إلى تقييمات قد تعكس نماذج متأخرة جيل أو جيلين عن تلك المستخدمة حاليًا في البيئات السريرية. بينما توفر بطاقات النظام وبطاقات النماذج الوثائق الأكثر حداثة للقدرات وتقييمات السلامة، فإنها تفتقر إلى التحقق من صحة مراجعة الأقران. يجب الاعتراف بهذا القيد المنهجي، ويشجع القراء على تقييم هذه المصادر بشكل نقدي.
DOI: https://doi.org/10.1038/s41746-026-02768-2
PMID: https://pubmed.ncbi.nlm.nih.gov/42141085
Publication Date: 2026-05-16
Author(s): Scott P. McGrath et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
The section discusses the current state of medical AI education, highlighting its fragmentation, specialty bias, and lack of a longitudinal structure, particularly for generalist physicians. An integrative review of 23 peer-reviewed articles from 2016 to 2025 identified three main structural gaps: the prevalence of short-term interventions without reinforcement, bias towards procedural fields, and a consistent under-representation of the Affective domain in AI education. To address these issues, the authors propose the AI-PACE framework (Psychomotor, Affective, Cognitive, Embedded), which organizes AI competencies in alignment with Bloom’s Taxonomy across various stages of medical education, including undergraduate, graduate, and continuing education.
The conclusion emphasizes the urgent need for medical education to adapt to the integration of AI in healthcare. The literature review reveals a significant disconnect between the rapid adoption of AI technologies in clinical settings and the preparedness of physicians to utilize them effectively. While some educational initiatives exist, comprehensive and cohesive curriculum frameworks are largely lacking. The authors advocate for curricula that balance technical knowledge with clinical applications and ethical considerations, integrated longitudinally throughout medical training, and supported by interdisciplinary collaboration. The AI-PACE framework serves as a foundational tool for medical educators to develop robust AI curricula, with future research suggested to focus on implementation, specialty-specific approaches, and faculty development programs to enhance AI education. Ensuring that physicians are well-equipped to leverage AI while maintaining a patient-centered approach is identified as a critical challenge for the future of medical education.
Introduction
The introduction of the research paper highlights the transformative role of artificial intelligence (AI) in medicine, evolving from a supportive tool to an integral part of clinical practice. The rapid adoption of generative AI (GenAI) by consumers, exemplified by the swift rise of ChatGPT, underscores the urgency for medical professionals to adapt. Patients are increasingly utilizing AI to seek health information, prompting healthcare providers to navigate a “shadow” health system where AI tools are prevalent. However, current medical education is inadequately preparing physicians for this shift, with many feeling unprepared to engage with new technologies. The existing educational frameworks tend to be fragmented and specialty-specific, lacking a comprehensive approach to AI literacy that spans the entirety of medical training.
To address these challenges, the paper proposes the AI-PACE Framework (Psychomotor, Affective, Cognitive, Embedded), which aims to integrate AI education throughout medical training. This framework emphasizes the importance of early and continuous exposure to AI concepts, akin to the foundational training in physical examination skills. The authors argue that without proper preparation, physicians risk becoming passive consumers of AI outputs rather than competent evaluators and users of these tools. The introduction sets the stage for a detailed exploration of how to effectively incorporate AI literacy into medical curricula, ensuring that future healthcare providers are equipped to collaborate with AI technologies in a meaningful way.
Methods
The research employs integrated pedagogical methods to enhance the understanding and application of artificial intelligence (AI) in clinical settings. Key strategies include Case-Based Learning, where specialty-specific “AI-Fail” case studies are utilized to teach learners about trust calibration and verification in AI systems. This approach aims to foster critical thinking regarding AI’s reliability in clinical decision-making.
Additionally, the study incorporates Simulation Objective Structured Clinical Examinations (OSCEs), allowing learners to practice articulating AI-generated diagnoses and discussing the limitations of algorithms with standardized patients. This experiential learning is complemented by Quality Improvement Projects, which encourage Graduate Medical Education (GME) and Continuing Medical Education (CME) participants to assess the performance and safety of AI tools within their actual clinical workflows. Collectively, these methods aim to bridge the gap between AI technology and clinical practice, ensuring that healthcare professionals are well-equipped to navigate the complexities of AI integration in patient care.
Discussion
The discussion section of the research paper highlights the urgent need for comprehensive educational frameworks in medical education to keep pace with the rapid integration of artificial intelligence (AI) in clinical practice. The authors conducted a systematic search across multiple databases, yielding 23 relevant articles that were thematically analyzed to identify competencies and curriculum structures related to AI in medical education. Despite some emerging efforts, the current state of AI education remains fragmented, with a predominance of short-term, intensive training models that risk knowledge decay and fail to integrate AI literacy into daily clinical workflows.
The paper emphasizes the importance of an integrated approach to AI education, advocating for the AI-PACE framework, which aims to embed AI competencies throughout the medical training continuum. This framework addresses the “generalist gap” by preparing physicians to evaluate AI-driven decision support across various specialties, rather than focusing solely on image-centric fields. Additionally, it highlights the need for addressing affective competencies, such as ethical awareness and empathy in AI-mediated interactions. The authors call for institutional investments in faculty development, interdisciplinary collaboration, and technical access to ensure effective implementation of AI curricula. Future research should focus on validating the impact of these educational initiatives on physician behavior and patient outcomes, ultimately ensuring that medical professionals are equipped to leverage AI technologies while maintaining a patient-centered approach to care.
Limitations
The limitations of this study are multifaceted and should be carefully considered. Firstly, the article screening process was conducted by a single reviewer (S.P.M.), which raises concerns regarding potential selection bias. A more rigorous systematic review involving multiple blinded reviewers was not feasible within the scope of this framework development. Secondly, the focus was exclusively on medical training programs in the United States, driven by the immediate need to create a pilot course for US medical students. This geographical limitation restricts the generalizability of the AI-PACE framework to international contexts, where variations in training structures, accreditation, and pedagogical methods exist. However, the framework could be adapted for international use through consensus methodologies, such as a Delphi study.
Additionally, the manuscript references both formal technical reports and model cards from leading AI laboratories, alongside peer-reviewed literature, to characterize current model capabilities. This approach highlights a structural limitation in the field, as the peer-review process typically spans 9-12 months, resulting in evaluations that may reflect models one or two generations behind those currently utilized in clinical settings. While system cards and model cards provide the most current documentation of capabilities and safety evaluations, they lack peer-review validation. This methodological constraint should be acknowledged, and readers are encouraged to critically assess these sources.