Metody
50. lekarzy podstawowej opieki medycznej wzięło udział w kursie obejmującym m.in. analizę obrazów ultrasonograficznych oraz ćwiczenia z użyciem symulatorów i modeli pacjentów. Przed i po kursie przeprowadzono testy wiedzy, praktyczne sprawdziany umiejętności oraz ankiety oceniające postrzeganie i zastosowanie LUS w codziennej pracy.

Rezultaty
Po szkoleniu zaobserwowano znaczną poprawę umiejętności praktycznych (procent poprawnych wyników wzrósł z 6% do 76%, p<0,001) oraz zdolności do rozpoznawania obrazów prawidłowych i patologicznych (z 54% do 74%, p<0,001). Dziesięć tygodni po kursie liczba lekarzy regularnie korzystających z LUS wzrosła z 0% do 50%, a odsetek tych, którzy nie korzystali wcale, zmniejszył się z 72% do 26%. Wzrosła także pewność w korzystaniu z LUS (z 10% do 54%, p<0,001) i świadomość jego ograniczeń (z 27,5% do 84%, p<0,001).

Publikacja ta została opracowana przez zespół autorów (Kristen M Brown, Sandra M Swoboda, Gregory E Gilbert, Catherine Horvath oraz Nancy Sullivan) i ukazała się w czasopiśmie Journal of Nursing Education w czerwcu 2023 roku.

W badaniu wzięło udział 155 studentów (zarówno na poziomie licencjackim, jak i studiów zaawansowanych). Aby sprawdzić ich opinie, wykorzystano dwa standardowe kwestionariusze: jeden oceniał wygodę korzystania z oprogramowania, a drugi sprawdzał, na ile symulacja była przydatna pod kątem edukacyjnym.

Badanie ocenia wpływ szkolenia na symulatorze AR-VR (łączącym rzeczywistość wirtualną z fizycznym manekinem) na postawy, odporność psychiczną i kompetencje ratowników medycznych rezerwy w warunkach wojennych. 

15 ratowników przeszło 30-minutowe szkolenie z udrażniania dróg oddechowych. Wyniki wykazały znaczący wzrost odporności psychicznej oraz pewności siebie przy wykonywaniu intubacji, a jakość szkolenia oceniono bardzo wysoko (4,44/5).

Badanie oceniało nowatorski, wielomodułowy program szkolenia z ureterorenoskopii (URS) pod kątem trafności treści i transferu umiejętności do sali operacyjnej. 

46 rezydentów przeszło kolejne etapy programu SIMULATE URS. Uczestnicy wykazali statystycznie istotną poprawę wyników w kolejnych przypadkach oraz pomyślny transfer umiejętności zarówno w zabiegach sztywnych, jak i elastycznych (p<0,01).

Testowano skuteczność programu ENHANCE-EVAR oraz narzędzia EVARATE do oceny umiejętności naprawy tętniaków aorty w czasie rzeczywistym. 

4 lekarzy ukończyło program łączący e-learning i trening praktyczny. Średnia poprawa wyniku EVARATE wyniosła 11,8 pkt, a narzędzie to okazało się wysoce wiarygodne w ocenie umiejętności w autentycznym środowisku edukacyjnym.

Celem było zaplanowanie skutecznej ścieżki uczenia się chirurgii małoinwazyjnej przy użyciu symulatora LapSim® wśród młodych rezydentów. 

Rezydentów podzielono na grupy trenujące raz lub dwa razy w tygodniu. Tylko w grupie trenującej dwa razy w tygodniu odnotowano znaczną poprawę precyzji oraz istotne skrócenie czasu trwania procedur i ścieżki instrumentów.

Badanie oceniło potencjał integracji platformy wirtualnego pacjenta z dużymi modelami językowymi (LLM) w nauczaniu rozumowania klinicznego. Wykazano, że ChatGPT-4 lepiej wspiera początkujących studentów dzięki przystępnemu językowi, natomiast DeepSeek-R1 oferuje większą stabilność diagnostyczną i terapeutyczną, lepiej wpisując się w formalne procesy medyczne.

Scenariusze: Przeanalizowano trzy przypadki: śpiączkę (hipoglikemia), udar niedokrwienny oraz uraz klatki piersiowej.

Procedura: Badacze wprowadzali ustrukturyzowane dane z platformy Body Interact do modeli AI, stosując identyczne prompty.

Ocena: Wyniki poddano wielowymiarowej analizie: ocenie klinicystów (dokładność i logika), samoocenie AI oraz testom czytelności (indeksy SMOG i Gunning Fog) i poprawności językowej.

Skuteczność kliniczna: ChatGPT-4 był bezbłędny w przypadku udaru (100%), ale zawiódł w diagnozowaniu przyczyn śpiączki. DeepSeek-R1 wykazał się większą stabilnością we wszystkich scenariuszach, szczególnie w planowaniu leczenia.

Jakość przekazu: ChatGPT-4 generował teksty o znacząco większej czytelności, co redukuje obciążenie poznawcze uczących się. DeepSeek-R1 cechował się wyższą precyzją gramatyczną.

Wnioski ogólne: Oba modele otrzymały zbliżone, wysokie noty od ekspertów (ok. 88-89 pkt), jednak oba miały trudności z rozpoznaniem hipoglikemii jako przyczyny śpiączki. Wybór modelu powinien zależeć od konkretnych celów dydaktycznych.