論文の概要: MedSimAI: Simulation and Formative Feedback Generation to Enhance Deliberate Practice in Medical Education

• arxiv url: http://arxiv.org/abs/2503.05793v1
• Date: Sat, 01 Mar 2025 00:51:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 08:47:17.222049
• Title: MedSimAI: Simulation and Formative Feedback Generation to Enhance Deliberate Practice in Medical Education
• Title（参考訳）: MedSimAI:医学教育における熟考の実践を促進するためのシミュレーションとフォーマティブフィードバック生成
• Authors: Yann Hicke, Jadon Geathers, Niroop Rajashekar, Colleen Chan, Anyanate Gwendolyne Jack, Justin Sewell, Mackenzi Preston, Susannah Cornes, Dennis Shung, Rene Kizilcec,
• Abstract要約: MedSimAIはAIを利用したシミュレーションプラットフォームで、故意の実践、自己統制型学習、対話型患者出会いによる自動評価を可能にする。 初等医学生104名を対象にしたパイロットスタディでは,エンゲージメント,会話パターン,ユーザ認知について検討した。 学生たちは、MedSimAIが反復的で現実的な患者史の実践に有用であると考えた。
• 参考スコア（独自算出の注目度）: 0.5068418799871723
• License:
• Abstract: Medical education faces challenges in scalability, accessibility, and consistency, particularly in clinical skills training for physician-patient communication. Traditional simulation-based learning, while effective, is resource-intensive, difficult to schedule, and often highly variable in feedback quality. Through a collaboration between AI, learning science, and medical education experts, we co-developed MedSimAI, an AI-powered simulation platform that enables deliberate practice, self-regulated learning (SRL), and automated assessment through interactive patient encounters. Leveraging large language models (LLMs), MedSimAI generates realistic clinical interactions and provides immediate, structured feedback using established medical evaluation frameworks such as the Master Interview Rating Scale (MIRS). In a pilot study with 104 first-year medical students, we examined engagement, conversation patterns, and user perceptions. Students found MedSimAI beneficial for repeated, realistic patient-history practice. Conversation analysis revealed that certain higher-order skills were often overlooked, though students generally performed systematic histories and empathic listening. By integrating unlimited practice opportunities, real-time AI assessment, and SRL principles, MedSimAI addresses key limitations of traditional simulation-based training, making high-quality clinical education more accessible and scalable.
• Abstract（参考訳）: 医学教育は、拡張性、アクセシビリティ、一貫性の課題に直面する。 従来のシミュレーションベースの学習は、効果的ではあるが、リソース集約的でスケジュールが難しい。 AIを使ったシミュレーションプラットフォームであるMedSimAIは、AI、学習科学、医学教育の専門家とのコラボレーションを通じて、故意の実践、自己規制学習(SRL)、対話的な患者との出会いによる自動評価を可能にした。 大規模言語モデル(LLM)を活用して、MedSimAIはリアルな臨床的相互作用を生成し、Master Interview Rating Scale (MIRS)のような確立された医療評価フレームワークを使用して、即座に構造化されたフィードバックを提供する。 初等医学生104名を対象にしたパイロットスタディでは,エンゲージメント,会話パターン,ユーザ認知について検討した。 学生たちは、MedSimAIが反復的で現実的な患者史の実践に有用であると考えた。 会話分析の結果,一部の高次スキルは見落とされたが,学生は一般に体系的な履歴と共感的聴取を行った。 無制限の実践機会、リアルタイムAIアセスメント、SRL原則を統合することで、MedSimAIは従来のシミュレーションベースのトレーニングの重要な制限に対処し、高品質な臨床教育をよりアクセシビリティでスケーラブルにする。

関連論文リスト

• Medchain: Bridging the Gap Between LLM Agents and Clinical Practice through Interactive Sequential Benchmarking [58.25862290294702]
  臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。 フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
  論文  参考訳（メタデータ） (2024-12-02T15:25:02Z)
• Synthetic Patients: Simulating Difficult Conversations with Multimodal Generative AI for Medical Education [0.0]
  効果的な患者中心コミュニケーションは、医師にとって重要な能力である。 調味剤提供者と医療研修生の双方は、センシティブな話題に関する会話をリードする自信を減らした。 本稿では,ビデオによる会話の対話的リアルタイムシミュレーションを支援するための,新しい教育ツールを提案する。
  論文  参考訳（メタデータ） (2024-05-30T11:02:08Z)
• Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
  VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。 本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T23:19:28Z)
• Automated Generation of High-Quality Medical Simulation Scenarios Through Integration of Semi-Structured Data and Large Language Models [0.0]
  本研究では,半構造化データとLarge Language Models(LLMs)を統合することにより,医学教育の変革的枠組みを導入する。 提案手法はAIを用いて、特定の教育目的に合わせて、詳細な、臨床的に関係のあるシナリオを効率的に生成する。
  論文  参考訳（メタデータ） (2024-04-30T17:06:11Z)
• Leveraging Large Language Model as Simulated Patients for Clinical Education [18.67200160979337]
  高いトレーニングコストと有資格SPは、この種の臨床訓練への学生のアクセスを制限する。 LLM(Large Language Models)の急速な発展に伴い、対話型人工知能とロールプレイングにおける特有な能力が実証された。 臨床医学教育におけるLLMの可能性を生かしたCureFunと呼ばれる統合型モデル診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-13T06:36:32Z)
• Automatic Interactive Evaluation for Large Language Models with State Aware Patient Simulator [21.60103376506254]
  大きな言語モデル(LLM)は、人間の相互作用において顕著な熟練性を示している。 本稿では,SAPS(State-Aware patient Simulator)とAIE(Automated Interactive Evaluation)フレームワークを紹介する。 AIEとSAPSは、多ターン医師-患者シミュレーションを通じてLCMを評価するための動的で現実的なプラットフォームを提供する。
  論文  参考訳（メタデータ） (2024-03-13T13:04:58Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。