Questa revisione scoping rileva che VR e GenAI offrono nuovi modi per valutare il ragionamento clinico nella formazione oncologica. Tuttavia, entrambi richiedono validazioni e quadri etici più solidi prima di un uso educativo diffuso, poiché le evidenze attuali sono preliminari.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di revisione
Il panorama della realtà virtuale e dell'intelligenza artificiale generativa nell'educazione oncologica: una revisione di ambito degli strumenti di valutazione del ragionamento clinico
In questo articolo
Sommario
Abstract
L'oncologia è un contesto in cui il ragionamento clinico è una competenza fondamentale che richiede la sintesi di informazioni cliniche complesse in un contesto ad alto rischio. I metodi convenzionali di valutazione, come i test scritti, gli Esami Clinici Strutturati Obiettivi (OSCE) e le valutazioni basate sul luogo di lavoro, offrono conoscenze preziose, ma non sono comunque efficaci nel riflettere la qualità dinamica e iterativa del ragionamento clinico. Nuove opportunità per superare queste limitazioni sono offerte dalle tecnologie digitali emergenti, in particolare la Realtà Virtuale (VR) e l'Intelligenza Artificiale Generativa (GenAI). La VR facilita ambienti basati su simulazioni, che possono essere immersivi e che permettono la valutazione dei fattori procedurali e situazionali di ragionamento basati sull'azione clinica osservabile. GenAI, a sua volta, offre un'interazione più basata sul dialogo, che consente di valutare i processi cognitivi e analitici, inclusi i processi cognitivi chiave. La letteratura mostra che queste tecnologie hanno vantaggi complementari ma sono concettualmente disgiunte. La VR registra principalmente le prestazioni comportamentali, ma GenAI enfatizza i processi cognitivi, e i due non sono altrettanto integrati. Inoltre, l'attuale base di evidenze è caratterizzata da eterogeneità metodologica, dipendenza da ricerche preliminari e mancanza di evidenze di validità, in particolare riguardo all'affidabilità e all'impatto nel mondo reale. Altri fattori da considerare sono l'effetto del carico cognitivo, la variabilità dell'utente e le questioni etiche, ad esempio il bias algoritmico e la trasparenza. La fattibilità dell'implementazione è ulteriormente influenzata da fattori organizzativi come infrastrutture e prontezza istituzionale. In generale, la VR e la GenAI sono incoraggianti, ma sviluppano anche metodi di valutazione del ragionamento clinico in oncologia. In futuro, l'evoluzione del campo richiederà quadri di valutazione coerenti, validazioni rigorose e strutture etiche chiare.
Introduzione
Il ragionamento clinico, i processi cognitivi e metacognitivi alla base della diagnosi e della gestione, costituisce la pietra angolare di una pratica oncologica sicura edefficace 1. È un processo distintamente complesso nel contesto dell'oncologia, poiché i clinici devono affrontare decisioni probabilistiche di fronte all'incertezza, sintetizzare evidenze in rapido cambiamento delle terapie e partecipare a discussioni multidisciplinari nei comitati tumorali. Inoltre, gli oncologi devono trovare un equilibrio tra il pensiero biomedico e quello centrato sul paziente, includendo l'informazione dei loro prognosi negativi, la gestione di questioni etiche e l'adattamento dei piani di trattamento ai cambiamenti delle malattie 2,3. Queste esigenze stratificate rendono lo sviluppo e la valutazione del ragionamento clinico particolarmente critici nell'educazione oncologica. Tradizionalmente, il ragionamento clinico è stato valutato tramite esami scritti, Esami Clinici Strutturati Obiettivi (OSCE) e valutazioni basate sul posto di lavoro come il Mini-Clinical Evaluation Exercise (Mini-CEX)4. Sebbene tali metodi possano fornire informazioni di base sulle competenze dello studente, presentano svantaggi significativi. I test scritti sono più inclini all'applicazione della conoscenza statica piuttosto che di processi dinamici; Gli OSCE richiedono risorse e potrebbero essere ecologicamente invalidi; così come i test basati sul posto di lavoro sono solitamente episodici e soggettivi e soggetti a bias contestuali. Tutti questi vincoli insieme rendono difficile studiare il carattere iterativo, dipendente dal contesto e longitudinale del ragionamento clinico, specialmente in specialità che comportano grandi rischi e carico cognitivo, comel'oncologia 5. Collettivamente, queste limitazioni ostacolano la capacità di cogliere la natura iterativa, dipendente dal contesto e longitudinale del ragionamento clinico, in particolare in specialità ad alto rischio e a carico cognitivo comel'oncologia 6.
I nuovi sviluppi nelle tecnologie digitali negli ultimi tempi offrono buone opportunità per superare queste sfide. Due di questi includono la Realtà Virtuale (VR) e l'Intelligenza Artificiale Generativa (GenAI), che sono diventati potenti strumenti di educazione medica. La VR offre ambienti basati sulla simulazione, immersivi, altamente spaziali e contestuali, che ricreano lo scenario clinico complesso. Nell'educazione oncologica, queste simulazioni possono simulare scenari come emergenze oncologiche, complicanze durante la chemioterapia e interazioni sensibili con i pazienti, e consentono agli studenti di praticare il processo decisionale in modo esperienziale in un contesto sicuro e controllato 7,8,9. È importante sottolineare che i sistemi VR possono catturare dati comportamentali dettagliati—come sequenze d'azione, tempi e percorsi decisionali—permettendo così la valutazione delle dimensioni procedurali e situazionali del ragionamento clinico.
Contemporaneamente, la GenAI, in particolare i grandi modelli di linguaggio (LLM), ha aperto nuove opportunità per valutare l'architettura cognitiva del ragionamento. I sistemi GenAI hanno la capacità di interagire con gli studenti attraverso il linguaggio naturale per coinvolgerli in contesti adattivi basati sul dialogo che mettono in discussione la generazione di ipotesi, la formazione di diagnosi differenziali e la giustificazione della gestione. Questi sistemi possono esaminare le risposte degli studenti basandosi su tecniche di elaborazione del linguaggio naturale che forniscono una valutazione potenzialmente personalizzata e scalabile di processi di ragionamento che in precedenza erano difficili da misurareoggettivamente 10,11,12.
Inoltre, la letteratura esistente è disgiuntata ed eterogenea dal punto di vista metodologico. Gran parte delle evidenze esistenti si basa su studi pilota, rapporti tecnici o applicazioni principalmente rivolte alla formazione piuttosto che a una vera e propria valutazione. Di conseguenza, la maggior parte degli argomenti sulle capacità di valutazione di VR e GenAI si basa sulla funzionalità tecnologica e non su una validazione empirica rigorosa. Le prove di validità riportate sono varie, con prevalentemente la validità del contenuto e un riferimento minimo alla struttura interna, affidabilità o correlazioni con le misure di valutazione precedentemente consolidate.
Questi vincoli sono ulteriormente aggravati dalle nuove questioni riguardanti l'usabilità, il carico cognitivo e le questioni etiche. Ad esempio, i sistemi GenAI offrono una soluzione interattiva scalabile; tuttavia, i problemi di ridondanza informativa, variabilità della risposta del sistema e familiarità dell'utente possono influenzare l'interazione e la prestazione dello studente. Allo stesso modo, la mancanza di trasparenza, equità e responsabilità negli scenari di valutazione può essere considerata un problema della natura black box del punteggio guidato dall'IA. Dal punto di vista dell'implementazione, i sistemi VR richiedono un enorme investimento infrastrutturale, mentre l'adozione di GenAI si basa sulla preparazione istituzionale, sulla governance e sull'allineamento con gli obiettivi educativi. Questi fattori sottolineano l'importanza di un quadro più concettuale e organizzativo nella valutazione di come tali tecnologie possano essere incorporate nell'educazione oncologica.
In linea con ciò, questa revisione offrirà una sintesi narrativa approfondita della letteratura attuale su VR e GenAI nell'educazione oncologica, con un interesse particolare per la loro applicazione nella valutazione del ragionamento clinico. In particolare, mira a (1) descrivere i progetti tecnologici e i contesti di implementazione di questi strumenti; (2) esaminare le prove della validità riportata e degli esiti educativi; e (3) delineare le principali sfide, come le preoccupazioni cognitive, etiche e organizzative, nonché le future direzioni di ricerca e pratica. I principali database accademici sono stati consultati sistematicamente per trovare la letteratura pertinente, ma come è consuetudine revisionare gli articoli, questo articolo si concentra sull'interpretazione, la sintesi e non sulla reportistica procedurale.
Figura 1 modello integrato che combina la valutazione delle azioni cliniche basata sulla VR con la valutazione della cognizione clinica basata su GenAI. Questo doppio approccio cattura sia le dimensioni comportamentali che analitiche del ragionamento clinico per una valutazione e un feedback completi.
Figura 1: Modello integrato di valutazione del ragionamento clinico utilizzando VR e GenAI. Questa figura mostra un modello integrato che combina la Realtà Virtuale (VR) per valutare il ragionamento clinico basato sull'azione (ad esempio, workflow, procedure, lavoro di squadra) con l'IA Generativa (GenAI) per valutare il ragionamento cognitivo e dialogico (ad esempio, diagnosi, giustificazione, riflessione). Clicca qui per visualizzare una versione più grande di questa figura.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Revisione e prospettiva
Tipologia e implementazione della tecnologia
La situazione attuale nel campo delle tecnologie digitali della valutazione del ragionamento clinico nell'educazione oncologica è caratterizzata da due paradigmi di tecnologie digitali. Gli approcci attuali si basano su sistemi basati su VR e GenAI. Sebbene entrambi i metodi mirino a migliorare la valutazione di competenze cliniche complesse, presentano differenze significative in termini di basi tecnologiche, interazione e logicadi valutazione 13,14. Questi sistemi mettono gli studenti in contesti oncologici realistici, sia in consulenza ambulatoriale, nella gestione di emergenze oncologiche in regime di ricovero o in un contesto decisionale multidisciplinare utilizzando display montati sulla testa e interfacceinterattive 6.
Un vantaggio dei sistemi VR è che possono registrare dati comportamentali granulari utilizzando analisi embedded analytics. Questi dati comprendono una serie di azioni, un programma decisionale, la navigazione e la conformità alle linee guida cliniche. Queste misure permettono agli educatori di valutare gli elementi procedurali del ragionamento clinico, come l'acquisizione dei dati, la priorità delle azioni diagnostiche e l'implementazione dei percorsi di gestione15. Tuttavia, l'implementazione di strumenti di valutazione basati sulla VR è accompagnata da significative sfide infrastrutturali e logistiche. I costi iniziali elevati associati all'acquisizione hardware, allo sviluppo software e alla manutenzione possono limitare l'accessibilità, in particolare in contesti con risorselimitate 16. Inoltre, la necessità di spazi fisici dedicati, supporto tecnico e formazione del corpo docente complica ulteriormente l'implementazione su larga scala. Questi vincoli spesso confinano le applicazioni VR a centri di simulazione specializzati, limitandone la scalabilità e la diffusa integrazione nei programmi oncologici.
Al contrario, gli strumenti basati su GenAI vengono eseguiti tramite interazione in linguaggio naturale, fornendo un nuovo metodo di valutazione. Sviluppati basandosi su grandi architetture di modelli linguistici, coinvolgono gli apprendenti in conversazioni interattive, basate su testo o voce, che imitano meccanismi di ragionamento clinico. Gli studenti sono incoraggiati a descrivere le diagnosi differenziali, la motivazione dietro le decisioni manageriali e a rispondere alle situazioni cliniche in evoluzione, con il sistema che offre feedback formativo e valutazione10,11.
Il principale vantaggio dei sistemi GenAI è che possono valutare gli aspetti cognitivi e analitici del ragionamento clinico. Questi strumenti possono valutare la struttura, la coerenza e la profondità del ragionamento di uno studente osservando il risultato linguistico e andando oltre la correttezza per ottenere informazioni qualitative sul processo di pensiero. Inoltre, le soluzioni GenAI offrono vantaggi significativi in termini di scalabilità e accessibilità. Possono anche essere implementati in contesti di apprendimento remoto e asincrono, a differenza dei sistemi VR, che possono essere implementati solo su interfacce web5.
Nonostante i vantaggi, esistono notevoli svantaggi negli strumenti di valutazione basati su GenAI. La dipendenza dall'elaborazione del linguaggio naturale porta a problemi legati all'affidabilità dei punteggi, all'interpretabilità e alla trasparenza. Molti sistemi sono scatole nere, cioè la logica della decisione di punteggio non è sempre disponibile per gli educatori o gli studenti17. Il tema principale che emerge nella letteratura è il compromesso intrinseco tra validità ecologica e scalabilità tra i due paradigmi tecnologici. I sistemi VR sono buoni nella loro capacità di ricreare contesti clinici realistici e catturare decisioni incarnate, ma richiedono molte risorse e quindi sono limitati in termini di scalabilità. I sistemi GenAI, invece, possono essere utilizzati per valutare i processi cognitivi in modo scalabile e basato suldialogo 7.
È fondamentale che manca significativamente la letteratura esistente che preveda piattaforme integrate o ibride che allineino i vantaggi sia della VR che della GenAI. Questo tipo di integrazione può facilitare la misurazione concomitante della performance procedurale e del ragionamento cognitivo, poiché la natura del processo decisionale clinico èinterconnessa 18. Dal punto di vista dell'implementazione, le capacità tecniche non sono gli unici fattori che determinano l'adozione della tecnologia; Anche fattori organizzativi e ambientali giocano un ruolo. Modelli come il modello Technology-Organization-Environment (TOE) sono una buona prospettiva per spiegare questedinamiche 19.
In generale, la tipologia degli strumenti VR e GenAI illumina uno spazio discontinuo ma in rapida evoluzione. Sebbene entrambe le tecnologie abbiano benefici unici nel misurare un particolare aspetto del ragionamento clinico, la loro separazione esistente non offre l'opportunità di valutarle completamente. Colmare questo divario attraverso l'integrazione concettuale, l'innovazione tecnologica e strategie di implementazione contestuale sarà necessario per portare il campo verso modelli di valutazione più completi ed efficaci.
Costrutti di ragionamento clinico e valutazione iterativa
Il ragionamento clinico è un concetto multidimensionale che coinvolge processi cognitivi, metacognitivi e comportamentali che supportano il processo decisionale diagnostico e terapeutico. In oncologia, l'incertezza, le evidenze dinamiche e la necessità di un coordinamento interdisciplinare complicano ulteriormente questi processi. La letteratura sta sempre più concettualizzando il ragionamento clinico come un continuum che comprende l'acquisizione di informazioni, la generazione di ipotesi, il perfezionamento della diagnosi, il processo decisionale e la valutazioneriflessiva 20,21.
I sistemi basati sulla VR sono per lo più coerenti con la valutazione degli aspetti osservabili e orientati all'azione del ragionamento clinico. Inserendo gli studenti in contesti clinici simulati, queste piattaforme permettono di testare come le persone acquisiscono conoscenze, si concentrano sui processi diagnostici ed eseguino una serie di operazioni. Si concentra sulla traduzione del ragionamento in azione, in cui le decisioni cliniche si basano su modelli di interazione nell'ambientesimulato 22.
I sistemi basati su GenAI, al contrario, si concentrano sui processi di evocazione e analisi dei processi cognitivi interni alla base del ragionamento clinico. L'interazione con il linguaggio naturale incoraggia gli studenti a esprimere la diversa diagnosi, a giustificare le scelte di gestione clinica e a riflettere sulle incertezze cliniche. Tali sistemi determinano il ragionamento misurando la coerenza semantica, la struttura logica e la profondità delle risposte dell'apprendente, tipicamente applicando metodi di elaborazione del linguaggio naturale per fornire un'approssimazione del giudizioesperto 13,10.
Sebbene questi siano punti di forza complementari, una debolezza che si è rivelata più critica in tutta la letteratura è la frammentazione avversaria della valutazione tra domini cognitivi e comportamentali. Una pratica reale del ragionamento clinico è intrinsecamente iterativa, il che significa un feedback costante tra pensiero e azione. Questo è un processo ciclico chiave in un processo decisionale clinico efficace, specialmente in oncologia, in cui le condizioni e le reazioni dei pazienti al trattamento cambiano neltempo 11.
Questa interazione dinamica spesso non si riflette negli attuali strumenti VR e GenAI. I sistemi VR generalmente derivano il ragionamento da comportamenti osservabili senza necessariamente raggiungere i processi mentali sottostanti, mentre i sistemi GenAI analizzano ragionamenti articolati al di fuori del contesto del comportamento clinico. Di conseguenza, entrambe le strategie presentano immagini distorte della competenza clinica e non possono valutare adeguatamente l'intera gamma di attività di ragionamento. L'altra significativa debolezza associata all'uso dell'analisi automatica come principale strumento di valutazione. In VR, l'analisi dei file di log viene utilizzata per comprendere il comportamento degli utenti, ma queste misurazioni potrebbero non essere sufficienti per comprendere il ragionamento dietro le scelte cliniche. Allo stesso modo, l'interpretazione algoritmica del linguaggio è comunemente utilizzata per valutare i sistemi GenAI e potrebbe ignorare sfumature linguistiche come l'intuizione clinica, la gestione dell'incertezza o il ragionamento contestuale23.
Inoltre, la letteratura nota l'assenza di metodi standardizzati per mappare i risultati tecnologici con modelli noti di ragionamento clinico. Sebbene esistano studi che collegano implicitamente la VR al ragionamento procedurale e la GenAI al ragionamento cognitivo, pochi studi collocano questi strumenti nel contesto di costrutti teorici validati. Questa disparità limita le possibilità di effettuare confronti con i risultati di altri studi e di formare una struttura coerente di valutazione potenziata dallatecnologia 24.
L'obiettivo della ricerca futura in questo ambito dovrebbe essere l'integrazione delle modalità cognitive e comportamentali di valutazione. Sistemi ibridi combinati I sistemi ibridi che integrano simulazioni immersive con dialoghi in tempo reale, mediati dall'IA, possono abbracciare meglio il carattere iterativo del ragionamento clinico. Con questi, il comportamento degli apprendenti in un ambiente virtuale può suscitare una risposta interrogativa da parte di un agente IA, permettendo così di valutare sia ciò che fanno gli studenti sia perché lo fannocontemporaneamente 25,26.
Nel complesso, sebbene le tecnologie VR e GenAI forniscano utili intuizioni su aspetti specifici del ragionamento clinico, la loro applicazione rimane attualmente disconnessa. Sarà necessaria l'integrazione dei concetti, del rigore metodologico e dell'innovazione tecnologica per affrontare questa frammentazione e sviluppare strategie di valutazione complete e significative nell'educazione oncologica. La Tabella 1 evidenzia le principali differenze tra la Realtà Virtuale (VR) e l'IA Generativa (GenAI) per valutare il ragionamento clinico, confrontando i rispettivi focus, interazioni, punti di forza, limitazioni e output di dati. Inoltre, la Figura 2 illustra il ciclo di ragionamento clinico iterativo, che mostra come la VR supporti la raccolta, l'azione e la riflessione dei dati, mentre la GenAI aiuta la generazione, il perfezionamento e la spiegazione diagnostica delle ipotesi. Insieme, permettono un ciclo continuo di decisioni informate e apprendimento esperienziale.
| Dimensione | Realtà Virtuale (VR) | IA generativa (GenAI) |
| Focus della valutazione | Procedurale / comportamentale | Cognitivo/analitico |
| Modalità di interazione | Simulazione immersiva | Basato sul dialogo |
| Forza | Alta validità ecologica | Alta scalabilità |
| Limitazione | Molto risorsorsante | Trasparenza limitata |
| Tipo di dati | Registri comportamentali | Risposte in linguaggio naturale |
Tabella 1: Confronto tra VR e GenAI nella valutazione del ragionamento clinico. Confronto tra Realtà Virtuale (VR) e IA Generativa (GenAI) per la valutazione del ragionamento clinico in dimensioni chiave, tra cui focus sulla valutazione, modalità di interazione, punti di forza, limitazioni e tipo di dato.
Figura 2: Ciclo di ragionamento clinico iterativo: contributi di VR e GenAI. Il ciclo di ragionamento clinico iterativo illustra come la VR catturi azioni e prestazioni durante compiti basati sulla simulazione (raccolta di informazioni e presa di decisioni), mentre GenAI supporta la generazione di ipotesi, la diagnosi differenziale, la spiegazione e il perfezionamento, permettendo insieme una riflessione continua e l'apprendimento dall'esperienza. Clicca qui per visualizzare una versione più grande di questa figura.
Prove di validità e limiti di misurazione
Sviluppare prove solide di validità è fondamentale per implementare qualsiasi strumento di valutazione, specialmente in aree ad alto rischio come l'educazione oncologica. La concettualizzazione moderna della teoria della validità considera la validità come un unico costrutto supportato da diverse fonti di evidenza come contenuto, processo di risposta, struttura interna, relazioni con altre variabili e conseguenze dellavalutazione 27,28.
La maggior parte degli studi si concentra sulla validità dei contenuti, che viene solitamente dimostrata attraverso la revisione esperta di situazioni cliniche, la progettazione del compito o i criteri di punteggio. Sebbene questi metodi assicurino che il materiale di valutazione sia pertinente e coerente con la pratica oncologica, non forniscono molte informazioni sulla capacità degli strumenti di misurare i costrutti sottostanti del ragionamento clinico. Nella maggior parte dei casi, la convalida del contenuto è considerata prova adeguata di efficacia, anche se mancano pratiche psicometriche piùrigorose 29.
C'è una segnalazione meno coerente delle evidenze sulla validità del processo di risposta - cioè su come gli studenti percepiscono e interagiscono con le attività di valutazione. Altri studi utilizzano test di usabilità, feedback degli studenti o protocolli think-loud per implicare che i partecipanti interagiscono con ambienti VR o sistemi GenAI nel modo desiderato. Inoltre, non è ancora chiaro in che misura queste interazioni possano catturare con precisione il vero ragionamento clinico, specialmente in scenari simulati o mediati dall'IA30.
Uno dei vincoli più importanti sia nelle modalità VR che GenAI è la mancanza di evidenze sulla struttura interna. Le misure di affidabilità, inclusa coerenza interna, accordo tra valutatori o stabilità test-retest, sono raramente riportate. Questo è particolarmente problematico per strumenti basati su valutazione automatica. I sistemi GenAI sono inoltre variabili in termini di algoritmi di punteggio guidati dall'elaborazione del linguaggio naturale, dove i risultati possono variare a seconda del progetto del prompt, dei parametri del modello o dell'interpretazionecontestuale 31.
Allo stesso modo, ci sono poche evidenze di relazioni con altre variabili. Non molti studi hanno cercato di collegare le prestazioni sulle piattaforme VR o GenAI con tecniche di valutazione esistenti, inclusi OSCE, test scritti o valutazioni sul posto di lavoro. Senza tali confronti, diventa difficile sapere se queste tecnologie misurino i costrutti coerenti con i quadri attuali di competenza clinica. Una tale carenza nella validità convergente e discriminante limita l'interpretazione e la credibilità dei risultati dellavalutazione 32.
La lacuna più grande nella letteratura, tuttavia, è la mancanza di validità del trasferimento. Pochi o nessun dato supporta il concetto che la pratica nelle simulazioni VR o nei test basati su GenAI sia correlata a un ragionamento clinico migliore nella vera e propria pratica oncologica. Poiché l'obiettivo finale della formazione medica è migliorare l'assistenza al paziente, questa restrizione rappresenta uno dei maggiori ostacoli all'implementazione di tali strumenti nei programmi formali di valutazione. In assenza di studi longitudinali o di esito esito, l'effetto educativo di queste tecnologie è limitato alla situazione simulata o sperimentale in cui vengonoimplementate 33.
Oltre a questi svantaggi psicometrici, ci sono altre sfide poste dall'uso crescente dell'analisi automatica. Sia la VR che la GenAI si basano fortemente sull'interpretazione algoritmica del comportamento o del linguaggio dell'utente, sollevando dubbi su trasparenza e interpretabilità. La natura black-box dei grandi modelli linguistici nel contesto delle valutazioni basate su GenAI complica la comprensione di come vengono prodotti i punteggi e come garantire punteggi imparziali. Tale inspiegabilità può distruggere la fiducia tra insegnanti e studenti, specialmente in ambienti ad alto rischio34.
Un altro problema essenziale è il bias nella valutazione basata sull'IA. I dati di addestramento utilizzati per creare modelli linguistici potrebbero catturare differenze nelle conoscenze cliniche, nei modelli comunicativi o nelle pratiche culturali, portando così a differenze sistematiche nel punteggio tra i gruppi di apprendenti. Se non affrontati, tali pregiudizi possono avere gravi conseguenze sugli aspetti di equità e equità nell'educazionemedica 35.
Inoltre, le implicazioni della valutazione, un altro aspetto importante della validità, sono raramente discusse nella letteratura esistente. Pochissime ricerche esaminano gli effetti dell'uso di strumenti VR o GenAI sul comportamento degli studenti, sui percorsi educativi o sul processo decisionale negli ambienti clinici. La mancanza di studi sugli effetti a valle limita la conoscenza degli effetti positivi e dei possibili effetti non intenzionali di questetecnologie 36.
In conclusione, le tecnologie VR e GenAI sono promettenti nel fornire nuovi metodi per valutare il ragionamento clinico, ma la base di evidenze esistente è insufficiente per implementarle in situazioni ad alto rischio. In tutti i settori, migliorare la validità garantirà il passo successivo: trasformare questi strumenti da uso sperimentale a elementi efficaci della valutazione dell'educazione oncologica. La Tabella 2 riassume le prove di validità per VR e GenAI in quattro domini—contenuto, struttura interna, relazioni con altre variabili e conseguenze—evidenziando al contempo limitazioni chiave, tra cui progetti guidati da esperti, test di affidabilità limitati, studi comparativi scarsi e l'assenza di dati sugli esiti a lungo termine.
| Dominio di validità | Prove VR | Prove GenAI | Limitazione Chiave |
| Contenuto | Forte | Moderato | Per lo più guidato dagli esperti |
| Struttura interna | Limitato | Limitato | Mancanza di test di affidabilità |
| Relazioni con altre variabili | Scarso | Scarso | Pochi studi comparativi |
| Conseguenze | Minimal | Minimal | Nessun esame a lungo termine |
Tabella 2: Prove di validità tra le tecnologie. Questa tabella mostra le evidenze di validità per la VR e la GenAI nella valutazione del ragionamento clinico su contenuti, struttura interna, relazioni con altre variabili e domini delle conseguenze
Risultati educativi e cautela interpretativa
L'aumento dell'adozione della Realtà Virtuale (VR) e dell'Intelligenza Artificiale Generativa (GenAI) nell'educazione oncologica è stato accolto dalla letteratura che documenta i risultati complessivi positivi dell'educazione. Questi sono un migliorato coinvolgimento degli studenti, la motivazione, il realismo percepito degli ambienti di apprendimento e la capacità di ricevere feedback immediati epersonalizzati 37,38,39. Tali risultati suggeriscono che queste tecnologie rappresentano potenziali esperienze educative e per supportare lo sviluppo delle competenze di ragionamento clinico.
Una percentuale significativa dei risultati riportati è auto-dichiarata, come la soddisfazione dello studente, la percezione della fiducia in sé stessi o la valutazione soggettiva dell'apprendimento. Sebbene questi indicatori servano come informazioni approfondite sull'esperienza utente, non sono sempre associati a un ragionamento clinico tangibile o a miglioramenti nelle prestazionicliniche 40. Nel caso della reportistica oggettiva, tendono a concentrarsi sui risultati delle prestazioni sulla piattaforma tecnologica stessa. Sebbene questi risultati possano suggerire che lo strumento sia stato utilizzato con successo, non determinano se tale interazione possa essere ulteriormente tradotta in competenza generale nel ragionamento clinico. I progressi ottenuti in contesti controllati o simulati possono essere associati alla familiarità con il sistema piuttosto che alla reale crescita cognitiva ocomportamentale 53. L'altra limitazione è legata alle caratteristiche metodologiche degli studi esistenti. Gran parte della letteratura comprende studi su piccola scala, con singola istituzione, con campioni limitati e periodi di intervento brevi. Queste limitazioni diminuiscono il potere statistico e limitano la generalizzazione dei risultati a un'ampia gamma di contestieducativi 33.
Il problema della trasferibilità è di particolare interesse nell'educazione al cancro. Il ragionamento clinico oncologico è un processo decisionale complesso e longitudinale che avviene entro un certo periodo di tempo e in contesti clinici. Tuttavia, manca letteratura sul fatto che le competenze formate negli interventi VR o GenAI rimangano dopo il contesto di apprendimento immediato o influenzino la vera pratica clinica. Inoltre, la letteratura tende a mescolare risultati di formazione e valutazioni. La maggior parte delle applicazioni VR e GenAI ha come obiettivo principale la facilitazione dell'apprendimento come strumento educativo, ma il loro successo è talvolta visto come segno di validità della valutazione. Per interpretare accuratamente, è importante differenziare i benefici dell'apprendimento formativo e l'utilità della valutazione sommativa42.
Ci sono anche ragioni cognitive che rendono più complicata l'interpretazione dei risultati educativi. Le tecnologie avanzate presentano una gamma di carichi cognitivi e possono influenzare le prestazioni degli studenti. Ad esempio, i sistemi VR immersivi possono avere un carico cognitivo superfluo in termini di navigazione, interazione con l'interfaccia o elaborazione sensoriale. Con il giusto design e la familiarità dell'utente, questi fattori possono facilitare o ostacolare l'apprendimento36. Anche l'esperienza utente e la precedente esperienza con la tecnologia sono fattori. Gli studenti più abituati alle interfacce informatiche o ai sistemi guidati dall'IA possono ottenere risultati migliori, non necessariamente perché abbiano un ragionamento più clinico, ma grazie a un'interazione più comoda con ilsistema 43.
La possibilità di conseguenze indesiderate è un altro fattore da tenere in considerazione. Per illustrare, un'eccessiva dipendenza dal feedback sviluppato dall'IA può ridurre le possibilità di pensiero logico o analisi critica. Allo stesso modo, situazioni di realtà virtuale ben articolate possono involontariamente limitare il processo decisionale riducendo il numero di azioni potenziali. La letteratura attuale non indaga in modo approfondito questi effetti, ma hanno implicazioni significative sul design educativo44.
Sebbene queste restrizioni esistano, le tendenze positive registrate in termini di coinvolgimento degli studenti e apprendimento esperienziale non possono essere trascurate. Ambienti di pratica sicura, feedback in tempo reale e la possibilità di essere esposti a situazioni complesse più e più volte sono vantaggi delle tecnologie VR e GenAI. Queste caratteristiche possono essere associate alle teorie educative attuali, come l'apprendimento esperienziale e la pratica deliberata, che danno priorità all'apprendimento attivo e al miglioramentocontinuo 45.
Nel complesso, sebbene le tecnologie VR e GenAI mostrino una significativa promessa per trasformare l'educazione oncologica, la base di evidenze è attualmente limitata in termini di metodologia e interpretazione. È quindi necessario un atteggiamento critico e cauto per evitare generalizzazioni eccessiva dei risultati e per garantire che le affermazioni sull'efficacia dell'istruzione abbiano solide evidenze empiriche.
Considerazioni cognitive, etiche e organizzative
Cognitivamente, lo sviluppo di queste tecnologie e la loro applicazione possono avere un impatto significativo su come gli studenti percepiscono le informazioni e praticano il ragionamento clinico. La teoria del carico cognitivo offre un quadro pratico per comprendere questi effetti con tre tipi di carico cognitivo, ovvero carico cognitivo intrinseco, estraneo e carico cognitivorilevante 43. Sebbene gli ambienti VR siano immersivi e coinvolgenti, possono imporre un carico cognitivo significativo e superfluo agli utenti, richiedendo navigazione, stimolazione sensoriale e la complessità dell'interfaccia. A meno che non siano ben pianificati, tali fattori possono spostare le risorse cognitive verso aree diverse dai processi essenziali di ragionamento, annullando così la performance di apprendimento e valutazione38.
Allo stesso modo, i sistemi GenAI presentano nuove sfide cognitive riguardo alla presentazione delle informazioni e alle dinamiche di interazione. Un esempio è che un feedback eccessivo o ridondante prodotto dai sistemi di IA può portare a un sovraccarico di informazioni, che può ostacolare un apprendimento di successo. D'altra parte, un feedback adattivo progettato correttamente può aumentare il carico cognitivo rilevante attraverso la formazione di schemi e il pensieroriflessivo 46. L'equilibrio tra guida e autonomia cognitiva è quindi fondamentale, poiché un'eccessiva dipendenza dalle risposte generate dall'IA può ridurre le opportunità di risoluzione indipendente dei problemi e pensiero critico.
L'impegno cognitivo con tali tecnologie è anche mediato dalla familiarità dell'utente e dalla alfabetizzazionedigitale 44.
L'etica è anche un aspetto chiave nell'implementazione della VR e della GenAI nella valutazione dell'educazione. Tra le questioni più rilevanti vi è il concetto di bias algoritmico nei sistemi basati sull'IA. I modelli di machine learning, come i grandi modelli linguistici, sono addestrati su grandi quantità di dati che possono essere sbilanciati verso le norme sociali, culturali o professionali esistenti. Di conseguenza, i risultati delle valutazioni possono portare a discriminazioni indesiderate contro gruppi specifici di studenti, e equità ed equità sono messe indiscussione 35. Altre questioni etiche sono la trasparenza e la spiegabilità. La maggior parte dei sistemi GenAI sono scatole nere, senza descrizioni esplicite del processo decisionale. Questa interpretabilità nelle valutazioni può causare una mancanza di fiducia tra studenti ed educatori, specialmente quando il prodotto finale ha gravi implicazioniaccademiche 34.
La sicurezza e la privacy dei dati sono anch'esse fattori significativi da considerare, poiché i dati educativi e, possibilmente, quelli clinici sono sensibili. La VR può essere utilizzata per registrare dati comportamentali dettagliati, mentre le piattaforme GenAI possono gestire grandi quantità di dati testuali. Per mantenere standard etici e fiducia nell'istituzione, è importante garantire che le norme sulla protezione dei dati siano rispettate e che le informazioni degli utenti rimangano tutelate47.
Oltre alle questioni a livello individuale, le questioni organizzative sono decisive per l'adozione efficace di queste tecnologie. L'implementazione di VR e GenAI nell'educazione oncologica deve essere coerente con gli obiettivi delle istituzioni, l'accesso alle risorse e i quadri di governance di supporto. Il modello Tecnologia-Organizzazione-Ambiente (TOE) è uno strumento prezioso per esaminare questi fattori e concentrarsi sull'interazione tra preparazione tecnologica, capacità organizzative e impatto dell'ambienteesterno 48.
La prontezza organizzativa include la competenza del corpo docente, la formazione e l'accettazione di nuove tecnologie. La possibile resistenza all'adozione può essere legata alle paure di affidabilità, sovraccarico di lavoro o semplicemente alla scarsa familiarità con i sistemi guidati dall'IA. Questi vincoli possono essere superati attraverso programmi focalizzati nello sviluppo del corpo docente e attraverso regole esplicite su come la tecnologia viene utilizzata nella valutazione49.
Un nuovo approccio al campo si concentra sull'idea di autonomia illuminata, in cui i sistemi di IA sono creati per aiutare e non sostituire il giudizio umano. Questo metodo propone la combinazione armoniosa di analisi automatica e controllo umano, dove la tecnologia migliorerebbe il processo decisionale senza interferire con la responsabilità o laprofessionalità 50. Nel contesto della valutazione del ragionamento clinico, questo può comportare la combinazione di insight generati dall'IA con la valutazione degli esperti per ottenere un processo di valutazione più completo e affidabile.
Nel complesso, l'introduzione della VR e della GenAI nell'educazione oncologica comporta più di una semplice innovazione tecnica; Esplora inoltre aspetti cognitivi, etici e organizzativi complessi. Queste considerazioni sono fondamentali per garantire che queste tecnologie siano massimizzate in termini di valore educativo e riduzione dei rischi. Una strategia interdisciplinare che consideri il design centrato sull'utente, le preoccupazioni etiche e la preparazione istituzionale sarà fondamentale per lo sviluppo dell'uso responsabile della tecnologia nella valutazione del ragionamento clinico. Figura 3 Framework Technology-Organization-Environment (TOE) che identifica i fattori chiave di implementazione per integrare VR e GenAI nell'educazione oncologica. L'adozione di successo richiede l'allineamento tra le capacità del sistema, il supporto organizzativo e le condizioni ambientali esterne.
Figura 3: Framework Tecnologia-Organizzazione-Ambiente (TOE) per l'implementazione di VR e GenAI nell'Educazione Oncologica. Il framework Technology-Organization-Environment (TOE) si applicava all'integrazione di VR e GenAI nell'educazione oncologica, evidenziando fattori chiave nella capacità del sistema, nella leadership e nel curriculum, nonché nelle considerazioni regolatorie, finanziarie e culturali per un'implementazione di successo. Clicca qui per visualizzare una versione più grande di questa figura.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Conclusioni
Il ragionamento clinico in oncologia è una questione in espansione e sfida che da tempo è un aspetto complesso, dinamico, ad alto rischio e specifico per il contesto del processo decisionale oncologico. Questa revisione ha discusso le nuove funzioni della Realtà Virtuale (VR) e dell'Intelligenza Artificiale Generativa (GenAI) come soluzioni innovative ai limiti delle tecniche di valutazione convenzionali. Nel complesso, le evidenze suggeriscono che queste tecnologie offrono vantaggi non ...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Ringraziamenti
Finanziamento: Fondo: Progetto di Ricerca Generale (Categoria Scienze Naturali) del Dipartimento Provinciale dell'Istruzione dello Zhejiang (Grant n.Y202558353).
Fondo: Progetto di Ricerca sull'Istruzione Superiore Progetto Speciale: L'Intelligenza Artificiale Potenzia l'Istruzione e le Applicazioni dell'Insegnamento (KT2025426)
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Riferimenti
- Shimizu, H., Nakayama, K. I. Artificial intelligence in oncology. Cancer Sci. 111 (5), 1452-1460 (2020).
- Ginsburg, K. B., Curtis, G. L., Timar, R. E., George, A. K., Cher, M. L. Delayed radical prostatectomy is not associated with adverse oncologic outcomes: implications for men experiencing surgical delay due to the COVID-19 pandemic. J Urol. 204 (4), 720-725 (2020).
- Egbuna, I., Olatokun, T., Ozo-Ogueji, P., Ekechi, C., Akinbo, O., et al. Revolutionizing cancer surgery: Harnessing artificial intelligence and augmented reality for next-generation precision oncology. Int J Life Sci Res Arch. 9 (1), 147-176 (2025).
- Sminia, P., et al. Clinical radiobiology for radiation oncology. Radiobiology textbook. , (2023).
- Wood, E. A., Ange, B. L., Miller, D. D. Are we ready to integrate artificial intelligence literacy into medical school curriculum? Students and faculty survey. J Med Educ Curric Dev. 8, 23821205211024078 (2021).
- Kok, D. L., Dushyanthen, S., Peters, G., Sapkaroski, D., Barrett, M., et al. Virtual reality and augmented reality in radiation oncology education: A review and expert commentary. Tech Innov Patient Support Radiat Oncol. 24, 25-31 (2022).
- Rahimi, F., Sadeghi-Niaraki, A., Choi, S. M. Generative AI meets virtual reality: A comprehensive survey on applications, challenges, and future directions. IEEE Access. 13, 1-20 (2025).
- von Ende, E., Ryan, S., Crain, M. A., Makary, M. S. Artificial intelligence, augmented reality, and virtual reality advances and applications in interventional radiology. Diagnostics (Basel). 13 (5), 892 (2023).
- Esmail, S., Concannon, B. Immersive virtual reality and AI (generative pretrained transformer) to enhance student preparedness for objective structured clinical examinations: Mixed methods study. JMIR Serious Games. 13, e69428 (2025).
- Gilson, A., Safranek, C. W., Huang, T., Socrates, V., Chi, L., et al. How does ChatGPT perform on the United States Medical Licensing Examination (USMLE)? The implications of large language models for medical education and knowledge assessment. JMIR Med Educ. 9 (1), e45312 (2023).
- Kung, T. H., Cheatham, M., Medenilla, A., Sillos, C., De Leon, L., et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLoS Digit Health. 2 (2), e0000198 (2023).
- Xu, L., Sanders, L., Li, K., Chow, J. C. Chatbot for health care and oncology applications using artificial intelligence and machine learning: Systematic review. JMIR Cancer. 7 (4), e27850 (2021).
- Pottle, J. Virtual reality and the transformation of medical education. Future Healthc J. 6 (3), 181-185 (2019).
- Farina, E., Nabhen, J. J., Dacoregio, M. I., Batalini, F., Moraes, F. Y. An overview of artificial intelligence in oncology. Future Sci OA. 8 (4), FSO787 (2022).
- Hamilton, A. Artificial intelligence and healthcare simulation: The shifting landscape of medical education. Cureus. 16 (5), e00000 (2024).
- Siddiqui, F. M., Jabeen, S., Alwazzan, A., Vacca, S., Dalal, L., et al. Integration of augmented reality, virtual reality, and extended reality in healthcare and medical education: A systematic review. J Med Educ Curric Dev. 12, 23821205251342315 (2025).
- Wang, S., Zhang, H. Industrial information integration through autonomous AI agents: Paradoxical effects on transparency, dehumanization, and responsible operations. J Ind Inf Integr. 51, 101089 (2026).
- Tortora, A., Amaro, I., Della Greca, A., Barra, P. Exploring the role of generative artificial intelligence in virtual reality: Opportunities and future perspectives. , 125-142 (2025).
- Wang, S., Zhang, H. Generative AI in international hotel marketing: Impacts on employee creativity and performance. Int J Contemp Hosp Manag. 37 (8), 2601-2626 (2025).
- Christensen, N., Jones, M. A., Rivett, D. A., Jones, M. A., Rivett, D. A. Strategies to facilitate clinical reasoning development. Clinical reasoning in musculoskeletal practice. , 562-582 (2019).
- Cook, D. A., Sherbino, J., Durning, S. J. Management reasoning: Beyond the diagnosis. JAMA. 319 (22), 2267-2268 (2018).
- Croskerry, P. A universal model of diagnostic reasoning. Acad Med. 84 (8), 1022-1028 (2009).
- Norman, G. Research in clinical reasoning: Past history and current trends. Med Educ. 39 (4), 418-427 (2005).
- Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
- Durning, S. J., Artino, A. R., Pangaro, L. N., van der Vleuten, C., Schuwirth, L. Redefining context in the clinical encounter: Implications for research and training in medical education. Acad Med. 85 (5), 894-901 (2010).
- Bickmore, T. W., Giorgino, T. Health dialog systems for patients and consumers. J Biomed Inform. 39 (5), 556-571 (2006).
- Messick, S. Validity. educational measurement. , 13-103 (1989).
- Cook, D. A., Beckman, T. J. Current concepts in validity and reliability for psychometric instruments: Theory and application. Am J Med. 119 (2), 166.e7-166.e16 (2006).
- Downing, S. M. Validity: On meaningful interpretation of assessment data. Med Educ. 37 (9), 830-837 (2003).
- Artino, A. R., La Rochelle, J. S., Dezee, K. J., Gehlbach, H. Developing questionnaires for educational research: AMEE Guide No. 87. Med Teach. 36 (6), 463-474 (2014).
- Gwet, K. L. . Handbook of inter-rater reliability. , (2021).
- Norcini, J., Anderson, M. B., Bollela, V., Burch, V., Costa, M. J., et al. Criteria for good assessment: Consensus statement and recommendations from the Ottawa 2010 Conference. Med Teach. 33 (3), 206-214 (2011).
- Cook, D. A., Hatala, R., Brydges, R., Zendejas, B., Szostek, J. H., et al. Technology-enhanced simulation for health professions education: A systematic review and meta-analysis. JAMA. 306 (9), 978-988 (2011).
- Topol, E. J. . Deep medicine: How artificial intelligence can make healthcare human again. , (2019).
- Obermeyer, Z., Powers, B., Vogeli, C., Mullainathan, S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 366 (6464), 447-453 (2019).
- van der Vleuten, C. P. M., Schuwirth, L. W. T. Assessing professional competence: From methods to programmes. Med Educ. 39 (3), 309-317 (2005).
- Radianti, J., Majchrzak, T. A., Fromm, J., Wohlgenannt, I. A systematic review of immersive virtual reality applications for higher education: Design elements, lessons learned, and research agenda. Comput Educ. 147, 103778 (2020).
- Makransky, G., Petersen, G. B. Immersive virtual reality and learning: A meta-analysis. Educ Psychol Rev. 31 (4), 915-943 (2019).
- Luckin, R., Holmes, W., Griffiths, M., Forcier, L. B. . Intelligence unleashed: An argument for AI in education. , (2016).
- Sitzmann, T., Ely, K., Brown, K. G., Bauer, K. N. Self-assessment of knowledge: A cognitive learning or affective measure?. Acad Manag Learn Educ. 9 (2), 169-191 (2010).
- Reeves, S., Fletcher, S., Barr, H., Birch, I., Boet, S., et al. A BEME systematic review of the effects of interprofessional education. Med Teach. 38 (7), 656-668 (2016).
- Issenberg, S. B., McGaghie, W. C., Petrusa, E. R., Lee Gordon, D., Scalese, R. J. Features and uses of high-fidelity medical simulations that lead to effective learning: A meta-analysis. Med Teach. 27 (1), 10-28 (2005).
- Sweller, J. Cognitive load theory. Psychol Learn Motiv. 55, 37-76 (2011).
- Liaw, S. S., Huang, H. M. Perceived satisfaction, perceived usefulness and interactive learning environments as predictors to self-regulation in e-learning environments. Comput Educ. 60 (1), 14-24 (2013).
- Carr, S. AI gone wild: Implications of artificial intelligence for education. Educ Technol. 60 (2), 3-10 (2020).
- Wang, S., Sun, Z. Roles of artificial intelligence experience, information redundancy, and familiarity in shaping active learning. Educ Inf Technol. 30 (2), 2525-2546 (2025).
- European Parliament and Council. General Data Protection Regulation (GDPR). Off J Eur Union. L119, 1-88 (2016).
- Tornatzky, L. G., Fleischer, M. . The processes of technological innovation. , (1990).
- Rogers, E. M. . Diffusion of innovations. , (2003).
- Floridi, L., Cowls, J. A unified framework of five principles for AI in society. Harv Data Sci Rev. 1 (1), 1-15 (2019).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.