Esta revisão de escopo mostra que a VR e a GenAI oferecem novas formas de avaliar o raciocínio clínico no treinamento em oncologia. No entanto, ambos exigem validação mais robusta e estruturas éticas antes do uso educacional generalizado, já que as evidências atuais são preliminares.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de revisão
O Cenário da Realidade Virtual e da IA Generativa na Educação Oncológica: Uma Revisão Escopalizante das Ferramentas de Avaliação de Raciocínio Clínico
Neste artigo
Resumo
Resumo
Oncologia é um ambiente em que o raciocínio clínico é uma competência fundamental, exigindo a síntese de informações clínicas complexas em um ambiente de alto risco. Meios convencionais de avaliação, como testes escritos, Exames Clínicos Estruturados Objetivos (OSCEs) e avaliações baseadas no local de trabalho, oferecem conhecimento valioso, mas ainda não são eficazes em refletir a qualidade dinâmica e iterativa do raciocínio clínico. Novas oportunidades para superar essas limitações são apresentadas pelas tecnologias digitais emergentes, especialmente a Realidade Virtual (VR) e a Inteligência Artificial Gerativa (GenAI). A VR facilita ambientes baseados em simulação, que podem ser imersivos e que permitem a avaliação de fatores processuais e situacionais de raciocínio com base em ação clínica observável. A GenAI, por sua vez, oferece uma interação mais baseada no diálogo, que permite avaliar processos cognitivos e analíticos, incluindo processos cognitivos chave. A literatura mostra que essas tecnologias têm vantagens complementares, mas são conceitualmente desconexas. A VR registra principalmente o desempenho comportamental, mas o GenAI enfatiza os processos cognitivos, e os dois não são tão integrados. Além disso, a base de evidências atual é caracterizada por heterogeneidade metodológica, dependência de pesquisas preliminares e falta de evidências de validade, especialmente em relação à confiabilidade e impacto no mundo real. Outros fatores a serem considerados são o efeito da carga cognitiva, a variabilidade do usuário e questões éticas, por exemplo, viés algorítmico e transparência. A viabilidade da implementação é ainda influenciada por fatores organizacionais, como infraestrutura e prontidão institucional. Em geral, VR e GenAI são encorajadoras, mas também desenvolvem métodos de avaliação do raciocínio clínico em oncologia. No futuro, a evolução do campo exigirá estruturas de avaliação coerentes, validação rigorosa e estruturas éticas claras.
Introdução
O raciocínio clínico, os processos cognitivos e metacognitivos subjacentes ao diagnóstico e ao manejo, constitui a base da prática oncológica segurae eficaz 1. É um processo distintamente complicado no contexto da oncologia, pois os clínicos precisam navegar pela tomada de decisão probabilística diante da incerteza, sintetizar evidências em rápida mudança de terapias e participar de discussões multidisciplinares em conselhos tumorais. Além disso, oncologistas precisam encontrar um equilíbrio entre pensamento biomédico e centrado no paciente, incluindo informar os pacientes sobre seus prognósticos ruins, lidar com questões éticas e ajustar os planos de tratamento às mudanças nas trajetórias dadoença 2,3. Essas exigências em camadas tornam o desenvolvimento e a avaliação do raciocínio clínico particularmente críticos na educação oncológica. Tradicionalmente, o raciocínio clínico tem sido avaliado por meio de exames escritos, Exames Clínicos Estruturados Objetivos (OSCEs) e avaliações baseadas no local de trabalho, como o Mini-Clinical Evaluation Exercise (Mini-CEX)4. Embora esses métodos possam fornecer informações de fundo sobre a competência do aprendiz, apresentam desvantagens significativas. Testes escritos tendem mais à aplicação de conhecimento estático do que de processos dinâmicos; OSCEs demandam recursos e podem ser ecologicamente inválidas; assim como testes baseados no ambiente de trabalho geralmente são episódicos e subjetivos e propensos a viés contextual. Todas essas restrições juntas dificultam o estudo do caráter iterativo, dependente do contexto e longitudinal do raciocínio clínico, especialmente em especialidades que envolvem altos riscos e carga cognitiva, comooncologia 5. Coletivamente, essas limitações dificultam a capacidade de capturar a natureza iterativa, dependente do contexto e longitudinal do raciocínio clínico, especialmente em especialidades de alto risco e cognitivamente exigentes, comooncologia 6.
Novos avanços nas tecnologias digitais nos últimos tempos apresentam boas oportunidades para superar esses desafios. Dois deles incluem Realidade Virtual (VR) e Inteligência Artificial Gerativa (GenAI), que se tornaram ferramentas poderosas de educação médica. A VR oferece ambientes baseados em simulação que são imersivos, altamente espaciais e contextuais, que recriam o complexo cenário clínico. Na educação oncológica, essas simulações podem simular cenários como emergências oncológicas, complicações durante a quimioterapia e interações sensíveis com pacientes, além de permitir que os aprendizes pratiquem a tomada de decisão de forma experiencial, em um ambiente seguro econtrolado 7,8,9. Importante, os sistemas de VR podem capturar dados comportamentais detalhados — como sequências de ação, timing e caminhos de decisão — permitindo assim a avaliação das dimensões processuais e situacionais do raciocínio clínico.
Simultaneamente, a GenAI, especialmente grandes modelos de linguagem (LLMs), abriu novas oportunidades para avaliar a arquitetura cognitiva do raciocínio. Sistemas GenAI têm a capacidade de interagir com os aprendizes por meio da linguagem natural para engajá-los em ambientes adaptativos baseados em diálogo, que questionam a geração de hipóteses, a formação de diagnósticos diferenciais e a justificativa da gestão. Esses sistemas podem examinar as respostas dos aprendizes com base em técnicas de processamento de linguagem natural que fornecem uma avaliação potencialmente personalizada e escalável de processos de raciocínio que antes eram desafiadores de medirobjetivamente 10,11,12.
Além disso, a literatura existente é fragmentada e heterogênea em termos de metodologia. Grande parte das evidências existentes baseia-se em estudos piloto, relatórios técnicos ou aplicações que têm como objetivo principal o treinamento, e não uma avaliação real. Consequentemente, a maioria dos argumentos sobre as capacidades de avaliação da VR e GenAI baseia-se em funcionalidades tecnológicas e não em validação empírica rigorosa. As evidências relatadas de validade são variadas, com validade de conteúdo predominantemente relatada e referência mínima à estrutura interna, confiabilidade ou correlações com medidas de avaliação previamente estabelecidas.
Essas restrições são ainda mais agravadas pelas novas questões relacionadas à usabilidade, carga cognitiva e questões éticas. Por exemplo, sistemas GenAI oferecem uma solução interativa e escalável; No entanto, os problemas de redundância de informação, variabilidade da resposta do sistema e familiaridade do usuário podem afetar a interação e o desempenho do aprendiz. Da mesma forma, a falta de transparência, justiça e responsabilidade nos cenários de avaliação pode ser considerada um problema da natureza caixa preta da pontuação impulsionada por IA. Em termos de implementação, sistemas de VR precisam de um investimento massivo em infraestrutura, enquanto a adoção da GenAI é baseada na prontidão, governança e alinhamento institucional com os objetivos educacionais. Esses fatores ressaltam a importância de uma estrutura mais conceitual e organizacional na avaliação de como tais tecnologias podem ser incorporadas à educação oncológica.
Em consonância com isso, esta revisão oferecerá uma síntese narrativa aprofundada da literatura atual sobre VR e GenAI na educação oncológica, com interesse específico em sua aplicação na avaliação do raciocínio clínico. Particularmente, visa (1) descrever os projetos tecnológicos e os contextos de implementação dessas ferramentas; (2) revisar as evidências da validade relatada e dos resultados educacionais; e (3) descrever os principais desafios, como preocupações cognitivas, éticas e organizacionais, bem como as futuras direções de pesquisa e prática. Os principais bancos de dados acadêmicos foram pesquisados sistematicamente para encontrar literatura pertinente, mas, como é costume revisar artigos, este artigo foca em interpretação, síntese e não em relatórios procedimentais.
Figura 1 modelo integrado que combina avaliação baseada em VR de ações clínicas com avaliação baseada em GenAI da cognição clínica. Essa abordagem dupla captura tanto as dimensões comportamentais quanto analíticas do raciocínio clínico para avaliação e feedback abrangentes.
Figura 1: Modelo Integrado de Avaliação de Raciocínio Clínico usando VR e GenAI. Esta Figura mostra um modelo integrado que combina Realidade Virtual (VR) para avaliar o raciocínio clínico baseado em ações (por exemplo, fluxo de trabalho, procedimentos, trabalho em equipe) com IA Generativa (GenAI) para avaliar raciocínio cognitivo e dialógico (por exemplo, diagnóstico, justificativa, reflexão). Por favor, clique aqui para ver uma versão ampliada desta figura.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Revisão e perspetiva
Tipologia e implementação da tecnologia
A situação atual no campo das tecnologias digitais de avaliação do raciocínio clínico na educação oncológica é marcada por dois paradigmas de tecnologias digitais. As abordagens atuais dependem de sistemas baseados em VR e GenAI. Embora ambos os métodos busquem melhorar a avaliação de competências clínicas complexas, apresentam diferenças significativas em termos de fundamentos tecnológicos, interação e lógica de avaliação13,14. Esses sistemas colocam os aprendizes em ambientes oncológicos realistas, seja em consulta ambulatorial, manejo hospitalar de emergências oncológicas ou em um contexto multidisciplinar de tomada de decisão usando displays montados na cabeça e interfacesinterativas 6.
Uma vantagem dos sistemas de VR é que eles podem registrar dados comportamentais granulares usando análises embarcadas. Esses dados compreendem uma série de ações, um cronograma de decisão, navegação e conformidade com as diretrizes clínicas. Essas medidas permitem que educadores avaliem os elementos procedimentais do raciocínio clínico, como obtenção de dados, priorização de ações diagnósticas e implementação de vias de manejo15. No entanto, a implementação de ferramentas de avaliação baseadas em RV vem acompanhada de desafios significativos de infraestrutura e logística. Altos custos iniciais associados à aquisição de hardware, desenvolvimento de software e manutenção podem limitar a acessibilidade, especialmente em ambientes com recursoslimitados 16. Além disso, a necessidade de espaço físico dedicado, suporte técnico e treinamento de professores complica ainda mais a implantação em larga escala. Essas restrições frequentemente confinam as aplicações de VR a centros especializados de simulação, restringindo sua escalabilidade e ampla integração nos currículos de oncologia.
Por outro lado, ferramentas baseadas em GenAI são executadas por meio de interação em linguagem natural, fornecendo um novo método de avaliação. Desenvolvidas com base em grandes arquiteturas de modelos de linguagem, elas envolvem os aprendizes em conversas interativas, baseadas em texto ou voz, que imitam mecanismos de raciocínio clínico. Os aprendizes são incentivados a descrever os diagnósticos diferenciais, a justificativa por trás das decisões de gestão e responder às mudanças nas situações clínicas, com o sistema oferecendo feedback formativo e avaliação10,11.
O principal benefício dos sistemas GenAI é que eles podem avaliar os aspectos cognitivos e analíticos do raciocínio clínico. Essas ferramentas podem avaliar a estrutura, coerência e profundidade do raciocínio do aprendiz ao analisar o resultado da linguagem e ir além da correção para obter informações qualitativas sobre o processo de pensamento. Além disso, as soluções GenAI trazem benefícios significativos de escalabilidade e acessibilidade. Eles também podem ser implementados em contextos de aprendizado remoto e assíncrono, ao contrário dos sistemas de VR, que só podem ser implementados em interfaces baseadasna web 5.
Apesar das vantagens, existem desvantagens significativas nas ferramentas de avaliação baseadas em GenAI. A dependência do processamento de linguagem natural traz questões relacionadas à confiabilidade da pontuação, interpretabilidade e transparência. Muitos sistemas são caixas-pretas, ou seja, a lógica da decisão de pontuação nem sempre está disponível para os educadores ouaprendizes 17. O tema principal que é evidente na literatura é o compromisso intrínseco entre validade ecológica e escalabilidade entre os dois paradigmas tecnológicos. Os sistemas de VR são bons em sua capacidade de recriar ambientes clínicos realistas e capturar decisões incorporadas, mas são intensivos em recursos e, portanto, limitados em termos de escalabilidade. Sistemas GenAI, por outro lado, podem ser usados para avaliar os processos cognitivos de forma escalável e baseada emdiálogo.
De forma crítica, há uma falta significativa da literatura existente que envolve plataformas integradas ou híbridas que alinhem as vantagens tanto da VR quanto da GenAI. Esse tipo de integração pode facilitar a medição concomitante do desempenho procedural e do raciocínio cognitivo, já que a natureza da tomada de decisão clínica éinterconectada 18. Do ponto de vista da implementação, as capacidades técnicas não são os únicos fatores que determinam a adoção da tecnologia; Fatores organizacionais e ambientais também desempenham um papel. Modelos como o modelo Tecnologia-Organização-Ambiente (TOE) são uma boa perspectiva para explicar essasdinâmicas 19.
De modo geral, a tipologia das ferramentas de VR e GenAI ilumina um espaço descontínuo, porém em rápida evolução. Embora ambas as tecnologias tenham seus benefícios únicos na medição de um aspecto específico do raciocínio clínico, a separação existente deles não oferece a oportunidade de avaliá-las completamente. Fechar essa lacuna por meio da integração conceitual, inovação tecnológica e estratégias de implementação sensíveis ao contexto será necessário para levar o campo a modelos de avaliação mais abrangentes e eficazes.
Construtos de raciocínio clínico e avaliação iterativa
O raciocínio clínico é um conceito multidimensional que envolve processos cognitivos, metacognitivos e comportamentais que apoiam a tomada de decisões diagnósticas e terapêuticas. Na oncologia, incerteza, evidências dinâmicas e a necessidade de coordenação interdisciplinar complicam ainda mais esses processos. A literatura está cada vez mais conceitualizando o raciocínio clínico como um contínuo que envolve a aquisição de informações, a geração de hipóteses, o refinamento do diagnóstico, o processo de tomada de decisão e a avaliaçãoreflexiva 20,21.
Os sistemas baseados em VR são, em sua maioria, consistentes com a avaliação dos aspectos observáveis e orientados à ação do raciocínio clínico. Colocando os aprendizes em ambientes clínicos simulados, essas plataformas permitem testar como as pessoas adquirem conhecimento, focam nos processos diagnósticos e realizam uma série de operações. Foca na tradução do raciocínio em ação, na qual as decisões clínicas são baseadas em padrões de interação no ambientesimulado 22.
Sistemas baseados em GenAI, por outro lado, concentram-se nos processos de evocação e análise de processos cognitivos internos subjacentes ao raciocínio clínico. A interação com linguagem natural incentiva os aprendizes a expressarem os diferentes diagnósticos, a justificar escolhas de manejo clínico e a refletir sobre incertezas clínicas. Tais sistemas determinam o raciocínio medindo a coerência semântica, a estrutura lógica e a profundidade das respostas do aprendiz, tipicamente aplicando métodos de processamento de linguagem natural para fornecer uma aproximação do julgamento de especialistas13,10.
Embora essas sejam forças complementares, uma fraqueza que tem sido considerada a mais crítica em toda a literatura é a fragmentação adversarial da avaliação entre domínios cognitivo e comportamental. Uma prática prática prática de raciocínio clínico é inerentemente iterativa, o que significa um feedback constante entre pensamento e ação. Este é um processo cíclico chave em uma tomada de decisão clínica eficaz, especialmente em oncologia, no qual as condições e reações dos pacientes ao tratamento mudam ao longo dotempo 11.
Essa interação dinâmica muitas vezes não se reflete nas ferramentas atuais de VR e GenAI. Sistemas de VR geralmente derivam raciocínio a partir de comportamentos observáveis sem necessariamente alcançar os processos mentais subjacentes, enquanto sistemas GenAI analisam raciocínios articulados fora do contexto do comportamento clínico. Consequentemente, ambas as estratégias apresentam imagens tendenciosas da competência clínica e não conseguem avaliar adequadamente toda a gama de atividades de raciocínio. Outra fraqueza significativa associada ao uso de análises automatizadas como principal ferramenta de avaliação. Na RV, a análise de arquivos de log é empregada para entender o comportamento dos usuários, mas essas medições podem não ser suficientes para entender o raciocínio por trás das escolhas clínicas. Da mesma forma, a interpretação algorítmica da linguagem é comumente usada para pontuar sistemas GenAI e pode ignorar nuances linguísticas como intuição clínica, manejo da incerteza ou raciocínio específico docontexto 23.
Além disso, a literatura observa a ausência de métodos padronizados para mapear os resultados tecnológicos com modelos conhecidos de raciocínio clínico. Embora existam estudos que implicitamente conectam a VR ao raciocínio procedural e a GenAI ao raciocínio cognitivo, poucos estudos colocam essas ferramentas no contexto de construções teóricas validadas. Essa disparidade restringe as possibilidades de fazer comparações com os resultados de outros estudos e de formar uma estrutura consistente de avaliação aprimoradapela tecnologia 24.
O foco das pesquisas futuras nessa área deve ser integrar modalidades cognitivas e comportamentais de avaliação. Sistemas híbridos combinados Sistemas híbridos que integram simulação imersiva com diálogos em tempo real, mediados por IA, podem abraçar melhor o caráter iterativo do raciocínio clínico. Com esses casos, o comportamento dos aprendizes em um ambiente virtual pode provocar uma resposta questionadora por parte de um agente de IA, permitindo assim avaliar tanto o que os aprendizes fazem quanto por que fazem isso aomesmo tempo 25,26.
No geral, embora as tecnologias de VR e GenAI forneçam insights úteis sobre aspectos específicos do raciocínio clínico, sua aplicação permanece fragmentada no momento. A integração de conceitos, rigor metodológico e inovação tecnológica serão necessárias para enfrentar essa fragmentação e desenvolver estratégias de avaliação abrangentes e significativas na educação oncológica. A Tabela 1 destaca as principais diferenças entre Realidade Virtual (VR) e IA Gerativa (GenAI) para avaliar o raciocínio clínico, comparando seus respectivos focos, interações, pontos fortes, limitações e resultados de dados. Além disso, a Figura 2 ilustra o ciclo iterativo de raciocínio clínico, que mostra como a VR suporta a coleta, ação e reflexão de dados, enquanto o GenAI auxilia na geração, refinamento e explicação diagnóstica de hipóteses. Juntos, eles possibilitam um ciclo contínuo de tomada de decisão informada e aprendizado experiencial.
| Dimensão | Realidade Virtual (VR) | IA Gerativa (GenAI) |
| Foco da avaliação | Procedimental / comportamental | Cognitivo/analítico |
| Modo de interação | Simulação imersiva | Baseado em diálogos |
| Força | Alta validade ecológica | Alta escalabilidade |
| Limitação | Intensivo em recursos | Transparência limitada |
| Tipo de dado | Registros comportamentais | Respostas em linguagem natural |
Tabela 1: Comparação entre VR e GenAI na Avaliação de Raciocínio Clínico. Comparação entre Realidade Virtual (VR) e IA Gerativa (GenAI) para avaliação do raciocínio clínico em dimensões-chave, incluindo foco de avaliação, modo de interação, pontos fortes, limitações e tipo de dados.
Figura 2: Ciclo Iterativo de Raciocínio Clínico: Contribuições da VR e GenAI. O ciclo iterativo de raciocínio clínico ilustra como a VR captura ações e desempenho durante tarefas baseadas em simulação (coleta de informações e tomada de decisões), enquanto a GenAI suporta geração de hipóteses, diagnóstico diferencial, explicação e refinamento, permitindo juntos reflexão contínua e aprendizado com a experiência. Por favor, clique aqui para ver uma versão ampliada desta figura.
Evidências de validade e limitações de medição
Desenvolver evidências fortes de validade é fundamental para implementar qualquer ferramenta de avaliação, especialmente em áreas de alto risco, como a educação oncológica. A conceituação moderna da teoria da validade vê a validade como um único construto apoiado por várias fontes de evidência, como conteúdo, processo de resposta, estrutura interna, relações com outras variáveis e consequências daavaliação 27,28.
A maioria dos estudos foca na validade do conteúdo, que normalmente é demonstrada por meio de revisão especializada de situações clínicas, desenho de tarefas ou critérios de pontuação. Embora esses métodos garantam que o material de avaliação seja pertinente e consistente com a prática oncológica, eles não fornecem muitas informações sobre a capacidade das ferramentas de medir os construtos subjacentes do raciocínio clínico. Na maioria das situações, a validação do conteúdo é considerada evidência adequada de eficácia, mesmo que práticas psicométricas mais rigorosas careçamde 29.
Há menos relatos consistentes das evidências sobre a validade do processo de resposta — como os aprendizes percebem e interagem com as atividades de avaliação. Outros estudos utilizam testes de usabilidade, feedback do aprendiz ou protocolos de pensamento em voz alta para sugerir que os participantes estão interagindo com ambientes de VR ou sistemas GenAI da maneira desejada. Além disso, ainda não está claro até que ponto essas interações podem capturar com precisão o verdadeiro raciocínio clínico, especialmente em cenários simulados ou mediados porIA 30.
Uma das limitações mais importantes tanto para as modalidades de VR quanto para a GenAI é a falta de evidências de estrutura interna. Medidas de confiabilidade, incluindo consistência interna, acordo entre avaliadores ou estabilidade teste-reteste, são raramente reportadas. Isso é particularmente problemático para ferramentas baseadas em pontuação automatizada. Os sistemas GenAI são ainda variáveis em termos de algoritmos de pontuação que são guiados pelo processamento de linguagem natural, onde os resultados podem variar dependendo do design do prompt, parâmetros do modelo ou interpretação contextual31.
Da mesma forma, há evidências limitadas de relação com outras variáveis. Poucos estudos buscaram relacionar o desempenho em plataformas de VR ou GenAI a técnicas de avaliação já existentes, incluindo OSCEs, testes escritos ou avaliações no ambiente de trabalho. Sem tais comparações, torna-se difícil saber se essas tecnologias medem construtos consistentes com os atuais marcos de competência clínica. Tal deficiência na validade convergente e discriminante limita a interpretação e credibilidade dos resultados daavaliação 32.
A maior lacuna na literatura, no entanto, é a falta de validade de transferência. Poucos ou nenhum dado apoia o conceito de que a prática em simulações de VR ou testes baseados em GenAI está correlacionada com um raciocínio clínico melhor na prática oncológica propriamente dita. Como o objetivo final do treinamento médico é melhorar o cuidado ao paciente, essa restrição é um dos maiores obstáculos para a implementação dessas ferramentas em programas formais de avaliação. Na ausência de estudos longitudinais ou de resultados, o efeito educacional dessas tecnologias se limita à situação simulada ou experimental em que sãoimplementadas 33.
Junto com essas desvantagens psicométricas, há outros desafios apresentados pelo uso crescente de análises automatizadas. Tanto a VR quanto a GenAI dependem fortemente da interpretação algorítmica do comportamento ou linguagem do usuário, levantando questões sobre transparência e interpretabilidade. A natureza de caixa preta dos grandes modelos de linguagem no contexto das avaliações baseadas em GenAI complica a compreensão de como as pontuações são produzidas e como garantir pontuações imparciais. Essa inexplicabilidade pode destruir a confiança entre professores e alunos, especialmente em ambientes de alto risco34.
Outra questão essencial é o viés na avaliação baseada em IA. Os dados de treinamento usados para criar modelos de linguagem podem capturar diferenças no conhecimento clínico, padrões de comunicação ou práticas culturais, levando assim a diferenças sistemáticas na pontuação entre grupos de aprendizes. Se não serem abordados, tais vieses podem ter sérias consequências para os aspectos de justiça e equidade na educaçãomédica 35.
Além disso, as implicações da avaliação, outro aspecto importante da validade, raramente são discutidas na literatura existente. Pouquíssimas pesquisas examinam os efeitos do uso de ferramentas de VR ou GenAI no comportamento dos aprendizes, nos caminhos educacionais ou na tomada de decisão em ambientes clínicos. A falta de estudos sobre os efeitos a jusante restringe o conhecimento sobre os efeitos positivos e possíveis não intencionais dessastecnologias 36.
Para concluir, as tecnologias de VR e GenAI são promissoras ao fornecer novos métodos para avaliar o raciocínio clínico, mas a base de evidências existente é insuficiente para implementá-las em situações de alto risco. Em todas as áreas, aumentar a validade garantirá o próximo passo: transformar essas ferramentas do uso experimental para elementos eficazes da avaliação da educação oncológica. A Tabela 2 resume as evidências de validade para VR e GenAI em quatro domínios — conteúdo, estrutura interna, relações com outras variáveis e consequências — enquanto destaca limitações chave, incluindo projetos orientados por especialistas, testes de confiabilidade limitados, estudos comparativos escassos e ausência de dados de resultados de longo prazo.
| Domínio de Validade | Evidência de VR | Evidência GenAI | Limitação de Chaves |
| Conteúdo | Forte | Moderado | Principalmente orientado por especialistas |
| Estrutura interna | Limitado | Limitado | Falta de testes de confiabilidade |
| Relações com outras variáveis | Esparso | Esparso | Poucos estudos comparativos |
| Consequências | Minimal | Minimal | Sem resultados a longo prazo |
Tabela 2: Evidências de Validade em Diversas Tecnologias. Esta tabela mostra evidências de validade para VR e GenAI na avaliação do raciocínio clínico em conteúdo, estrutura interna, relações com outras variáveis e domínios de consequências
Resultados educacionais e cautela interpretativa
A crescente adoção de Realidade Virtual (VR) e Inteligência Artificial Gerativa (GenAI) na educação oncológica foi recebida pela literatura que documenta resultados positivos gerais da educação. São eles o aprimoramento do engajamento do aprendiz, motivação, realismo percebido dos ambientes de aprendizagem e a capacidade de receber feedback imediato e personalizado 37,38,39. Esses achados sugerem que essas tecnologias têm potencial para enriquecer experiências educacionais e apoiar o desenvolvimento de habilidades de raciocínio clínico.
Uma porcentagem significativa dos resultados relatados é auto-relatada, como satisfação do aprendiz, confiança percebida ou avaliação subjetiva da aprendizagem. Embora esses indicadores sirvam como informações perspicazes sobre a experiência do usuário, nem sempre estão associados a qualquer raciocínio clínico tangível ou melhorias no desempenhoclínico 40. No caso do relatório objetivo, eles tendem a se concentrar nos resultados do desempenho na própria plataforma tecnológica. Embora esses resultados possam sugerir que a ferramenta foi usada com sucesso, eles não determinam se tal interação pode ser traduzida em competência geral no raciocínio clínico. Os ganhos obtidos em ambientes controlados ou simulados podem estar associados à familiaridade com o sistema, em oposição ao crescimento cognitivo ou comportamental real53. A outra limitação está associada às características metodológicas dos estudos existentes. Grande parte da literatura compreende estudos em pequena escala, de uma única instituição, que possuem tamanhos de amostra limitados e períodos de intervenção curtos. Essas limitações diminuem o poder estatístico e restringem a generalização dos resultados para uma ampla variedade de ambienteseducacionais 33.
O problema da transferibilidade é de preocupação especial na educação sobre o câncer. O raciocínio clínico oncológico é um processo complexo e longitudinal de tomada de decisão que ocorre dentro de um determinado período de tempo e em contextos clínicos. No entanto, há falta literatura sobre se as habilidades treinadas em intervenções de VR ou GenAI permanecem após o contexto de aprendizagem imediata ou afetam a prática clínica real. Além disso, a literatura tende a misturar resultados de treinamento e avaliação. A maioria das aplicações de VR e GenAI tem como objetivo principal facilitar o aprendizado como ferramenta educacional, mas seu sucesso às vezes é visto como um sinal de validade da avaliação. Para interpretar com precisão, é importante diferenciar os benefícios da aprendizagem formativa e a utilidade da avaliação sumativa42.
Existem também razões cognitivas que tornam a interpretação dos resultados educacionais mais complicada. Tecnologias avançadas apresentam uma variedade de cargas cognitivas e podem afetar o desempenho dos aprendizes. Por exemplo, sistemas de VR imersiva podem ter carga cognitiva supérflua em termos de navegação, interação com a interface ou processamento sensorial. Com o design adequado e familiaridade com o usuário, esses fatores podem estar facilitando ou dificultando oaprendizado 36. A experiência do usuário e a experiência prévia com tecnologia também são fatores. Estudantes mais acostumados com interfaces de computador ou sistemas baseados em IA podem ter um desempenho melhor, não necessariamente porque têm mais raciocínio clínico, mas por uma interação mais conveniente com osistema 43.
A possibilidade de consequências não intencionais é outro fator que deve ser levado em conta. Para ilustrar, a dependência excessiva do feedback desenvolvido por IA pode diminuir as chances de pensamento lógico ou análise crítica. Da mesma forma, situações de RV bem articuladas podem, sem querer, restringir a tomada de decisões ao reduzir o número de ações possíveis. A literatura atual não investiga extensivamente esses efeitos, mas eles têm implicações significativas no desenho educacional44.
Embora essas restrições existam, as tendências positivas registradas em termos de engajamento do aprendiz e aprendizagem experiencial não podem ser negligenciadas. Ambientes de prática segura, feedback em tempo real e a possibilidade de ser exposto a situações complexas repetidas são vantagens das tecnologias de VR e GenAI. Essas características podem estar associadas às teorias educacionais atuais, como a aprendizagem experiencial e a prática deliberada, que priorizam a aprendizagem ativa e o aprimoramento contínuo45.
No geral, embora as tecnologias de VR e GenAI mostrem uma promessa significativa para transformar a educação oncológica, a base de evidências atualmente é limitada em metodologia e interpretação. Uma atitude crítica e cautelosa é, portanto, necessária para evitar a generalização excessiva dos achados e garantir que as afirmações sobre a eficácia da educação tenham fortes evidências empíricas.
Considerações cognitivas, éticas e organizacionais
Cognitivamente, o desenvolvimento dessas tecnologias e sua aplicação podem ter um impacto significativo em como os aprendizes percebem a informação e praticam o raciocínio clínico. A teoria da carga cognitiva oferece um arcabouço prático para entender esses efeitos com três tipos de carga cognitiva, a saber, intrínseca, extraínseca e relevante43. Embora os ambientes de VR sejam imersivos e envolventes, eles podem impor uma carga cognitiva significativa e extra aos usuários, exigindo navegação, estimulação sensorial e a complexidade da interface. A menos que bem planejados, tais fatores podem transferir os recursos cognitivos para outras áreas além dos processos essenciais de raciocínio, anulando assim o desempenho em aprendizagem eavaliação 38.
Da mesma forma, os sistemas GenAI apresentam novos desafios cognitivos em relação à apresentação da informação e à dinâmica da interação. Um exemplo é que o feedback excessivo ou redundante produzido por sistemas de IA pode levar à sobrecarga de informações, o que pode dificultar o aprendizado bem-sucedido. Por outro lado, feedback adaptativo devidamente projetado pode aumentar a carga cognitiva relevante por meio da formação de esquemas e pensamentoreflexivo 46. O equilíbrio entre orientação e autonomia cognitiva é, portanto, crítico, pois a dependência excessiva de respostas geradas por IA pode reduzir as oportunidades para resolução independente de problemas e pensamento crítico.
O engajamento cognitivo com essas tecnologias também é mediado pela familiaridade do usuário e pela alfabetizaçãodigital 44.
A ética também é um aspecto fundamental na implementação da VR e da GenAI na avaliação da educação. Entre as questões mais relevantes está o conceito de viés algorítmic em sistemas baseados em IA. Modelos de aprendizado de máquina, como grandes modelos de linguagem, são treinados com grandes volumes de dados que podem ser tendenciosos em relação às normas sociais, culturais ou profissionais existentes. Consequentemente, os resultados das avaliações podem levar a discriminação indesejada contra grupos específicos de aprendizes, e justiça e equidade são colocadas em questão35. Outras questões éticas são transparência e explicabilidade. A maioria dos sistemas GenAI são caixas-preta, sem descrições explícitas do processo de tomada de decisão. Essa interpretabilidade nas avaliações pode causar falta de confiança entre aprendizes e educadores, especialmente quando o produto final tem sérias implicaçõesacadêmicas 34.
A segurança e a privacidade dos dados também são fatores significativos a serem considerados, pois dados educacionais e, possivelmente, clínicos, são sensíveis. A VR pode ser usada para registrar dados comportamentais detalhados, enquanto as plataformas GenAI podem lidar com grandes quantidades de dados textuais. Para manter padrões éticos e confiança na instituição, é importante garantir que as regras de proteção de dados sejam seguidas e que as informações dos usuários permaneçamprotegidas 47.
Além das questões individuais, questões organizacionais são decisivas para a adoção bem-sucedida dessas tecnologias. A implementação de VR e GenAI na educação oncológica precisa ser consistente com os objetivos das instituições, o acesso a recursos e os marcos de governança de apoio. O modelo Tecnologia-Organização-Ambiente (TOE) é uma ferramenta valiosa para examinar esses fatores e focar na interação entre preparação tecnológica, capacidades organizacionais e o impacto do ambienteexterno 48.
A prontidão organizacional inclui competência do corpo docente, treinamento e aceitação de novas tecnologias. A possível resistência à adoção pode estar relacionada ao medo de confiabilidade, sobrecarga de trabalho ou simplesmente à falta de familiaridade com sistemas impulsionados por IA. Essas restrições podem ser superadas por meio de programas focados de desenvolvimento docente e por regras explícitas sobre como a tecnologia é usada na avaliação49.
Uma nova abordagem para o campo foca na ideia de autonomia esclarecida, na qual sistemas de IA são criados para ajudar e não substituir o julgamento humano. Esse método propõe a combinação harmoniosa de análise automatizada e controle humano, onde a tecnologia melhoraria a tomada de decisão sem interferir na responsabilidade ouprofissionalismo 50. No contexto da avaliação de raciocínio clínico, isso pode envolver combinar insights gerados por IA com avaliação especializada para alcançar um processo de avaliação mais abrangente e confiável.
No geral, a introdução da VR e da GenAI na educação oncológica envolve mais do que mera inovação técnica; Também explora aspectos cognitivos, éticos e organizacionais complexos. Essas considerações são cruciais para garantir que essas tecnologias sejam maximizadas em termos de valor educacional e redução de riscos. Uma estratégia interdisciplinar que considere o design centrado no usuário, preocupações éticas e preparação institucional será fundamental para o desenvolvimento do uso responsável da tecnologia na avaliação do raciocínio clínico. Figura 3 Estrutura Tecnologia-Organização-Ambiente (TOE) identificando os principais fatores de implementação para integrar VR e GenAI na educação oncológica. A adoção bem-sucedida requer alinhamento entre as capacidades do sistema, apoio organizacional e condições ambientais externas.
Figura 3: Estrutura Tecnologia-Organização-Ambiente (TOE) para Implementar VR e GenAI na Educação Oncológica. O framework Tecnologia-Organização-Ambiente (TOE) aplicava-se à integração de VR e GenAI na educação oncológica, destacando fatores-chave na capacidade do sistema, liderança e currículo, bem como considerações regulatórias, de financiamento e culturais para uma implementação bem-sucedida. Por favor, clique aqui para ver uma versão ampliada desta figura.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Conclusões
O raciocínio clínico em oncologia é uma questão em expansão e desafiadora que há muito tempo é um aspecto complexo, dinâmico, de alto risco e específico para o contexto da tomada de decisão oncológica. Esta revisão discutiu as novas funções da Realidade Virtual (VR) e da Inteligência Artificial Gerativa (GenAI) como soluções inovadoras para as limitações das técnicas convencionais de avaliação. Em conjunto, as evidências sugerem que essas tecnologias oferecem vantagens não sobrepostas, m...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Agradecimentos
Financiamento: Fundo: Projeto Geral de Pesquisa (Categoria Ciências Naturais) do Departamento Provincial de Educação de Zhejiang (Bolsa nº Y202558353).
Fundo: Projeto de Pesquisa sobre Ensino Superior Projeto Especial: Inteligência Artificial Capacitando Educação e Aplicações de Ensino (KT2025426)
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Referências
- 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).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.