Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Обзорная статья

Ландшафт виртуальной реальности и генеративного ИИ в онкологическом образовании: обзор инструментов оценки клинического рассуждения

168 просмотров

⸱

DOI:

10.3791/70722

⸱

15 мая 2026 г.

 ,  , 
1Department of Medical Oncology, The Fourth Affiliated Hospital, Zhejiang University School of Medicine, 2Department of Urology Surgery, The Fourth Affiliated Hospital, Zhejiang University School of Medicine

В этой статье

Краткое содержание

Этот обзор показывает, что VR и GenAI предлагают новые способы оценки клинического мышления в обучении онкологии. Однако оба варианта требуют более надёжной валидации и этических рамок для широкого использования в образовании, поскольку текущие данные остаются предварительными.

Аннотация

Онкология — это среда, в которой клиническое мышление является фундаментальной компетенцией, требующей синтеза сложной клинической информации в условиях высокого риска. Традиционные методы оценки, такие как письменные тесты, объективные структурированные клинические экзамены (OSCE) и оценки на рабочем месте, предоставляют ценные знания, но всё ещё неэффективны для отражания динамического и итеративного качества клинического мышления. Новые возможности для преодоления этих ограничений открывают новые цифровые технологии, особенно виртуальная реальность (VR) и генеративный искусственный интеллект (GenAI). VR способствует созданию среды на основе симуляции, которые могут быть погружающими и позволяют оценивать процедурные и ситуативные факторы рассуждения на основе наблюдаемых клинических действий. GenAI, в свою очередь, обеспечивает более диалоговое взаимодействие, что позволяет оценивать когнитивные и аналитические процессы, включая ключевые когнитивные процессы. Литература показывает, что эти технологии обладают дополняющими преимуществами, но концептуально разрозненными. VR в основном фиксирует поведенческие показатели, но GenAI делает акцент на когнитивных процессах, и эти два аспекта менее интегрированы. Кроме того, существующая база доказательств характеризуется методологической гетерогенностью, зависимостью от предварительных исследований и отсутствием достоверных доказательств, особенно в отношении надёжности и реального влияния. Другими факторами, которые следует учитывать, являются влияние когнитивной нагрузки, вариабельность пользователя и этические вопросы, например, алгоритмическая предвзятость и прозрачность. Осуществимость реализации дополнительно зависит от организационных факторов, таких как инфраструктура и институциональная готовность. В целом, VR и GenAI обнадёживают, но при этом разрабатывают методы оценки клинического мышления в онкологии. В будущем эволюция этой области потребует согласованных рамок оценки, строгой валидации и чётких этических структур.

Введение

Клиническое мышление, когнитивные и метакогнитивные процессы, лежащие в основе диагностики и управления, составляют краеугольный камень безопасной и эффективнойонкологической практики 1. Это особенно сложный процесс в контексте онкологии, поскольку клиницисты должны ориентироваться в процессе вероятностного принятия решений в условиях неопределённости, синтезировать быстро меняющиеся доказательства терапий и участвовать в междисциплинарных обсуждениях на опухолевых комиссиях. Кроме того, онкологи должны находить баланс между биомедицинским и ориентированным на пациента мышлением, включая информирование пациентов о плохих прогнозах, решение этических вопросов и корректировку планов лечения в зависимости от меняющихся путей развитияболезни 2,3. Эти многоуровневые требования делают развитие и оценку клинического мышления особенно важными в онкологическом образовании. Традиционно клиническое мышление оценивалось с помощью письменных экзаменов, объективных структурированных клинических экзаменов (OSCE) и рабочих оценок, таких как мини-клиническое оценивание (Mini-CEX)4. Хотя такие методы могут дать фоновую информацию о компетентности учащегося, у них есть значительные недостатки. Письменные тесты больше ориентированы на применение статических знаний, а не к динамическим процессам; ОБСЕ требуют ресурсов и могут быть экологически недействительными; А также тесты на рабочем месте обычно являются эпизодичными, субъективными и подвержены контекстуальной предвзятости. Все эти ограничения вместе затрудняют изучение итеративного, контекстно-зависимого и продольного характера клинического мышления, особенно в специальностях, связанных с высокими ставками и когнитивной нагрузкой, например,онкология 5. В совокупности эти ограничения мешают отражать итеративный, зависящий от контекста и продольный характер клинического мышления, особенно в сложных и когнитивно требовательных областях, таких каконкология 6.

Новые достижения в цифровых технологиях в последнее время открывают хорошие возможности для преодоления этих вызовов. Два из них включают виртуальную реальность (VR) и генеративный искусственный интеллект (GenAI), которые стали мощными инструментами медицинского образования. VR предоставляет среды на основе симуляции, которые являются погружающими, глубоко пространственными и контекстуальными, воссоздающими сложный клинический сценарий. В онкологическом образовании эти симуляции могут моделировать такие сценарии, как онкологические чрезвычайные ситуации, осложнения во время химиотерапии и чувствительные взаимодействия пациентов, а также позволять учащимся практиковать принятие решений на практике в безопасной и контролируемойобстановке 7,8,9. Важно, что VR-системы могут фиксировать подробные поведенческие данные — такие как последовательности действий, тайминг и пути принятия решений — что позволяет оценивать процедурные и ситуативные аспекты клинического мышления.

Одновременно GenAI, особенно крупные языковые модели (LLM), открыли новые возможности для оценки когнитивной архитектуры рассуждения. Системы GenAI способны взаимодействовать с обучающимися через естественный язык, вовлекая их в адаптивные, диалоговые среды, где рассматриваются вопросы генерации гипотез, формирования дифференциальной диагностики и обоснования управления. Эти системы могут анализировать ответы учащихся на основе техник обработки естественного языка, которые обеспечивают потенциально персонализированную и масштабируемую оценку процессов рассуждения, ранее затрудненных для объективногоизмерения 10,11,12.

Кроме того, существующая литература разрозненна и неоднородна с точки зрения методологии. Большая часть существующих данных основана на пилотных исследованиях, технических отчётах или приложениях, которые в основном направлены на обучение, а не на реальную оценку. Следовательно, большинство аргументов о оценочных способностях VR и GenAI основаны на технологической функциональности, а не на строгой эмпирической валидации. Представленные доказательства достоверности разнообразны: преимущественно сообщается по содержанию, а также минимальные ссылки на внутреннюю структуру, надёжность или корреляции с ранее установленными показателями оценки.

Эти ограничения усугубляются новыми проблемами, касающимися удобства использования, когнитивной нагрузки и этических вопросов. Например, системы GenAI предоставляют интерактивное решение, которое масштабируется; Однако проблемы с избыточностью информации, вариабельностью реакции системы и знакомостью пользователя могут влиять на взаимодействие и производительность обучающегося. Аналогично, отсутствие прозрачности, справедливости и ответственности в оценочных сценариях можно рассматривать как проблему «чёрного ящика» в оценке на основе ИИ. С точки зрения внедрения, VR-системы требуют значительных инвестиций в инфраструктуру, тогда как внедрение GenAI основано на институциональной готовности, управлении и согласованности образовательным целям. Эти факторы подчёркивают важность более концептуальной и организационной структуры при оценке того, как такие технологии могут быть интегрированы в онкологическое образование.

В соответствии с этим, этот обзор предложит глубокий нарративный синтез современной литературы по VR и GenAI в онкологическом образовании, с особым интересом к их применению в оценке клинического мышления. В частности, её цель — (1) описать технологические разработки и контексты внедрения этих инструментов; (2) проверять доказательства сообщаемой достоверности и образовательных результатов; и (3) очертать основные проблемы, такие как когнитивные, этические и организационные вопросы, а также будущие направления исследований и практики. В крупных академических базах данных систематически искали соответствующую литературу, но, как принято для обзора статей, эта статья сосредоточена на интерпретации, синтезе, а не на процедурной отчетности.

Рисунок 1 интегрированной модели, объединяющей оценку клинических действий на основе VR с оценкой клинической когниции на основе GenAI. Этот двойной подход охватывает как поведенческие, так и аналитические аспекты клинического мышления для всесторонней оценки и обратной связи.

figure-introduction-1
Рисунок 1: Интегрированная модель оценки клинического рассуждения с использованием VR и GenAI. На этом рисунке показана интегрированная модель, объединяющая виртуальную реальность (VR) для оценки клинического мышления, основанного на действиях (например, рабочий процесс, процедуры, командная работа) с генеративным ИИ (GenAI) для оценки когнитивного и диалогического мышления (например, диагностика, обоснование, рефлексия). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обзор и перспектива

Типология и реализация технологий
Существующая ситуация в области цифровых технологий клинической оценки в онкологическом образовании характеризуется двумя парадигмами цифровых технологий. Современные подходы опираются на системы на базе VR и GenAI. Хотя оба метода стремятся улучшить оценку сложных клинических компетенций, они имеют значительные различия в технологической основе, взаимодействии и логике оценки 13,14. Эти системы помещают учащихся в реалистичные онкологические условия — будь то амбулаторная консультация, стационарное лечение онкологических экстренных ситуаций или мультидисциплинарный контекст принятия решений с использованием экранов, установленных на голове, и интерактивныхинтерфейсов 6.

Преимущество VR-систем в том, что они могут фиксировать детализированные поведенческие данные с помощью встроенной аналитики. Эти данные включают серию действий, график принятия решений, навигацию и соблюдение клинических рекомендаций. Эти показатели позволяют педагогам оценивать процедурные элементы клинического мышления, такие как получение данных, приоритеты диагностических действий и внедрение управленческихпутей 15. Однако внедрение инструментов оценки на базе VR сопровождается значительными инфраструктурными и логистическими проблемами. Высокие начальные затраты, связанные с приобретением аппаратного обеспечения, разработкой и обслуживанием программного обеспечения, могут ограничивать доступность, особенно в условиях с ограниченнымиресурсами 16. Кроме того, необходимость выделенного физического пространства, технической поддержки и подготовки преподавателей дополнительно усложняет масштабное развертывание. Эти ограничения часто ограничивают VR-приложения специализированными центрами симуляции, ограничивая их масштабируемость и широкую интеграцию в онкологические учебные программы.

В то же время инструменты на базе GenAI запускаются через взаимодействие с естественным языком, предоставляя новый метод оценки. Разработанные на основе больших архитектур языковых моделей, они вовлекают учащихся в интерактивные диалоги на основе текста или голоса, имитирующие клинические механизмы рассуждения. Учащихся поощряют описывать дифференциальные диагнозы, обоснование управленческих решений и отвечать на меняющиеся клинические ситуации, при этом система предлагает формирующую обратную связь иоценку 10,11.

Главное преимущество систем GenAI заключается в том, что они могут оценивать когнитивные и аналитические аспекты клинического мышления. Эти инструменты позволяют оценить структуру, связность и глубину рассуждений обучающегося, анализируя языковые данные и выходя за рамки корректности, чтобы получить качественную информацию о процессе мышления. Кроме того, решения на базе GenAI обладают значительными преимуществами в виде масштабируемости и доступности. Их также можно реализовать как в удалённом, так и в асинхронном формате обучения, в отличие от VR-систем, которые могут быть реализованы только навеб-интерфейсах 5.

Несмотря на преимущества, у инструментов оценки на базе GenAI есть значительные недостатки. Зависимость от обработки естественного языка приводит к проблемам, связанным с надёжностью оценок, интерпретируемостью и прозрачностью. Многие системы являются «чёрными ящиками», то есть логика решения о оценке не всегда доступна педагогам илиучащимся 17. Главная тема, заметная в литературе, — это внутренний компромисс между экологической валидностью и масштабируемостью между двумя технологическими парадигмами. VR-системы хорошо способны воссоздавать реалистичные клинические условия и фиксировать воплощённые решения в целом, но требуют ресурсоемких ресурсов и, следовательно, ограничены в масштабируемости. Системы GenAI, напротив, могут использоваться для оценки когнитивных процессов в масштабируемой и диалоговой форме7.

Критически важно, что существует значительный дефицит существующей литературы, посвящённой интегрированным или гибридным платформам, которые согласуют преимущества VR и GenAI. Такой тип интеграции может способствовать одновременному измерению процедурной эффективности и когнитивного мышления, поскольку характер клинического принятия решенийвзаимосвязан 18. С точки зрения внедрения, технические возможности — не единственные факторы, определяющие внедрение технологий; Организационные и экологические факторы также играют роль. Такие модели, как модель Технология-Организация-Среда (TOE), являются хорошей перспективой для объяснения этих динамик19.

В целом, типология инструментов VR и GenAI освещает разрозненное, но быстро развивающееся пространство. Хотя обе технологии обладают уникальными преимуществами при измерении определённого аспекта клинического мышления, их существующее разделение не даёт возможности полностью их оценить. Устранение этого разрыва с помощью концептуальной интеграции, технологических инноваций и контекстно-ориентированных стратегий реализации необходимо для перехода отрасли к более комплексным и эффективным моделям оценки.

Клинические конструкции мышления и итеративная оценка
Клиническое мышление — это многомерное понятие, включающее когнитивные, метакогнитивные и поведенческие процессы, поддерживающие диагностическое и терапевтическое принятие решений. В онкологии неопределённость, динамические доказательства и необходимость междисциплинарной координации ещё больше усложняют эти процессы. Литература всё больше рассматривает клиническое мышление как континуум, включающий приобретение информации, формирование гипотез, уточнение диагноза, процесс принятия решений и рефлексивнуюоценку 20,21.

Системы на базе VR в основном согласованы с оценкой наблюдаемых и ориентированных на действие аспектов клинического мышления. Размещая учащихся в имитированных клинических условиях, эти платформы позволяют проверять, как люди приобретают знания, сосредотачиваются на диагностических процессах и выполняют ряд операций. Она сосредоточена на преобразовании рассуждений в действие, где клинические решения основаны на паттернах взаимодействия в смоделированнойсреде 22.

Системы на базе GenAI, напротив, сосредоточены на процессах выявления и анализа внутренних когнитивных процессов, лежащих в основе клинического мышления. Взаимодействие с естественным языком побуждает учащихся выражать разные диагнозы, обосновывать решения в клиническом управлении и задумываться над клиническими неопределённостями. Такие системы определяют рассуждение, измеряя семантическую связность, логическую структуру и глубину ответов обучающегося, обычно применяя методы обработки естественного языка для получения приближённого экспертного суждения13,10.

Хотя это дополняющие друг друга сильные стороны, одной из наиболее критических слабостей в литературе является состязательная фрагментация оценки между когнитивной и поведенческой сферами. Практика клинического мышления в реальной жизни по своей сути итеративна, то есть постоянная обратная связь между мышлением и действием. Это ключевой циклический процесс в эффективном клиническом процессе принятия решений, особенно в онкологии, где состояния и реакции пациентов на лечение меняются современем 11.

Такое динамическое взаимодействие часто не отражено в современных инструментах VR и GenAI. Системы VR обычно выводят рассуждение из наблюдаемого поведения, не обязательно достигая базовых психических процессов, тогда как системы GenAI анализируют артикулированное мышление вне контекста клинического поведения. Следовательно, обе стратегии дают предвзятые представления о клинической компетентности и не могут адекватно оценить весь спектр действий по рассуждениям. Ещё один значительный недостаток — использование автоматизированной аналитики в качестве основного инструмента оценки. В VR анализ лог-файлов используется для понимания поведения пользователей, но этих измерений может быть недостаточно для понимания логических причин клинических решений. Аналогично, алгоритмическая интерпретация языка часто используется для оценки систем GenAI и может игнорировать языковые нюансы, такие как клиническая интуиция, обработка неопределённости или контекстно-специфическоемышление 23.

Кроме того, в литературе отмечается отсутствие стандартизированных методов сопоставления технологических результатов с известными моделями клинического мышления. Хотя существуют исследования, косвенно связывающие VR с процедурным мышлением и GenAI с когнитивным мышлением, немногие рассматривают эти инструменты в контексте проверенных теоретических конструкций. Это различие ограничивает возможности для сравнения результатов других исследований и формирования согласованной структуры технологически усиленнойоценки 24.

Фокус будущих исследований в этой области должен быть сосредоточен на интеграции когнитивных и поведенческих модальностей оценки. Комбинированные гибридные системы. Гибридные системы, интегрирующие иммерсивное симуляцию с диалогом в реальном времени, опосредованным ИИ, лучше адаптируют итеративный характер клинического мышления. При этом поведение учащихся в виртуальной среде может вызвать вопрос со стороны агента ИИ, что позволяет одновременно оценить как действия учащихся, так и причины25,26.

В целом, хотя технологии VR и GenAI дают полезные представления о конкретных аспектах клинического мышления, их применение в настоящее время остаётся разрозненным. Для решения этой фрагментации и разработки комплексных, значимых стратегий оценки в онкологическом образовании потребуется интеграция концепций, методологическая строгость и технологические инновации. Таблица 1 выделяет ключевые различия между виртуальной реальностью (VR) и генеративным ИИ (GenAI) для оценки клинического мышления, сравнения их соответствующих фокусов, взаимодействий, сильных сторон, ограничений и результатов данных. Кроме того, рисунок 2 иллюстрирует итеративный цикл клинического мышления, который показывает, как VR поддерживает сбор данных, действия и рефлексию, а GenAI способствует формированию гипотез, уточнению и диагностическому объяснению. Вместе они обеспечивают непрерывный цикл принятия обоснованных решений и практического обучения.

РазмерностьВиртуальная реальность (VR)Генеративный ИИ (GenAI)
Направление оценкиПроцедурные / поведенческиеКогнитивные / аналитические
Режим взаимодействияИммерсивное моделированиеДиалог
СилаВысокая экологическая достоверностьВысокая масштабируемость
ОграниченияРесурсоёмкийОграниченная прозрачность
Тип данныхПоведенческие журналыРеакции на естественном языке

Таблица 1: Сравнение VR и GenAI в клинической оценке рассуждения. Сравнение виртуальной реальности (VR) и генеративного ИИ (GenAI) для оценки клинического мышления по ключевым параметрам, включая фокус оценки, режим взаимодействия, сильные стороны, ограничения и тип данных.

figure-protocol-1
Рисунок 2: Итеративный цикл клинического рассуждения: вклад VR и GenAI. Итеративный клинический цикл рассуждения иллюстрирует, как VR фиксирует действия и результаты в симуляционных задачах (сбор информации и принятие решений), в то время как GenAI поддерживает генерацию гипотез, дифференциальную диагностику, объяснение и уточнение, обеспечивая непрерывное размышление и обучение на опыте. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Доказательства достоверности и ограничения измерения
Разработка сильных доказательств достоверности является ключевым для внедрения любого инструмента оценки, особенно в таких областях, как онкологическое образование. Современная концепция теории валидности рассматривает валидность как единую конструкцию, подкреплённую несколькими источниками доказательств, такими как содержание, процесс ответа, внутренняя структура, связи с другими переменными и последствияоценки 27,28.

Большинство исследований сосредоточены на достоверности контента, что обычно демонстрируется экспертным обзором клинических ситуаций, дизайном задач или критериями оценки. Хотя эти методы обеспечивают релевантность и соответствие оценочных материалов онкологической практике, они не дают много информации о способности инструментов измерять основные конструкции клинического мышления. В большинстве случаев валидация содержания считается достаточным доказательством эффективности, хотя более строгие психометрические практикиотсутствуют 29.

Менее последовательных отчетов о валидности процесса ответа — о том, как учащиеся воспринимают и взаимодействуют с оценочными активностями. Другие исследования используют тестирование удобства использования, обратную связь учеников или протоколы вслух, чтобы показать, что участники взаимодействуют с VR-средами или системами GenAI желаемым образом. Кроме того, пока неясно, насколько эти взаимодействия могут точно отражать истинное клиническое рассуждение, особенно в симулированных или опосредованных ИИсценариях 30.

Одним из важнейших ограничений как для VR, так и для GenAI является отсутствие доказательств внутренней структуры. Показатели надёжности, включая внутреннюю согласованность, согласование между оценщиками или стабильность повторного теста, редко сообщаются. Это особенно проблематично для инструментов, основанных на автоматическом подсчёте очков. Системы GenAI также варьируются с точки зрения алгоритмов оценки, основанных на обработке естественного языка, где результаты могут варьироваться в зависимости от дизайна запросов, параметров модели или контекстнойинтерпретации 31.

Аналогично, существуют ограниченные доказательства связи с другими переменными. Немногие исследования пытались связать результаты на платформах VR или GenAI с существующими методами оценки, включая OSCE, письменные тесты или оценки на рабочем месте. Без таких сравнений становится трудно понять, соответствуют ли эти технологии конструктам современным рамкам клинической компетентности. Такой недостаток сходящейся и дискриминантной валидности ограничивает интерпретацию и достоверность результатовоценки 32.

Однако самым большим пробелом в литературе является отсутствие её валидности переноса. Мало или совсем нет данных, подтверждающих, что практика в VR-симуляциях или тестах на базе GenAI коррелирует с лучшим клиническим мышлением в реальной онкологической практике. Поскольку конечная цель медицинского обучения — улучшить уход за пациентами, это ограничение является одним из главных препятствий для внедрения таких инструментов в формальные программы оценки. При отсутствии лонгитюдных или результатных исследований образовательный эффект этих технологий ограничивается смоделированной или экспериментальной ситуацией, в которой ониреализованы 33.

Помимо этих психометрических недостатков, существуют и другие трудности, связанные с растущим использованием автоматизированной аналитики. И VR, и GenAI сильно опираются на алгоритмическую интерпретацию поведения пользователя или языка, что вызывает вопросы прозрачности и интерпретируемости. Чёрный ящик больших языковых моделей в контексте оценок на базе GenAI усложняет понимание того, как формируются баллы и как гарантировать беспристрастные баллы. Такая необъяснимость может разрушить доверие между учителями и учениками, особенно в условиях с высокими ставками34.

Ещё одна важная проблема — предвзятость в оценке на основе ИИ. Обучающие данные, используемые для создания языковых моделей, могут отражать различия в клинических знаниях, моделях коммуникации или культурных практиках, что приводит к систематическим различиям в оценке между группами учащихся. Если такие предубеждения не будут устранены, они могут иметь серьёзные последствия для аспектов справедливости и равенства в медицинскомобразовании 35.

Кроме того, последствия оценки, ещё один важный аспект валидности, редко обсуждаются в существующей литературе. Очень мало исследований изучает влияние использования инструментов VR или GenAI на поведение учащихся, их образовательные пути или принятие решений в клинической среде. Отсутствие исследований по следующим эффектам ограничивает знания о положительных и возможных побочных эффектах этихтехнологий 36.

В заключение, технологии VR и GenAI перспективно предоставляют новые методы оценки клинического рассуждения, но существующая база доказательств недостаточна для их применения в ситуациях с высокими ставками. Во всех областях повышение валидности обеспечит следующий шаг: преобразование этих инструментов из экспериментального использования в эффективные элементы оценки онкологического образования. Таблица 2 суммирует доказательства достоверности VR и GenAI по четырём областям — содержанию, внутренней структуре, связям с другими переменными и последствиям — при этом выделяет ключевые ограничения, включая экспертные проекты, ограниченное тестирование надёжности, скудные сравнительные исследования и отсутствие долгосрочных данных о результатах.

Область валидностиДоказательства VRДоказательства GenAIОграничение клавиш
СодержаниеСтронгУмеренныйВ основном руководство экспертами
Внутренняя структураЛимитированныйЛимитированныйОтсутствие тестирования надёжности
Связи с другими переменнымиРедкийРедкийНесколько сравнительных исследований
ПоследствияМинимализмМинимализмДолгосрочных результатов нет.

Таблица 2: Доказательства достоверности в разных технологиях. В этой таблице показаны доказательства валидности VR и GenAI в клинической оценке мышления по содержанию, внутренней структуре, связям с другими переменными и доменам последствий 

Образовательные результаты и интерпретационная осторожность
Рост использования виртуальной реальности (VR) и генеративного искусственного интеллекта (GenAI) в онкологическом образовании был отмечен литературой, документирующей общие положительные результаты в образовании. Это улучшение вовлечённости учащихся, мотивации, воспринимаемой реалистичности учебной среды и способности получать немедленную, персонализированную обратнуюсвязь 37,38,39. Такие результаты свидетельствуют о том, что эти технологии обещают обогащать образовательный опыт и поддерживать развитие навыков клинического мышления.

Значительная часть опубликованных результатов — это самооценка, например, удовлетворённость учащихся, воспринимаемая уверенность или субъективная оценка обучения. Хотя эти показатели служат полезной информацией о пользовательском опыте, они не всегда связаны с каким-либо ощутимым клиническим рассуждением или улучшением клинических результатов40. В случае объективной отчетности они, как правило, сосредотачиваются на результатах эффективности непосредственно на технологической платформе. Хотя эти результаты могут указывать на успешное использование инструмента, они не определяют, можно ли такое взаимодействие в целом применить компетентность клинического мышления. Достижения, достигнутые в контролируемых или симулированных условиях, могут быть связаны с знакомством с системой, в отличие от реального когнитивного или поведенческогороста 53. Другое ограничение связано с методологическими особенностями существующих исследований. Большая часть литературы представляет собой небольшие исследования одного учреждения с ограниченной выборкой и короткими периодами вмешательства. Эти ограничения снижают статистическую мощь и ограничивают обобщимость результатов для широкого спектраобразовательных сред 33.

Проблема переносимости вызывает особую озабоченность в образовании по онкологии. Онкологическое клиническое мышление — это сложный и долгосрочный процесс принятия решений, который происходит в определённом временном промежутке и в клинических контекстах. Тем не менее, существует нехватка литературы о том, сохраняются ли навыки, обученные в VR или вмешательствах GenAI, после непосредственного обучения или влияют на реальную клиническую практику. Кроме того, литература обычно смешивает результаты обучения и оценки. Большинство приложений VR и GenAI имеют основную цель — облегчение обучению как образовательный инструмент, но их успех иногда рассматривается как признак валидности оценки. Для точной интерпретации важно различать преимущества формативного обучения и полезность суммативногооценивания 42.

Существуют также когнитивные причины, которые усложняют интерпретацию образовательных результатов. Передовые технологии создают широкий спектр когнитивных нагрузок, что может влиять на результаты учащихся. Например, иммерсивные VR-системы могут иметь дополнительную когнитивную нагрузку в плане навигации, взаимодействия с интерфейсом или сенсорной обработки. При правильном дизайне и хорошем понимании пользователя эти факторы могут либо облегчать, либо мешатьобучению 36. Пользовательский опыт и предыдущий опыт с технологиями также являются факторами. Студенты, более привыкшие к компьютерным интерфейсам или системам на базе ИИ, могут показывать лучшие результаты не обязательно из-за большего клинического мышления, а благодаря более удобному взаимодействию ссистемой 43.

Возможность непредвиденных последствий — ещё один фактор, который следует учитывать. Для иллюстрации чрезмерная зависимость от обратной связи, разработанной ИИ, может снизить вероятность логического мышления или критического анализа. Точно так же хорошо сформулированные VR-ситуации могут непреднамеренно ограничивать принятие решений, уменьшая количество возможных действий. Современная литература не рассматривает эти эффекты подробно, однако они имеют значительные последствия для образовательногодизайна 44.

Хотя эти ограничения существуют, нельзя игнорировать положительные тенденции, зафиксированные в вовлечённости учащихся и опытном обучении. Безопасные практики, обратная связь в реальном времени и возможность снова и снова сталкиваться с сложными ситуациями — это возможности VR и технологий GenAI. Эти характеристики могут быть связаны с современными образовательными теориями, такими как опытное обучение и целенаправленная практика, которые отдают приоритет активному обучению и постоянномусовершенствованию 45.

В целом, хотя технологии VR и GenAI демонстрируют значительный потенциал для трансформации онкологического образования, в настоящее время база доказательств ограничена в методологии и интерпретации. Поэтому необходим критический и осторожный подход, чтобы избежать чрезмерного обобщения результатов и убедиться, что утверждения об эффективности образования имеют сильные эмпирические доказательства.

Когнитивные, этические и организационные аспекты
С когнитивной точки зрения разработка этих технологий и их применение могут существенно повлиять на то, как учащиеся воспринимают информацию и практикуют клиническое мышление. Теория когнитивной нагрузки предлагает практическую основу для понимания этих эффектов с помощью трёх типов когнитивной нагрузки: внутренней, посторонней и непосредственной когнитивнойнагрузки 43. Хотя VR-среды погружают и увлекают, они могут создавать значительную когнитивную нагрузку на пользователей, требуя навигации, сенсорной стимуляции и сложности интерфейса. Если не спланированы должным образом, такие факторы могут сместить когнитивные ресурсы в другие области, отличные от основных процессов мышления, тем самым сводя на нет учебные и оценочныепоказатели 38.

Точно так же системы GenAI создают новые когнитивные вызовы в отношении подачи информации и динамики взаимодействия. Например, чрезмерная или повторяющаяся обратная связь, создаваемая системами ИИ, может привести к информационной перегрузке, что может препятствовать успешному обучению. С другой стороны, правильно спроектированная, адаптивная обратная связь может увеличить необходимую когнитивную нагрузку через формирование схем и рефлексивноемышление 46. Баланс между руководством и когнитивной автономией имеет решающее значение, поскольку чрезмерная зависимость от ответов, созданных ИИ, может уменьшить возможности для самостоятельного решения проблем и критического мышления.
Когнитивное взаимодействие с такими технологиями также опосредовано знакомством пользователей и цифровойграмотностью 44.

Этика также является ключевым аспектом внедрения VR и GenAI при оценке образования. Одной из самых значимых проблем является концепция алгоритмической предвзятости в системах на базе ИИ. Модели машинного обучения, такие как крупные языковые модели, обучаются на больших объёмах данных, которые могут быть предвзяты в сторону существующих социальных, культурных или профессиональных норм. В результате результаты оценки могут привести к нежелательной дискриминации отдельных групп учащихся, и справедливость и равенство ставятся подсомнение 35. Другие этические вопросы — прозрачность и объяснимость. Большинство систем GenAI — это чёрные ящики, без явных описаний процесса принятия решений. Такая интерпретируемость в оценках может привести к отсутствию доверия между учащимися и педагогами, особенно если конечный результат имеет серьёзные академическиепоследствия 34.

Безопасность и конфиденциальность данных также являются важным фактором, который следует учитывать как образовательный, и, возможно, клинические данные являются чувствительными. VR может использоваться для записи детальных поведенческих данных, тогда как платформы GenAI могут обрабатывать большие объёмы текстовых данных. Для соблюдения этических стандартов и доверия к учреждению важно следить за соблюдением правил по защите данных и сохранением информации пользователей47.

Помимо индивидуальных вопросов, организационные вопросы играют решающую роль в успешном внедрении этих технологий. Внедрение VR и GenAI в онкологическом образовании должно соответствовать целям институтов, доступу к ресурсам и поддерживающим рамкам управления. Модель Технология-Организация-Среда (TOE) является ценным инструментом для изучения этих факторов и акцента на взаимодействии технологической готовности, организационных возможностей и влияния внешней среды48.

Организационная готовность включает компетентность преподавателей, обучение и внедрение новых технологий. Возможное сопротивление внедрению может быть связано со страхами надёжности, перегрузки работой или просто с незнакомством с системами на базе ИИ. Эти ограничения можно преодолеть с помощью специализированных программ развития преподавателей и чётких правил использования технологий воценке 49.

Новый подход к этой области сосредоточен на идее просвещённой автономии, при которой системы ИИ создаются для помощи, а не для замены человеческого суждения. Этот метод предлагает гармоничное сочетание автоматизированной аналитики и человеческого контроля, где технологии улучшат процесс принятия решений, не мешая подотчётности илипрофессионализму 50. В контексте клинической оценки это может включать сочетание инсайтов, созданных ИИ, с экспертной оценкой для достижения более комплексного и надёжного процесса оценки.

В целом, внедрение VR и GenAI в онкологическое образование включает не только технические инновации; Также исследуются сложные когнитивные, этические и организационные аспекты. Эти факторы имеют решающее значение для максимального использования этих технологий с точки зрения их образовательной ценности и снижения рисков. Междисциплинарная стратегия, учитывающая ориентированный на пользователя дизайн, этические вопросы и институциональную готовность, будет ключевой для разработки ответственного использования технологий в клинической оценке. Рисунок 3 Фреймворк Технология-Организация-Среда (TOE), определяющий ключевые факторы внедрения для интеграции VR и GenAI в онкологическое образование. Успешное внедрение требует согласования возможностей системы, организационной поддержки и внешних условий окружающей среды.

figure-protocol-2
Рисунок 3: Фреймворк Technology-Organization-Environment (TOE) для внедрения VR и GenAI в онкологическом образовании. Рамка Technology-Organization-Environment (TOE) применялась для интеграции VR и GenAI в онкологическое образование, выделяя ключевые факторы в области возможностей системы, лидерства и учебных программ, а также регуляторных, финансовых и культурных аспектов для успешной реализации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Выводы

Клиническое мышление в онкологии — это расширяющаяся и сложная проблема, которая долгое время является сложным, динамичным, высокопоставленным и специфическим для контекста аспектом принятия онкологических решений. В этом обзоре обсуждаются новые функции виртуальной реальности (VR) и генеративного искусственного интеллекта (GenAI) как инновационные решения для ограничений традиционных методов оценки. В совокупности данные свидетельствуют о том, что эти технологии обладают непересекающими...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Благодарности

Финансирование: Фонд: Общий исследовательский проект (категория естественных наук) Департамента образования провинции Чжэцзян (грант No Y202558353).

Фонд: Исследовательский проект по высшему образованию. Специальный проект: Искусственный интеллект, расширяющий возможности образования и преподавания» (KT2025426)

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Ссылки

  1. Shimizu, H., Nakayama, K. I. Artificial intelligence in oncology. Cancer Sci. 111 (5), 1452-1460 (2020).
  2. 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).
  3. 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).
  4. Sminia, P., et al. Clinical radiobiology for radiation oncology. Radiobiology textbook. , (2023).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. Pottle, J. Virtual reality and the transformation of medical education. Future Healthc J. 6 (3), 181-185 (2019).
  14. 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).
  15. Hamilton, A. Artificial intelligence and healthcare simulation: The shifting landscape of medical education. Cureus. 16 (5), e00000 (2024).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. Cook, D. A., Sherbino, J., Durning, S. J. Management reasoning: Beyond the diagnosis. JAMA. 319 (22), 2267-2268 (2018).
  22. Croskerry, P. A universal model of diagnostic reasoning. Acad Med. 84 (8), 1022-1028 (2009).
  23. Norman, G. Research in clinical reasoning: Past history and current trends. Med Educ. 39 (4), 418-427 (2005).
  24. Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
  25. 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).
  26. Bickmore, T. W., Giorgino, T. Health dialog systems for patients and consumers. J Biomed Inform. 39 (5), 556-571 (2006).
  27. Messick, S. Validity. educational measurement. , 13-103 (1989).
  28. 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).
  29. Downing, S. M. Validity: On meaningful interpretation of assessment data. Med Educ. 37 (9), 830-837 (2003).
  30. 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).
  31. Gwet, K. L. . Handbook of inter-rater reliability. , (2021).
  32. 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).
  33. 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).
  34. Topol, E. J. . Deep medicine: How artificial intelligence can make healthcare human again. , (2019).
  35. 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).
  36. van der Vleuten, C. P. M., Schuwirth, L. W. T. Assessing professional competence: From methods to programmes. Med Educ. 39 (3), 309-317 (2005).
  37. 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).
  38. Makransky, G., Petersen, G. B. Immersive virtual reality and learning: A meta-analysis. Educ Psychol Rev. 31 (4), 915-943 (2019).
  39. Luckin, R., Holmes, W., Griffiths, M., Forcier, L. B. . Intelligence unleashed: An argument for AI in education. , (2016).
  40. 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).
  41. 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).
  42. 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).
  43. Sweller, J. Cognitive load theory. Psychol Learn Motiv. 55, 37-76 (2011).
  44. 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).
  45. Carr, S. AI gone wild: Implications of artificial intelligence for education. Educ Technol. 60 (2), 3-10 (2020).
  46. 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).
  47. European Parliament and Council. General Data Protection Regulation (GDPR). Off J Eur Union. L119, 1-88 (2016).
  48. Tornatzky, L. G., Fleischer, M. . The processes of technological innovation. , (1990).
  49. Rogers, E. M. . Diffusion of innovations. , (2003).
  50. Floridi, L., Cowls, J. A unified framework of five principles for AI in society. Harv Data Sci Rev. 1 (1), 1-15 (2019).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.