Moderne medisin produserer enorme mengder informasjon: bilder, laboratorieresultater og journalnotater. For medisinstudenter kan dette både være en ressurs, samtidig som det kan oppleves som overveldende. Samtidig er KI på vei inn i sykehusene, og vi ønsker ikke at studenter skal se på KI som en mystisk «svart boks»
Prosjektet BRAIGED endrer dette med xAIDA, en læringsassistent som hjelper fremtidige klinikere til å trene diagnostisk resonnering med KI – ikke for å erstatte menneskelig skjønn, men for å styrke det.
Målet er kandidater som er trygge, grundige og klare til å bruke KI ansvarlig i ekte kliniske situasjoner.
Vi starter med nyremedisin, fordi kronisk nyresykdom er vanlig og avhenger av mange ulike tegn og funn. Resultatet er raskere og tydeligere læring og tryggere vaner. Studentene skal bygge selvtillit uten å bli for selvsikre. De skal oppleve mindre stress fra informasjonsmengden, og lære å oppdage skjevheter eller feil.
Vi sørger også for at dette skjer på en ansvarlig måte. Det skal skje gjennom ikke-identifiserbare pasientdata, strenge sikkerhetstiltak og en tydelig regel om at mennesker alltid har siste ordet.
Slik kan fremtidige klinikere si: «Jeg forstår hva KI-en peker på. Her er jeg enig, her er jeg uenig, og dette er min endelige beslutning.» Denne tankegangen er kjernen i ansvarlig, menneskesentrert KI i helsetjenesten.
Prosjektbeskrivelse
BRAIGED-prosjektet har som mål å utvikle xAIDA, et forklarbart, AI-drevet verktøy for pedagogisk diagnostikk, for å undersøke hvordan AI-teknologier skaper nye forutsetninger, muligheter og utfordringer for læring, beslutningstaking og klinisk resonnement innen medisin.
Sentralt i dette prosjektet står styrking av AI-kompetanse, slik at medisinstudenter og praktiserende leger kan forholde seg kritisk til, og samarbeide med AI i virkelige kliniske situasjoner.
Sett i sammenheng med informasjonsrike læreplaner, der studenter ofte står overfor informasjonsoverflod og frykt for utilstrekkelighet, søker prosjektet å utforme og implementere AI-drevne læringsverktøy.
Disse verktøyene skal fremme trygge, kompetente og sikre praktiserende profesjonsutøvere, samtidig som de demper uønskede effekter på studentenes psykiske helse.
De primære målene inkluderer integrering av ulike datamodaliteter (bilde, tabell og tekst) for å forutsi og klassifisere kronisk nyresykdom (CKD), utvikling og forbedring av maskinlæringsmodeller (f.eks. CNN-baserte arkitekturer og alternative segmenteringsteknikker).
Vi vil også bruke post-hoc-forklarbarhetsmetoder for å transformere AI-diagnostikk fra en «black-box»-prosess, til et tolkbart, meningsfullt og relevant pedagogisk verktøy.
Sentrale FoU-utfordringer omfatter
- identifisering av strukturelle og funksjonelle markører som er avgjørende for vurdering av nyresykdom
- håndtering av kompleksiteten i dynamisk og statisk nyrescintigrafi
- overvinning av databegrensninger gjennom avanserte strategier for overføringslæring
I tillegg vil prosjektet utforske erfaringsbaserte og simuleringsbaserte læringsmodeller for å styrke klinisk resonnement og diagnostiske ferdigheter. Vi vil ta utgangspunkt i rammeverket for paradoksal undersøkelse, for å omfavne iboende motsetninger i AI-drevet medisinsk opplæring.
Til syvende og sist søker BRAIGED å etablere nye tverrfaglige forskningsretninger, og bidra til den akademiske diskursen om ansvarlig integrering av AI i klinisk praksis.
