Moderne medisin produserer enorme mengder informasjon: bilder, laboratorieresultater og journalnotater. For medisinstudenter kan dette både være styrkende og overveldende. Samtidig er KI på vei inn i sykehusene, og vi ønsker ikke at studenter skal se på den som en mystisk «svart boks»
Prosjektet BRAIGED endrer dette med xAIDA, en læringsassistent som hjelper fremtidige klinikere å trene diagnostisk resonnering med KI – ikke for å erstatte 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 bygger selvtillit uten å bli for selvsikre, reduserer stress fra informasjonsmengden og lærer å oppdage skjevheter eller feil.
Vi sørger også for at dette skjer på en ansvarlig måte – ingen direkte 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.
I en kontekst med informasjonsrike læreplaner, der studenter ofte står overfor informasjonsoverflod og frykt for utilstrekkelighet, søker prosjektet å utforme og implementere AI-drevne læringsverktøy som fremmer trygge, kompetente og sikre praktiserende leger, samtidig som det demper uønskede effekter på lærendes 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), samt bruk av 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, samt 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, med 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.
