虚拟病人的临床推理工具:基于设计的研究研究

简介

在医疗保健教育的背景下，虚拟病人(vp)通常被描述为交互式的、基于计算机的程序，模拟真实的临床遭遇[1］．vp的技术基础从低交互性的Web页面到高保真的模拟或虚拟现实场景。它们以互动患者场景的形式，通常用于培养医疗保健教育中的临床推理技能的习得[2，3.］．交互式患者场景是基于web的应用程序，在该应用程序中，学习者在副总裁场景中导航，并以菜单、问题或决策点的形式与副总裁交互。各种商业和开源的VP系统，如CASUS、OpenLabyrinth、i-Human都可用并应用于医疗保健教育[4］．这样的系统为教育工作者提供了创建副总裁场景并将其传递给学生的工具。

临床推理或临床决策包括应用知识，从各种来源收集和整合信息，以得出诊断和管理计划。这是卫生保健学生在接受教育期间和毕业后必须掌握的一项基本技能。除了传统的教学方法外，副校长还提供了一个安全的环境，在不伤害患者的情况下练习临床推理，并为学生的实习或床边教学做好准备[2］．

然而，临床推理如何在副总裁中实施差异很大，这些设计差异对学习结果的影响尚未完全了解[5］．反馈和评分通常是定量实施的，以结果为导向，不考虑非线性性质[6临床推理过程。更多面向过程的方法，例如Pennaforte等人描述的一项研究[7]，往往需要一名教练在场，因此，限制了副总裁的可扩展性。此外，VP系统在临床推理过程中并没有充分发挥其潜力。例如，处理认知错误，明确发展疾病脚本[8]，或者模式识别方法很少在VP系统中实现。

因此，我们的目标是开发一种可以与VP系统结合的软件工具，专门支持临床推理技能的获得，并评估这一复杂过程的所有步骤。我们将描述该软件的主要组成部分以及可用性测试和初步研究的结果。

方法

概念的发展

该工具的概念基于基于理论的研究，这是一种探索性质的研究方法，旨在理解现象并发展基于数据的理论[9］．我们探索了基于科学文献或教材等数据资源学习临床推理的过程[10］．该研究的结果是一个面向应用的框架，包括五个主要类别:心理学理论、以患者为中心、教学和评估、以学习者为中心和环境。每个类别都包含子主题，例如疾病脚本、认知错误、自我调节学习、学习分析或认知负荷。这个框架作为开发软件概念的基础。我们与医疗保健专业人员、教育工作者和学生讨论了如何将其转移给副总裁的框架和结论，并在这些讨论的基础上，我们开发了功能软件需求(表1)．

框架的一些子主题，如沟通、情感或真实性，与VP本身的设计有关，而不是与临床推理工具有关，因此它们没有转化为软件需求。然而，这些方面对于VP设计过程很重要，需要考虑并与工具保持一致。

用户界面设计

图1展示了临床推理工具的线框模型及其主要组件。

对于每个类别(即，发现，鉴别诊断，测试和治疗)，学习者可以搜索一个术语，并从输入列表中选择一个，该列表基于美国国家医学图书馆发布的医学主题标题(MeSH) [12]，或选择输入自己的资料。此外，还可以输入否定，以添加否定的结果，例如“没有发烧”。

通过从上下文菜单中选择选项，可以将鉴别诊断标记为“绝对不能错过”或“不太可能/排除”。一旦学习者输入了鉴别诊断，提交最终诊断的按钮将被激活。点击此按钮后，学习者可以从他或她的差异中选择一个或多个诊断，并将其作为最终诊断提交。

所有添加的节点(结果、差异、测试和治疗)都可以被删除，在框内移动，并通过拖放相互连接。例如，如果一个发现反对或证实了一个诊断，学习者可以将该发现与该诊断联系起来。通过点击连接，它的颜色(=权重)和含义可以从红色-“反对”-深蓝色-“高度相关”。目前，可以为一个连接分配5种不同的权重/颜色。因此，学习者以概念图的形式逐步构建患者的疾病脚本。

最后，学习者的任务是在工具面板底部的文本区域中编写一个简短的总结语句，通常是2到3个关于VP的句子。这样的总结陈述是一种精神抽象，将相关的患者特定细节转换为抽象术语，最好使用语义限定词[13］．这种转化是临床推理过程中至关重要的一步。

通过顶部的2个开关按钮，学习者可以切换连接的显示，并可以随时访问专家的地图。

‎ 查看此图

技术方法

该工具是在Oracle Java编程，使用Java Server Faces作为框架;Hibernate，一个面向Java应用程序的开源对象关系映射解决方案;以及提供数学图论对象和算法的JGraphT。所有用户操作，包括时间戳和执行VP场景中的哪个阶段，都存储在Oracle数据库中，但也可以使用其他数据库管理系统，如MySQL。客户端采用动态超文本标记语言实现，包括开源库和框架，如JQuery、JSPlumb和D3.js。

该工具有英语、德语和波兰语版本，并可在麻省理工学院许可下下载。14］．典型的副总裁可在副总裁系统CASUS [15］．

以概念图为模型的病人疾病脚本

概念映射是一般应用于医学教育的一种方法[16]以及临床推理训练及评估[17，18］．在该工具开发的基础理论研究中，概念映射被确定为教学和评估临床推理技能的合适方法[10]，因为它反映了过程的非线性方面。

疾病脚本是一种心理表征，它将疾病的临床信息、疾病实例及其症状联系起来[8］．疾病脚本是通过经历许多不同的患者病例来开发的。该工具揭示了患者的疾病脚本，并使学习者能够在VP场景中以概念图的形式构建自己的脚本。学习者可以选择和连接概念图的元素，并标记连接(图2)．在后端，概念图被实现为学习者和专家地图的有向加权图表示。

双重加工与认知错误

双重处理是分析推理和非分析推理的应用[19］．认知错误和偏见都与这两种方法有关[20.]，是临床推理过程的重要组成部分。我们认为，当学习者与副总裁一起工作时，允许和鼓励这两种方法的应用是很重要的。因此，在整个VP场景中，学习者可以提交鉴别诊断作为他们的工作诊断或最终诊断，并在滑块上评估他们对该决定的信心水平(从1=“完全不自信”到100=“非常自信”)。如果学习者的决策与专家的决策不匹配，软件就会根据阶段、已识别的发现、差异和学习者之前访问过的vp分析潜在的认知错误。目前的分析侧重于识别和阐述5种常见的认知错误类型:过早关闭、可用性偏差、确认偏差、代表性和基础率忽略[20.) (表2)．为了发现基本率忽略和代表性错误，专家们必须在概念图中提供额外的信息，如疾病流行率。

然后，临床推理工具提供关于错误的反馈和解释，用户可以选择再次尝试，继续VP场景，或获得更多反馈(图3)．

得分

评分和反馈是基于构建概念图的过程，并将其与专家的地图进行比较。

最终诊断提交的部分评分范围在0.5到0.9之间(图3)，这取决于在MeSH树中学习者的诊断与专家的诊断之间的距离(即边数)。如果学生的最终诊断比专家的解决方案更具体，距离可以为负。例如，如果学习者提交的最终诊断为“细菌性肺炎”，而专家提交的是“肺炎”，那么这两个术语在MeSH层次结构中的距离为−1。然后通过启发式公式计算分数:

分数= 1−(数学。腹肌(距离)/ 10

在VP场景的每个阶段对概念图的所有更改都被记录下来，存储在数据库中，并与专家的地图进行比较。因为地图的元素是基于MeSH的，所以我们可以为评分提供同义词或或多或少特定的术语。此外，当学习者进入VP场景的下一个阶段时，每个类别中的所有节点都将根据该阶段的专家地图进行评分。启发式算法如下:

各阶段总分=所有得分/(正确节点+遗漏节点)−0.05 × addNodes

‎ 查看此图

‎ 查看此图

(all scores=用户所有分数之和;正确节点=所有得分≥0.5的节点;遗漏的节点=专家添加的节点，而不是学习者在给定阶段添加的节点;addNodes=由学习者添加但在专家地图中不存在的节点)。

学习者的问题表现(总结陈述)是基于与专家陈述的比较和康奈尔等人建议的语义限定词列表(例如，“急性”vs“慢性”)[21］．

目前的评分算法计算学习者和专家使用的语义限定词。根据Smith等人提出的评估标准[22]，语义限定词使用的分值定义如下:

• 0分:专家使用的语义限定词少于30%
• 得分1:专家使用的语义限定词<60%和≥30%
• 得分2:专家使用的语义限定词≥60%

分数的加权基于Durning等人提出的相遇后形式评分模型[23］．

学习分析、反馈和适应性

所有分数基于Charlin等人开发的临床推理过程模型进行聚类[24]，并与概念图元素(表3)．在VP场景完成后，分数将显示在以学生为中心的仪表板上。

此外，我们实现了用于自我导向学习和双重处理的集群，这些集群尚未反馈给学习者。

自导向学习集群目前基于学习者在没有咨询专家解决方案之前添加的节点和连接的百分比。双重处理考虑学习者在哪个阶段提交最终诊断;也就是说，在VP场景的早期阶段提交最终诊断是一个更非分析性推理方法的指标。在面向过程的方法中，学习者可以在任何阶段查阅和比较他们的地图与专家或同行的地图。学习者的进度不仅在VP场景中跟踪，而且在整个VP集合中跟踪;这些过程数据提供给学习者的仪表板，在仪表板中，聚类分数和同伴分数是可视化的，并显示了对进一步活动的建议。

虚拟病人系统的应用程序接口

实现的主要技术前提是通过开放的应用程序接口(API)将该工具作为基于web的VP系统的插件使用。

该工具与VP系统之间的通信需要:(1)VP会话期间的初始化和更新，(2)性能数据的显示，以及(3)搜索功能(可选)。该API的进一步细节可在GitHub Wiki [25］．

在初步研究中，我们将临床推理工具集成到线性VP系统CASUS中[15，26，这是一个基于web的应用程序，用于编写和提供基于案例的学习。CASUS副总裁通常用5到15个屏幕卡展示患者的故事，从第一次介绍到治疗，其中包含文本元素、多媒体和问题的可变组合。临床推理工具在CASUS应用程序中的iframe中显示;性能数据和搜索功能集成在CASUS仪表板中。

可用性测试和试点研究的实施

在开发过程中，我们使用工具的原型版本对副总裁进行了可用性测试;参与者是2名卫生保健专业的学生和2名卫生保健专业人员，他们熟悉副总裁的概念。对于可用性测试，我们从eViP存储库中改编了一个免费的VP [27]，并向其展示了原型临床推理工具。其中一名作者(IH)以“大声思考”的方法，在相同的测试场景中总共举行了4次会议[28];参与者简要介绍了副总裁、原型及其目的;在他们可以自由探索副总裁和工具之前，被问及他们的期望;并进一步询问他们的反应。最后，在一次汇报中，与会者被邀请详细说明他们的印象和对改革的建议。所有的发现都记录在实地记录中，随后由作者进行讨论。使用VP系统CASUS中更高级版本的工具，对相同参与者进行了类似的结构化随访会议。

2016年10月至12月，我们实施了一项试点实地研究，并基于VP系统CASUS中的3个VP对该工具进行了评估。课程导师对副总裁进行了审核，他认为难度水平与学习者的专业水平相适应，并确认副总裁符合课程目标。

副校长被纳入德国慕尼黑路德维希-马克西米利安大学医学院内科/外科课程副校长集合。三位副总裁讨论了以下主题:

• VP 1: 19岁患者，喉咙痛;最终诊断:单核细胞增多症
• VP 2: 66岁晕厥患者;最终诊断:支气管癌
• VP 3:急性呼吸困难患者，76岁;最终诊断:肺栓塞

共有107名四年级医学生被邀请参加这项研究，作为他们日常课程活动的一部分。为了评估工具的可用性和与VP系统的集成，我们使用了一份5项问卷(表4)，根据系统可用性量表的选定问题[29］．基于网络的调查问卷在每次副总裁会议后都可以访问。参与是自愿和匿名的。

伦理批准和同意参与

试点研究和评估的实施得到了德国慕尼黑大学伦理委员会的批准。

结果

可用性测试

基于原型的可用性测试揭示了一些重要的可用性问题;例如，在原型中，表示疾病脚本的概念图元素显示在选项卡布局中，因此无意中暗示了组件必须处理的顺序。基于这一发现，我们改变了布局，使所有组件都能同时可见。另外，两名参与者想输入一个阴性结果(“不发烧”)，这在当时是不可能的，但在工具的下一个版本中实现了。在该工具的预最终版本的后续可用性测试中，我们发现了一些小问题，比如工具提示的显示大小和内容，以及按钮的标签不清晰。这些问题在试点研究开始前就已经解决了。完整的可用性场景、现场说明以及检测到的和解决的问题的列表都可以根据要求提供。

试点研究

在2016年10月15日至2017年1月31日的试点现场测试期间，由3名副总裁参与，107名学生中的64人创建了118张不同复杂性的概念图。此响应率与类似的副总裁集成场景相当[30.］．在测试期间，我们不断评估使用数据，并进一步开发工具。例如，我们在试点测试开始时注意到，学习者在与该工具交互时犹豫不决;因此，我们进一步扩展和完善了脚手架和提示。总的来说，学习者输入了284个问题，324个鉴别诊断，158个测试和21个治疗方案，并提交了65个最终诊断;但是，只绘制了36个联系，编写了19个摘要。表5显示了3个副总裁的分布情况。问卷由10名参加者完成(表4）;没有可用性问题的报告。

在自由文本回复中，2个报告了一个技术故障，该故障立即得到了修复;第三个回答明确表示喜欢临床推理工具的想法。

讨论

概述

在前人理论探索的基础上[10]，我们的目标是开发一种工具，通过解决临床推理过程中最重要的步骤来支持临床推理技能的培训。该工具的当前版本是一个很好的起点，我们将继续一个进一步评估、调整和分析研究的循环过程，以推进功能。

我们研究的主要贡献是描述了基于定性研究的详细临床推理工具[10］．因此，该工具通过将研究结果转化为具体的软件组件和教学过程，反映了当前在临床推理训练方面的研究。

概念图作为基本原理的工具，已被证明是一种有效的医疗保健教育教学和评估方法(例如，[31，32])。我们采用了典型的非结构化概念映射方法，提供了临床推理的四个主要组成部分，学习者可以在其中添加节点:问题、鉴别诊断、测试和治疗。因此，临床推理过程的步骤和患者疾病脚本的组成部分明确地表示在地图中，以指导学习者在VP场景中工作。如果学习者需要进一步的支持，他们可以参考专家的概念图，并将其与自己的地图进行比较。

试点研究

初步研究的结果表明，学习者与该工具进行了交互，但与专家地图相比，学习者添加的平均节点数相当低。潜在的解释可能是技术障碍、缺乏动机或临床推理能力有限。由于我们试图在最初的可用性测试中识别任何潜在的技术障碍，在试点研究期间，我们没有收到学习者的任何支持请求，对日志文件和数据库条目的分析也没有揭示任何相关问题，我们认为技术障碍不是节点添加数量低的主要原因。在超过60% (n=38)的副总裁会议中，3名副总裁中有2名学习者提交了最终诊断，尽管添加的节点数量较少，这可能表明学习者倾向于关注结果(即最终诊断)，而不是临床推理的过程。试点研究的参与者是慕尼黑大学的学生，他们在临床前几年就熟悉副总裁。然而，学生早期使用的vp对临床推理过程的要求较低。患者的问题和发现，鉴别诊断和最终诊断要么由VP作者以详细的方式直接呈现，要么学生必须从一个简短的列表中选择适当的选项。这种简化的方法使学习者处于更被动的角色，没有强调过程的重要性，但结果可能会影响学生与新工具的互动。

有趣的是，平均而言，学习者为VP 2增加了更多的问题和鉴别诊断，但只有29%提交了最终诊断。这可能表明VP 2比VP 1和VP 3更难解决，这也得到了这些地图增加的更高的平均鉴别诊断数量的支持。为了进一步研究VP难度对临床推理过程的潜在影响，有必要进行后续研究。

节点之间的连接是有意义概念图的重要组成部分，表明学习者理解了概念及其关系[18］．在初步研究中，只绘制了一些联系，在问卷调查中，我们看到了一种趋势，即该工具没有最佳地支持学习者构建他们的思想。这可能表明需要进一步解释概念映射和/或改进功能。需要进一步的数据收集和分析来发现更多关于这些方面的信息。

在初步研究中，我们将该工具与一种VP结合起来，在VP中，患者以文本描述和多媒体元素表示。但是，该工具也可以集成到更真实地代表患者的场景中，在这些场景中，可以更加强调患者的情绪和通过主动提问来识别问题。例如会话代理格式的副总裁，学习者可以用自然语言与副总裁交流[33]或虚拟现实应用[34］．我们设想，该工具也可以用于床边教学场景，例如，作为患者遭遇后的后续活动，帮助学生记录他们的推理过程，并与他们的导师讨论。然而，重要的是要记住，真实性必须与学习者的认知负荷和专业水平相平衡。35］．因此，试点研究中使用的不太真实的副总裁可以帮助新手准备更复杂和真实的副总裁场景和现实生活中的患者遭遇。

进一步发展

该工具的进一步开发将侧重于实现机器学习方法，以推进摘要报表和地图的比较和评分。

在该工具的当前版本中，将在该工具中创建并显示学习仪表板。然而，为了能够完全集成到学习和教学基础设施中，例如学习管理系统、电子投资组合或校园管理系统，我们打算将性能数据映射到xAPI [36］．xAPI提供了一个词汇表，用于从不同来源收集用户体验，并将其存储在学习记录存储中。

开放的API允许将临床推理工具集成到其他VP系统中，而不是CASUS。因此，我们目前正致力于将该工具集成到分支VP系统OpenLabyrinth中[37]作为欧洲WAVES项目的一部分[38］．

该工具还将用于VP临床推理的进一步研究，旨在回答关于VP设计的开放性问题，以最佳地促进临床推理的培训。例如，我们目前正在实施一项研究，调查本科医学生推理过程的差异，比较结果导向和过程导向的专家反馈[39］．

虽然问卷的回复率很低，但我们感觉到学习者在使用该工具构建他们的思想时遇到了困难，这可以从概念图中添加的很少的连接中得到证明。该工具的设计基于临床推理学习过程和vp的定性研究结果[10]，学生参与了研究和工具实施过程的所有相关步骤。然而，尽管做出了这些努力，该工具似乎并没有完全满足学习者的需求;一种解释可能是，参与试点研究的学生不熟悉临床推理过程中涉及的原则和步骤，因为慕尼黑大学医学院并没有明确地教授这方面的内容。为了解决这个问题，我们制作了一系列短视频，解释临床推理过程的基本原则[40]，这将被集成到工具中进行下一个测试周期。此外，对于一些学习者来说，创建整个地图可能太复杂了，特别是如果他们不熟悉这种思维方式的话。因此，我们正在实施一种更具适应性的方法，在地图开发过程中，以循序渐进的方法指导低水平学习者，从而减少认知负荷。根据专业水平和VP难度，学习者将被提示专注于地图创建过程中的特定任务。例如，将为他们提供所有节点，并将要求他们专注于创建相关连接的任务或识别患者的问题。

限制

我们可用性测试方法的一个局限性是调查的低回复率。这一低比率与LMU医学院其他副校长课程的回复率相当，我们认为这是由于参与学生的调查疲劳;特别是在第4年，学生接触到大量的问卷调查。此外，由于我们只使用了10项问卷的一个子集，所以我们只能检测可用性趋势。我们的目的是通过一份简短的问卷来获得更高的回复率，但结果证明这是无效的。因此，我们将在未来的使用场景和研究中继续使用完整的10项可用性问卷，以收集更可靠和标准化的数据。

结论

我们相信临床推理工具是基于web的VP系统的一个有价值的补充;它特别旨在支持临床推理过程，并包括迄今为止尚未系统地包含在VP系统中的方面。我们建议将此工具与精心设计的简短副总裁结合使用，以充分利用它(参见[15])。此外，该工具可以独立于副总裁在面对面教学场景中使用，例如，补充临床推理课程、基于问题的学习研讨会或床边教学。我们相信，我们的研究结果是相关的教育工作者和研究人员有兴趣推进临床推理教学在卫生保健专业。