Интерактивная цифровая платформа и киберфизические системы медицинского образования

Актуальность. Успех и прогресс медицинского образования неотъемлемо связан с достижениями фундаментальных и прикладных наук и зависит от степени насыщения образовательных программ результативностью передовых цифровых технологий. В статье рассматриваются новые формы организации образовательного процесса на основе цифровых платформ. Благодаря информационно-коммуникационным технологиям (платформам) становится возможной эффективная дистанционная координация траектории образовательного процесса больших массивов обучающихся, строгий объективны протокольный контроль за выполнением поставленных задач. В статье рассматриваются специфика медицинских цифровых платформ, формы алгоритмического управления, необходимость и значимость киберфизических систем. Приводятся примеры реализаций отдельных робототехнических элементов, применяемых в образовательных платформах.
Материалы и методы. Критериями отбора источников литературы являлись: дата публикации позже 2000 года; релевантность ключевым запросам Education, Medical Education и Patient Simulation; публикации, включенные в базу данных ScienceDirect (Scopus), IEEE или NCBI.
Результаты. В соответствии с критериями включения и невключения было отобрано 27 научных публикаций.
Заключение. Цифровая образовательная платформа, формируемая совокупностью трансформированных традиционных образовательных программ, позволяет обеспечить полноценный допуск обучающихся к образовательным ресурсам, а также обладает потенциалом стимулирования компетенций профессорско-преподавательского контингента, что в целом является актуальным и перспективным направлением для повышения эффективности образовательного процесса.

1. Bitzer DL, Braunfeld PG, Lichtenberger WW. PLATO: An automatic teaching device. IRE Transactions on Education. 1961;4(4):157–161. doi: 10.1109/TE.1961.4322215

2. Bitzer DL, Hicks BL, Johnson RL, Lyman ER. The Plato System: Current Research and Developments. IEEE Transactions on Human Factors in Electronics. 1967;HFE-8(2):64–70. doi: 10.1109/thfe.1967.233313

3. Tsutsumi E, Kinoshita R, Ueno M. Deep Item Response Theory as a Novel Test Theory Based on Deep Learning. Electronics. 2021;10(9):1020. doi: 10.3390/electronics10091020

4. Янушевич ОО, Ташкинов АА, Минаев НВ, Арутюнов СД, Асташина НБ, Байдаров АА, и др. Стоматологический антропоморфный робот. Новая эра в имитации врачебных манипуляций и клинического приема. CATHEDRA – КАФЕДРА. Стоматологическое образование. 2021;78:64–67. Режим доступа: http://cathedra-mag.ru/wp-content/uploads/2022/04/Cathedra_78.pdf

5. Colace F, De Santo M, Vento M. Evaluating on-line learning platforms: a case study. 2003 (36th Annual Hawaii International Conference on System Sciences) [cited 2022 Sep 28]. doi: 10.1109/HICSS.2003.1174342

6. Malikowski SR, Thompson ME, Theis JG. A model for research into course management systems: Bridging technology and learning theory. Journal of Educational Computing Research. 2007;36(2):149–173. doi: 10.2190/1002-1T50-27G2-H3V7

7. Colace F, De Santo M, Pietrosanto A. Evaluation models for e-learning platform: an AHP approach. Proceedings. Frontiers in Education. 2006 (36th Annual Conference) [cited 2022 Sep 28]. doi: 10.1109/FIE.2006.322312

8. Cader A. The Potential for the Use of Deep Neural Networks in e-Learning Student Evaluation with New Data Augmentation Method. AIED 2020: Artificial Intelligence in Education. 2020:37-42. doi: 10.1007/978-3-030-52240-7_7

9. Hussain Z, Ng DM, Alnafisee N, Sheikh Z, Ng N, Khan A, et al. Effectiveness of virtual and augmented reality for improving knowledge and skills in medical students: protocol for a systematic review. BMJ Open. 2021;11(8):e047004. doi: 10.1136/bmjopen-2020-047004

10. Mansoory MS, Khazaei MR, Azizi SM, Niromand E. Comparison of the effectiveness of lecture instruction and virtual reality-based serious gaming instruction on the medical students' learning outcome about approach to coma. BMC medical education. 2021;21(1):347. doi: 10.1186/s12909-021-02771-z

11. Chassignol M, Khoroshavin A, Klimova A, Bilyatdinova, A. Artificial Intelligence trends in education: a narrative overview. Procedia Computer Science. 2018;136:16-24. doi: 10.1016/j.procs.2018.08.233

12. Wartman SA, Combs CD. Medical Education Must Move From the Information Age to the Age of Artificial Intelligence. Academic medicine: journal of the Association of American Medical Colleges. 2018;93(8):1107–1109. doi: 10.1097/ACM.0000000000002044

13. Belpaeme T, Kennedy J, Ramachandran A, Scassellati B, Tanaka F. Social robots for education: A review. Science robotics. 2018;3(21):eaat5954. doi: 10.1126/scirobotics.aat5954

14. Özkan SB, Toz M. A review study on the investigation of the effects of using robots in education on metacognitive behaviors. Computer Applications in Engineering Education. 2022;30(4):1277-1288. doi: 10.1002/cae.22508

15. Tanaka K, Nakanishi H, Ishiguro H. Physical embodiment can produce robot operator’s pseudo presence. Frontiers in ICT. 2015;2:8. doi: 10.3389/fict.2015.00008

16. Di Dio C, Manzi F, Peretti G, Cangelosi A, Harris PL, Massaro D, et al. Shall I Trust You? From Child- Robot Interaction to Trusting Relationships. Frontiers in psychology. 2020;11:469. doi: 10.3389/fpsyg.2020.00469

17. Cominelli L, Feri F, Garofalo R, Giannetti C, Meléndez-Jiménez MA, Greco A, et al. Promises and trust in human-robot interaction. Scientific reports. 2021;11(1):9687. doi: 10.1038/s41598-021-88622-9

18. Nyholm L, Santamäki-Fischer R, Fagerström L. Users' ambivalent sense of security with humanoid robots in healthcare. Informatics for Health and Social Care. 2021;46(2):218-226. doi: 10.1080/17538157.2021.1883027

19. Maran NJ, Glavin RJ. Low-to high-fidelity simulation–a continuum of medical education? Medical education. 2003;37:22–28. doi: 10.1046/j.1365-2923.37.s1.9.x

20. Gaba DM. The future vision of simulation in health care. BMG Quality & safety in health care. 2004;13(1):2-10. doi: 10.1136/qhc.13.suppl_1.i2

21. Bairsto R. Phantom head. British Dental Journal. 2021;231(3):152. doi: 10.1038/s41415-021-3346-8

22. Buchanan JA. Use of simulation technology in dental education. Journal of dental education. 2001;65(11):1225-1231. PMID: 11765868

23. Wierinck E, Puttemans V, Swinnen S, van Steenberghe D. Effect of augmented visual feedback from a virtual reality simulation system on manual dexterity training. European Journal of Dental Education. 2005;9(1):10-16. doi: 10.1111/j.1600-0579.2004.00351.x

24. Yang J, Zhang B. Artificial Intelligence in Intelligent Tutoring Robots: A Systematic Review and Design Guidelines. Applied Sciences. 2019;9(10):2078. doi: 10.3390/app9102078

25. Chen FQ, Leng YF, Ge JF, Wang DW, Li C, Chen B, et al. Effectiveness of Virtual Reality in Nursing Education: Meta-Analysis. Journal of medical Internet research. 2020;22(9):e18290. doi: 10.2196/18290

26. Moussa R, Alghazaly A, Althagafi N, Eshky R, Borzangy S. Effectiveness of Virtual Reality and Interactive Simulators on Dental Education Outcomes: Systematic Review. European Journal of Dentistry. 2022;16(1):14-31. doi: 10.1055/s-0041-1731837

27. Mikropoulos TA, Natsis A. Educational virtual environments: A ten-year review of empirical research (1999– 2009). Computers & education. 2011;56(3):769-780. doi: 10.1016/j.compedu.2010.10.020

28. Barteit S, Lanfermann L, Bärnighausen T, Neuhann F, Beiersmann C. Augmented, Mixed, and Virtual Reality-Based Head-Mounted Devices for Medical Education: Systematic Review. JMIR Serious Games. 2021;9(3):e29080. doi: 10.2196/29080

29. Tang YM, Au KM, Lau HC, Ho GT, Wu CH. Evaluating the effectiveness of learning design with mixed reality (MR) in higher education. Virtual Reality. 2020;24(4):797–807. doi: 10.1007/s10055-020-00427-9

30. Winkler-Schwartz A, Bissonnette V, Mirchi N, Ponnudurai N, Yilmaz R, Ledwos N, et al. Artificial Intelligence in Medical Education: Best Practices Using Machine Learning to Assess Surgical Expertise in Virtual Reality Simulation. Journal of surgical education. 2019;76(6):1681-1690. doi:10.1016/j.jsurg.2019.05.015

31. Sagiroglu S, Sinanc D. Big data: A review. 2003 (International Conference on Collaboration Technologies and Systems (CTS)) [cited 2022 Sep 28]. doi: 10.1109/CTS.2013.6567202

32. Техническое описание Robo-C [Интернет ресурс]. Промобот; 2022. [дата обращения 17.10.2022]. Режим доступа: https://promo-bot.ru/production/robo-c/ Technical description of Robo-C [Internet]. Promobot; 2022. [cited 2022 Oct 17]. Available from: https://promo-bot.ru/production/robo-c/. (In Russ.).

33. Ertel W, Hassan MM, Agrawal A, Pfahler M. ERTRAG - an ergonomic expert [Internet]. Hochschule Ravensburg-Weingarten; 2019. [cited 2022 Sep 28]. Available from: https://www.researchgate.net/project/ERTRAG-anergonomic-expert

34. Техническое описание Promobot V4 [Интернет ресурс]. Промобот; 2022. [дата обращения 17.10.2022]. Режим доступа: https://promo-bot.ru/production/promobot-v4/Technical description of Promobot V4 [Internet]. Promobot; 2022. [cited 2022 Oct 17]. Available from: https://promo-bot.ru/production/promobot-v4/. (In Russ.).