مهسا آل‌ابراهیم، عضو هیئت علمی گروه فیزیولوژی دانشکده پزشکی دانشگاه آزاد اسلامی، در گفت‌وگو با خبرنگار آنا، به کاربردهای شبیه‌سازهای مبتنی بر هوش مصنوعی در آموزش دانشجویان علوم پزشکی پرداخت و گفت: شبیه‌سازی‌های مبتنی بر هوش مصنوعی می‌توانند با ایجاد سناریوهای واقع‌گرایانه و تعاملی، به دانشجویان پزشکی کمک کنند تا مهارت‌های عملی خود را بدون نیاز به بیمار واقعی تقویت کنند. در این سناریوهای بالینی، شرایط مختلف پزشکی شبیه‌سازی می‌شود و فضایی فراهم می‌گردد که دانشجویان بتوانند در آن تصمیم‌گیری کنند و اقدامات درمانی را انجام دهند. همچنین، امکان ارائه بازخورد فوری در این شبیه‌سازها وجود دارد که نه‌تنها به بهبود تکنیک‌ها و روش‌های بالینی کمک می‌کند، بلکه امکان تکرار سناریوها برای تمرین بیشتر و تسلط کامل بر مهارت‌ها را نیز فراهم می‌آورد.

آل‌ابراهیم در ادامه نمونه‌هایی از این پلتفرم‌ها را برشمرد و افزود: پلتفرم‌هایی مانند Touch Surgery و SimX به دانشجویان این امکان را می‌دهند که تکنیک‌های جراحی را در محیطی مجازی تمرین کنند. این سیستم‌ها قادرند سناریوهای متنوعی — از جمله جراحی‌های اورژانسی یا شرایط پیچیده پزشکی — را شبیه‌سازی کنند و بدین‌ترتیب، مهارت‌های جراحی را بدون در معرض قرار دادن بیمار واقعی، تقویت کنند.

وی همچنین به شبیه‌سازهای پیشرفته‌تری اشاره کرد و گفت: شبیه‌سازهایی مانند Laerdal نیز به دانشجویان اجازه می‌دهند تا مهارت‌های بالینی خود را در شرایط شبیه‌سازی‌شده تمرین کنند؛ این سیستم‌ها واکنش‌های واقعی بدن را با دقت بالا بازتولید می‌کنند و تجربه‌ای عملی و ارزشمند به دانشجویان ارائه می‌دهند.

در بخش دیگری از سخنان خود، این استاد دانشگاه آزاد به مزایای هوش مصنوعی در شخصی‌سازی یادگیری پرداخت و توضیح داد: هوش مصنوعی می‌تواند داده‌های مربوط به یادگیری و عملکرد دانشجویان را تحلیل کرده و مسیر یادگیری آن‌ها را شخصی‌سازی (Personalized Learning) نماید. این فناوری نقاط قوت و ضعف هر دانشجو را شناسایی کرده و محتوا و روش‌های آموزشی را بر اساس نیازهای فردی تطبیق می‌دهد.

وی ادامه داد: همچنین، هوش مصنوعی می‌تواند منابع آموزشی متناسب با سطح دانش و علایق هر دانشجو ارائه دهد. در مقایسه با روش‌های سنتی آموزش، مهم‌ترین مزایای این رویکرد عبارتند از: افزایش کارایی یادگیری، کاهش زمان لازم برای تسلط بر مفاهیم و تقویت انگیزه دانشجویان. پلتفرم‌هایی مانند Knewton و Smart Sparrow نمونه‌هایی از سیستم‌هایی هستند که با تحلیل داده‌های عملکرد دانشجویان، محتوای درسی را به‌صورت خودکار شخصی‌سازی کرده و حتی سؤالات و تمریناتی متناسب با سطح هر فرد ارائه می‌دهند.

آل‌ابراهیم همچنین درباره کاربرد این فناوری‌ها در محیط‌های واقعی اتاق عمل سخن گفت: برای آموزش دانشجویان در فضاهای واقعی اتاق جراحی، از ابزارهایی مانند SurgiVision استفاده می‌شود که ویدئوهای جراحی را تحلیل کرده و فیدبک دقیقی درباره تکنیک‌ها و روش‌های به‌کاررفته ارائه می‌دهد.

وی در همین راستا افزود: همچنین، پلتفرم‌هایی مانند Clever و Edmodo امکان تحلیل عملکرد دانشجویان و پایش روند یادگیری آن‌ها را فراهم می‌کنند و به این ترتیب، نقاط قوت و ضعف هر فرد را شناسایی می‌کنند.

این متخصص حوزه فیزیولوژی همچنین از وجود فعالیت‌های آموزشی مبتنی بر بازی‌های هوشمند خبر داد و بیان کرد: بازی‌های آموزشی پزشکی، مانند Foldit، به دانشجویان اجازه می‌دهند تا با حل معماهای مرتبط با ساختار پروتئین‌ها، مهارت‌های تحلیلی خود را تقویت کنند. این نوع بازی‌ها نه‌تنها جذابیت بیشتری به فرآیند یادگیری می‌بخشند، بلکه مهارت‌های کلیدی را نیز در دانشجویان پرورش می‌دهند.

در پایان، آل‌ابراهیم به کاربرد یادگیری عمیق در تشخیص بیماری‌ها اشاره کرد و افزود: الگوریتم‌های یادگیری عمیق در تحلیل تصاویر پزشکی — مانند تصاویر MRI یا CT — کاربرد گسترده‌ای دارند و می‌توانند به دانشجویان کمک کنند تا در تشخیص بیماری‌ها مهارت کسب کنند. ابزارهایی مانند DeepMind Health نیز به پزشکان کمک می‌کنند تا بیماری‌ها را سریع‌تر و دقیق‌تر شناسایی کنند.

وی در پایان تأکید کرد: این نمونه‌ها گواهی بر پتانسیل بالای هوش مصنوعی در ارتقای کیفیت آموزش پزشکی و بهبود تجربه یادگیری دانشجویان هستند. با پیشرفت‌های روزافزون در این حوزه، انتظار می‌رود کاربردهای نوآورانه‌تری نیز در آینده ظهور کنند.