临床推理与人工智能方向博士研究员（Promovendus）

Klinisch redeneren is de kern van het artsenvak: het vermogen om uit het patiëntverhaal, de uitgevraagde klachten, het lichamelijk onderzoek en onderzoeksuitslagen de juiste diagnose en het juiste plan te destilleren. Het is geen losse vaardigheid, maar een samenspel van veel onderdelen: fundamentele (bio)medische kennis, het verzamelen van informatie, het afwegen van diagnoses en het opstellen van beleid. Tijdens de coschappen leren geneeskundestudenten dit door te observeren, te oefenen met medestudenten en simulatiepatiënten, maar bovenal door dit daadwerkelijk uit te voeren bij de patiënt. Maar juist die leeromgeving staat onder druk. Door o.a. hoge werkdruk, fusies van ziekenhuizen, beperkte financiële ruimte, uitplaatsing naar zelfstandige behandelcentra (ZBC’s) en verplaatsing van zorg naar de eerste lijn neemt de opleidingscapaciteit van coassistenten af. Daardoor is het voor coassistenten steeds lastiger om voldoende, gevarieerde en veilige oefenmomenten met echte patiënten te krijgen. Terwijl we juist die momenten nodig hebben om artsen goed op te leiden in klinisch redeneren.

Simulatie en virtuele patiënten bieden een veelbelovend alternatief om studenten in de geneeskundeopleiding voor te bereiden op het zelfstandig zien van patiënten: studenten kunnen op hun eigen niveau veilig oefenen met een breed scala aan casuïstiek, zonder risico voor patiënten, en met directe feedback. AI maakt dat nu schaalbaar. Denk aan taalmodellen die realistische patiëntcasuïstiek genereren op maat van de student, die als virtuele patiënt een anamnese kan laten afnemen, of die als tutor kan meedenken en feedback geven op het redeneerproces zelf. Maar belangrijke vragen zijn nog onbeantwoord. Welke onderdelen van klinisch redeneren leer je goed in welke vorm van simulatie (van een virtuele patiënt achter een scherm, een simulatiepatiënt van vlees en bloed, tot een teamsimulatie met acteurs), en welke leer je het best bij een ‘echte’ patiënt? Hoe realistisch en betrouwbaar is de met behulp van AI gegenereerde casuïstiek? En hoe zorgen we dat studenten zowel leren klinisch redeneren mét AI als zélf kritisch blijven redeneren? Daar ga jij als promovendus onderzoek naar doen. • Je exploreert de literatuur op de huidige state-of-the-art rond bovenstaande onderwerpen. • Je schrijft een algemeen onderzoeksplan en plannen voor deelstudies met bijbehorende ethische goedkeuringen. • Je onderzoekt welke onderdelen van klinisch redeneren (zoals het toepassen van fundamentele kennis, het verzamelen van informatie, het afwegen van diagnoses en het formuleren van beleid) zich lenen voor welke vorm van simulatie, en welke taken juist de echte patiënt vragen. • Je onderzoekt hoe AI, zoals LLM-gebaseerde chatbots, kan helpen bij het genereren van realistische casuïstiek op maat, het simuleren van patiënten en het geven van feedback op het redeneerproces, en hoe betrouwbaar en onderwijskundig effectief dat is. • Je werkt hierbij samen met docenten en studenten, bijvoorbeeld in het Klinisch Trainingscentrum, de Living Library en de studentenpoli. Samen met onderwijskundigen en docenten in het Amsterdam UMC die al ervaring opdoen met LLM-gebaseerde chatbots in het onderwijs, ontwikkel en evalueer je (pilot)onderwijs voor coassistenten. • Je verzamelt en analyseert data uit onder andere experimentele studies, met kwalitatieve en kwantitatieve methoden, en interpreteert de bevindingen in de context van het medisch onderwijs. • Je schrijft wetenschappelijke artikelen voor (inter)nationale tijdschriften en brengt de resultaten uiteindelijk samen in jouw proefschrift. • Je presenteert jouw bevindingen op nationale en internationale congressen en bouwt zo aan een sterk academisch profiel en netwerk. • Je volgt onder andere cursussen vanuit de Doctoral School Amsterdam UMC die aansluiten bij het project en bij jouw eigen ambities, en krijgt de mogelijkheid om ervaring op te doen in het verzorgen van onderwijs en het begeleiden van studenten.