物联网CME教育

元宇宙CME教育

对于所有医生来讲，均需要终生接受继续医学教育（Continuing Medical Education, CME），不断提高自己的医疗水平。对好医生的要求更高于此，需要具有学习能力好、认知能力好、临床思维好、医德心理好的基础（下称“四好能力”），同时还需要付出更多的努力，融会贯通“四好能力”，锻炼超出一般医生水平，特别是能解决复杂临床问题的医生，才能符合对好医生的要求。

如何成为好医生，首先需要明确医学的定义。目前常用的医学（Medicine）定义是一种处理生命的各种疾病或病变的学科，促进病患恢复健康的专业。医学是保持人的生理处于良好状态，是治疗和预防疾病，以及提高人体生理健康的一种科学。狭义的医学只是疾病的治疗和机体有效功能的恢复，广义的医学还包括中国养生学和西方的营养学。

中世纪伟大的阿拉伯医学家阿维森纳(Avicenna，980一1037），即伊本·西拿(lbnsina）在其名著《医典》中曾给医学定义如下：“医学是科学，我们从中学到（a）人体的种种状态，（i）在健康时；（ii）在不健康时；（b）通过什么方式：（i）健康易于丧失，（ii）丧失健康时使之恢复健康。换言之，医学就是如何维护健康的技艺和健康丧失后使之恢复健康的技艺。”在约一千年前，能给医学作出如此深刻而有预见性的解释，是难能可贵的。“医学就是如何维护健康的技艺和健康丧失后使之恢复健康的技艺”。

这句话总结的最为精辟。也就是说，只有将这一工作做得比一般医生更好，才有资格成为好医生。

1、目前医疗现状

1915年，特鲁多医生离世时在他墓志铭上刻着“有时，去治愈；常常，去帮助；总是，去安慰”（图7-1）。简短三句话，看似格外柔软温情，从当时视角诠释了医学，表达了对生命的敬畏和人性的尊重，展示了当时医学的真实面貌，道出了医学科学不完美的现实，又揭示了医疗服务的真谛和医生应尽的人文关怀，同时蕴含了医生的复杂情感和体现了大医超世脱俗的理性谦卑和崇高境界。从另一个角度看，却也隐含了无奈。

图1特鲁多医生墓志铭

至今特鲁多已经逝世了107年，医疗现状仍然远远未满足真实世界的要求，医生仍然面临严峻的挑战，仍需面对大众和同道的不满及期望。但是要想解决问题，更需查出原因，提出解决问题的方法。但是，目前医疗现状尚不能使人满意，其原因主要是医学深奥，需要掌握的知识和技能太多，很难被每个人都很好掌握。就上面所讲的“四好能力”，需要花太多，甚至数倍于其他专业的时间去学习、研究和实践才能掌握和融会贯通。这对所有学医的人均是挑战，致使大多数医生无法达到这一标准。要解决这些问题，需要从顶层设计着手，研发解决问题的新办法，产生事半功倍的效果。

2、物联网可赋能医生的“四好能力”

要提高“四好医生”的培养效率，可应用物联网技术提高医生对陈述性和程序性知识的掌握速度。如何应用这一新的概念，赋能好医生的培养和发展，满足真实世界对医生要求，还需要我们研发新的理论和转化为实践，成为评价和认知体系。

从医学角度，特别是从心理学角度，可以将陈述性知识看成晶体智力(crystallized intelligence)，这是指经过学习获得的陈述性知识，就像结晶的晶体一样，一块一块地存储在长期记忆中。医学生所学的大部分课程，特别是“四好能力”中的学习能力即属于陈述性知识，如生物化学、解刨学、病理学和药理学。而程序性知识可认为是流体智力(fluid intelligence)，在不同领域运用推理的能力，“四好能力”中的临床思维即是属于这一类，医德心理也部分属于这一类。因为流体这个词，可以体现水一样流动的过程性智力，对应的知识包括归纳法、归谬法、反证法、乘法、除法等，是一种推理运算的智力。物联网医学中的人工智能，即毫无疑问地属于辅助程序性知识的技术。

从工业化角度看，可以根据自动化的程度，将程序性知识分为“自动化”与“可控制”的二类。“自动化”程序性知识运作速度极快，一般不需有意的影响，启用时人几乎毫无意识，具有惊人准确性且总能产生正确的预期行为，很少需要需思考而占用认知资源，但是往往不能用语言来表述。这在医学上，类似于我应用AI辅助肺结节良恶性评估，将患者CT数据输入我训练的AI系统后， 2分钟左右即可反馈给我自动计算的结果（图2），助力我发现5-10mm肺结节中的早期肺癌。“可控制”程序性知识一般运行慢，个体可有意识地监控这类程序，要利用认知资源，占用工作记忆空间，由于人在某一时刻进行缜密思考的容量有限，故不能在同一时刻使用多项可控的程序性知识，由于自动化程度不高，往往能够用语言来表述。这在医学上，类似于我作为研判专家核对AI评估结果，需要我综合临床经验做出最终的诊断和治疗方案。

图2  AI辅助肺结节良恶性评估系统

在培养好医生过程中，获得陈述性知识常常是学习程序性知识的必要基础，而获得程序性知识后又为获取新的陈述性知识提供了支持。如“四好能力”中的学习能力、认知能力和临床思维能力的培养和融会贯通。从物联网技术角度看，陈述性与程序性知识的获得是学习过程中两个连续的阶段，但是又有网络表征区别（表1），均可以得到物联网技术的放大性赋能支持。

表1 陈述性和程序性知识的网络表征区别

在很多活动中，两者是结合在一起的，在医学中尤其如此。在学习过程中，最初学习的都是陈述性知识，在大量练习之后程序性知识才具有了自动化的特点。这也是我提出物联网与元宇宙医学的初衷，尽管医学中，特别是培养好医生需要的陈述性知识的难度和量度非常大，但是通过物联网技术就可以使“复杂问题简单化，简单问题数字化，数字问题程序化，程序问题体系化”。不但可以用其快速培养好医生，而且可为培养所有医生应用，大幅度减少学习压力和提高认知力，程序化提高同质化医疗水平，更好地为病人服务。快速实现我提出的“名医治未病，元医惠众生”愿景。

3、用元医学概念重塑好医生

做“四好医生”不易，做专科医生更不轻松，成为名医和大医就更加难上加难。然而只要学会应用物联网医学技术，即会加速迅速提高陈述性和程序性知识水平的融会贯通水平。应用元宇宙技术赋能后，更会加速好医生的培养和成长，且可以全面提高所有医生的同质化医疗水平。

（1）迅速提高陈述性知识水平

对于所有人来说时间都是一样的，如果将时间花在陈述性知识的学习上，那么就很少有时间用在程序性知识的积累上和融合上了。通常这是无法解决的矛盾，但是物联网技术可以赋能和加速陈述性知识的积累效率，可以节省数倍，甚至数十或数倍百倍的时间。例如，可以指尖一动分秒之间即回答我们需要花数分钟或数小时，通过自学才能弄清楚的问题。这样，就可以把节省的时间用在程序性知识的实践积累和融会贯通上，十倍、百倍、甚至千倍地赋能真实世界中为病人解决问题的效率。

（2）迅速提高程序性知识水平

为了达到好医生的要求，需要陈述性和程序性知识的融会贯通，这需要的时间更长。如果通过常规方法培养，可能大多数医生一生也难以达到好医生标准，特别是名医水平。但是，如果我们应用物联网和元宇宙技术，即可迅速提高提高我们的程序性知识的水平和实践能力。常人需要花一年甚至十年的时间才能掌握的内容，物联网和元宇宙技术可以在一夜之间，或者一周之间就帮助我们做到。例如，应用BRM一体机可创立元宇宙云加端师徒传承模式（图3），赋能我们研发的PNapp5A，掌握弹指一挥间的5步，加上几个月的训练和实践AI技术，既可以接近名师90%左右水平，提高传承效率数十，甚至数百倍。因为这一技术可以使“复杂问题简单化，简单问题数字化，数字问题程序化。程序问题体系化”。这是很多医生，甚至主任医生数年甚至数十年也做不到的。

图3  BRM一体机赋能元宇宙云加端师徒传承模式

（3）综合赋能医疗和大健康效率

物联网技术会助力将“四好能力”的融会贯通，迅速提高陈述性和程序性知识。但是，如何更好地发挥好医生的作用，元宇宙医学技术可以起到更好的赋能作用。我们可通过包括的物联网技术得元宇宙医学助力我们实现虚实融合，虚实联动地解决临床问题。应用物联网三大基础流程和十大基本功能， 使医疗和大健康的“复杂问题简单化，简单问题数字化，数字问题程序化，程序问题体系化”，与“元宇宙四层次结构和八大要素”凝练为培养好医生和改善医疗的利器，提高同质化水平，最后实现“名医治未病，元医惠众生”的愿景。

4 将来的元宇宙好医生

我们国际元宇宙医学协会和联盟计划启动 “好医遵循证，工匠技更精，名医治未病，元医惠众生”的元宇宙医生系统工程。可以赋能提高陈述性知识的成长速度，提高程序性知识的融会贯通能力，助力更多医生做好医生，好工匠、好名医和好大医。我们可以应用物联网云加端，边缘云、雾计算来辅助和提高元宇宙医学平台的服务水平，大幅度减轻医生为达到“四好能力”的负担。达到“元联健康新契机，直面名家零距离，虚实联动加质控，人机融合全无敌”的愿景（图4）。

图4 元医学赋能培养好医生和名医

参考文献

1. 白春学著：《未来已来-我们需要的元宇宙医学》，上海科学技术出版社，上海2022
2. 陈会昌 主编.中国学前教育百科全书心理发展卷.沈阳：沈阳出版社.1995.第121页.
3. 车文博 主编.当代西方心理学新词典.长春：吉林人民出版社.2001.第304页.
4. 杨治良，郝兴昌．心理学辞典：上海辞书出版社，2016-08.
5. 孟群．中华医学百科全书 医学教育学．北京：中国协和医科大学出版社，05：50-51.
6. 白春学. 主编 《实用物联网医学》. 人民卫生出版社，北京
7. 白春学. 主编 《物联网医学分级诊疗手册》. 人民卫生出版社，北京. 2015.
8. 白春学 赵建龙. 主编 《物联网医学》. 科学出版社，北京
9. Christoph Thuemmler，Chunxue Bai主编:《e-Health 4.0:How Virtualization and Big Data are Revolutionizing Healthcare》，Springer 2016。
10. Yang DW, Zhou J, Song YL, Bai CX. Metaverse in Medicine. Clinical eHealth; epub ahead of print.
11. Dawei Yang, Jian Zhou, Rongchang Chen, Yuanlin Song, Zhenju Song, Xiaoju Zhang, Qi Wang, Kai Wang, Chengzhi Zhou, Jiayuan Sun, Lichuan Zhang, Li Bai, Yuehong Wang, Xu Wang, Yeting Lu, Hongyi Xin, Charles A. Powell, Christoph Thüemmler, Niels H. Chavannes, Wei Chen, Lian Wu, Chunxue Bai. Expert consensus on the metaverse in medicine. Clinical eHealth 5 (2022) 1–9.
12. The Metaverse Has Already Arrived. Here’s What That Actually Mean. Time. Retrieved 2022-1-16.
13. Bai C， Choi CM， Chu CM， et al. Evaluation of Pulmonary Nodules: Clinical Practice Consensus Guidelines for Asia. Chest 2016;150:877-93.
14. Le V， Yang D， Zhu Y， et al. Quantitative CT analysis of pulmonary nodules for lung adenocarcinoma risk classification based on an exponential weighted grey scale angular density distribution feature. Comput Methods Programs Biomed 2018;160:141-51.
15. Yang D， Bai C， Wang N， et al. Artificial Intelligence vs. LungRADs for Lung Nodule Diagnosis in an Asian Population.  A110 NOVEL IMAGING FOR LUNG CANCER: A PICTURE IS WORTH A THOUSAND WORDS; 2019. p. A2608-A.
16. Yang D， Powell C， Bai C， Hu J， Wang N. Deep Learning System for Lung Nodule Detection. Journal of Thoracic Oncology 2017;12:S2329.