医学教育作为医疗卫生事业发展的基石，承担着培育复合型医疗人才的关键职责。然而，传统教学模式长期受限于理论与实践割裂、教学资源分配不均、个性化学习路径缺位以及临床实践机会稀缺等结构性难题[1-5]。随着数字化转型的深入推进，医学教育亟需通过技术创新突破传统壁垒，实现教学质量的跃升。近年来，人工智能（artificial intelligence，AI）技术的快速发展为医学教育数字化改革提供了全新路径 [6-10]。AI驱动的虚拟患者模拟、个性化学习系统、智能诊断辅助工具等创新应用，正在重塑医学教育的教与学模式，其潜在价值已引发广泛关注[11-13]。AI技术能通过动态学习路径规划提升知识吸收效率，借助沉浸式模拟环境强化操作技能训练，并依托实时反馈机制优化学习体验 [14-16]。研究显示AI辅助教学在理论考核与技能评估中具有优势，但亦有研究指出其效果受限于技术成熟度、教育场景适配性及学习者认知差异[7, 11, 17]。现有综述多聚焦单一技术类型或特定教学模块（如解剖学虚拟模型），未能系统评估AI在医学教育全链条中的综合效能，尤其缺乏对不同层级教育对象（专科生、本科生、研究生、临床医师）的差异化影响分析 [12, 18-20]。鉴于此，本研究采用Meta分析方法评估AI辅助教学的应用效果，为AI与医学教育深度融合的理论构建与实践优化提供循证依据。
1 资料与方法
1.1 纳入与排除标准
纳入标准：①研究人群为医学教育对象，如医学专科生、本科生、研究生、在职医师等；②研究类型为随机对照研究；③试验组干预措施为AI辅助教学；④对照组干预措施为传统教学；⑤主要观察的结局指标涵盖学生的理论成绩、实践/操作技能情况，以及教学满意度。排除标准：①非AI相关的教育技术；②试验组样本量少于20人的研究；③无法提取结局数据的文献；④ 会议论文、无法获取全文、重复发表等文献。
1.2 文献检索策略
计算机检索PubMed、Web of Science、Embase、万方、中国知网和维普数据库，搜集AI辅助医学教育的相关研究，检索时限为建库至2025年4月1日，语言为中文和英文。使用主题词和自由词结合的方式进行检索，英文主题词为medical education、clinical medical education、artificial intelligence、AI、large language model、randomized controlled trials、RCTs等。中文主题词为医学教育/教学、临床医学教育/教学、人工智能、大语言模型、随机对照研究等。以PubMed为例，检索策略见框1。
-
框图1 PubMed检索策略
Box1.Search strategy in PubMed
1.3 文献筛选与资料提取
由两位经过系统培训的研究者依据文献纳排标准独立执行筛选任务，若出现意见分歧，则与第三位研究者讨论决定。并进行资料提取，提取内容包括：第一作者、发表年份、研究类型、研究单位、研究对象、干预措施、样本量、结局指标等。
1.4 偏倚风险评价
两名研究人员依据Cochrane系统评价手册ROB 1.0工具对纳入文献进行偏倚风险评价，评价条目涵盖随机分配的方法、分配隐藏、对研究对象施盲、对结局评价者施盲、数据结果完整性、选择性结果报告和其他偏倚来源7个方面，使用“高风险”“低风险”“不清楚”进行判定。如产生分歧，与第三名研究者讨论决定。
1.5 统计学分析
使用R 4.5.0软件进行Meta分析。依据变量类型选择效应量指标，连续变量采用标准化均数差（standardized mean difference，SMD）消除量纲差异，分类变量采用相对危险度（relative risk，RR）构建风险关联模型。计算效应值及其95%置信区间（95% confidence interval，95%CI）。采用Q检测及I2统计量评估纳入研究的异质性，I2≤50%且P≥0.05为低异质性，采用固定效应模型；反之，采用随机效应模型并通过亚组分析分析异质性来源。通过逐个剔除法对纳入文献进行结果稳健性验证。对纳入10篇以上文献的结局指标，通过漏斗图和Egger's检验判断发表偏倚。
2 结果
2.1 文献筛选流程及结果
初检获得相关文献1 688篇，经逐层筛选后，最终纳入17篇文献[6-7, 11-12, 14-26]，其中中文文献11篇[6-7, 11-12, 14, 17-22]，英文文献6篇[15-16, 23-26]，文献筛选流程见图1。
-
图1 文献筛选流程及结果
Figure1.Literature screening process and results
注：*检索的数据库及检出文献数具体为PubMed（n=236）、Web of Science（n=91）、Embase（n=391）、万方数据库（n=351）、中国知网（n=481）、维普（n=138）。
2.2 纳入文献的基本特征与偏倚风险评价
17项研究涉及1 244人，其中试验组621人，对照组623人，发表时间为2021—2025年。结局指标方面，16篇研究[6-7, 11-12, 14-25]报告了理论成绩、10篇研究[6, 14-15, 17-21, 23, 26]报告了实践/操作技能、7篇研究[6-7, 11, 14, 18-19, 22]报告了对教学方法的满意度。1篇[6]研究对象是专科生，11篇[12, 14- 16, 18, 21- 26]研究对象是本科生，3篇[7, 17, 19]研究对象是研究生，2篇[11, 20]研究对象是在职医生。纳入文献基本特征见表1。10篇文献的偏倚风险为高风险，7篇为中等风险，见附件表1。
-
表格1 纳入文献的基本特征
Table1.Basic characteristics on the included studies
注：①理论成绩；②实践/操作技能；③教学满意度；BOPPPS.一种新型的导学互动式教学模式，包括导言（bridge-in）、目标（objective）、前测（pre-assessment）、参与式学习（participatory learning）、后测（post-assessment）与总结（summary）；LLM.大语言模型（large language model）；VP.新型虚拟患者（virtual patient）；T.试验组；C.对照组。
2.3 Meta分析结果
2.3.1 理论成绩
16篇文献[6-7, 11-12, 14-25]报告了理论成绩指标，纳入研究间存在显著异质性（I2=92.9%，P＜ 0.001），采用随机效应模型进行Meta分析，结果显示，与对照组相比，试验组显著提升了学生的理论成绩[SMD=1.35，95%CI（0.78，1.92）]，见附件图1。
2.3.2 实践/操作技能
10篇文献[6, 14-15, 17-21, 23, 26]报告了实践/操作技能指标，纳入研究间存在显著异质性（I2=95.5%，P＜0.001），采用随机效应模型进行Meta分析，结果显示，试验组实践/操作技能强于对照组[SMD=2.45，95%CI（0.89，4.02）]，见附件图2。
2.3.3 教学满意度
7篇文献[6-7, 11, 14, 18-19, 22]报告了学生对AI辅助医学教育的教学满意度，研究间异质性较高（I2=70.0%，P=0.002 8），选择随机效应模型进行Meta分析，结果显示试验组教学满意度显著高于对照组[RR=1.39，95%CI（1.20，1.61）]，见附件图3。
2.3.4 亚组分析
根据医学教育对象类型分成不同的亚组，结果显示，与传统教学相比，AI辅助教学能提升不同医学教育对象（专科生、本科生、研究生、医生）的理论成绩和部分医学教育对象（专科生、本科生、医生）的实践/操作技能（表2）。
-
表格2 亚组分析结果
Table2.Subgroup analysis results
2.4 敏感性分析和发表偏移
通过逐一剔除法进行敏感性分析，结果发现排除任意一项研究后，试验组在理论考试成绩、实践/操作技能上仍优于对照组，说明Meta分析结果较为稳定。
漏斗图（附件图4）和Egger's 检验结果（P=0.002 3）显示，理论成绩指标存在发表偏倚，通过剪补法估计缺失研究数量并校正后，SMD=0.889[95%CI（0.184，1.594）]，结局方向未发生改变，说明研究结果较为稳定（附件图5）。由于实践/操作技能和教学满意度指标纳入文献均未超过10篇，故未绘制漏斗图分析发表偏倚。
3 讨论
本研究通过Meta分析系统评估了AI在医学教育中的应用效果。结果显示，AI辅助教学在提升理论成绩、实践/操作技能及教学满意度方面均显著优于传统教学模式。
当前AI在医学教育中的应用已涵盖虚拟患者模拟、智能诊断辅助工具、个性化学习系统等多个领域[11, 14, 25]。既有研究证实AI可通过动态路径规划优化知识吸收效率（如ChatGPT辅助的以问题为基础的学习教学）[23, 25]，并通过沉浸式环境（如虚拟现实手术模拟）强化操作技能[26]。然而，部分研究受限于技术成熟度（如AI算法对复杂临床场景的适应性不足）或教育场景适配性（如专科生与医生需求差异），导致异质性较高[7, 11, 17, 20]。此外，多数研究聚焦单一技术模块（如解剖学虚拟模型），缺乏对医学教育全链条（理论学习-技能训练-临床实践）的综合评估[12, 18-19]。
传统课堂“一刀切”的教学模式难以兼顾学生的认知差异与知识盲区，而AI可通过智能算法分析学习者的知识掌握程度、答题模式与学习轨迹，动态调整教学内容与难度，实现精准的知识推送与强化训练（如基于大语言模型的自适应平台）[23-24]；医学技能训练高度依赖反复实践与即时指导，虚拟仿真技术（如AI驱动的脓毒症团队训练或3D解剖模型）能弥补临床实践资源不足，提供低风险、高频率的技能强化机会，学习者可进行无限制的重复操作，并获得基于数据算法的实时表现评估与纠错建议，极大弥补了传统教学中实践资源有限、教师反馈滞后的不足，加速了操作技能的自动化与熟练度形成[15-16, 18]；实时数据分析工具（如智能诊断反馈系统）则通过动态评估优化教学针对性[11, 14]。AI对教学满意度的改善源于学习体验的优化与教学过程的赋能。AI技术通过交互式界面、游戏化设计及自然语言交互，增强了学习的趣味性与代入感 [11]。同时为教师分担了重复性讲解与基础技能示范的压力，使其能更专注于启发式教学与人文关怀；对学生而言，则获得了更灵活自主的学习节奏、更及时的答疑支持与更客观的能力评估，从而整体提升了对教学过程的认可与满意度。然而，AI技术落地仍面临多重挑战，高精度AI工具（如虚拟手术模拟平台）的开发与维护成本高昂，限制了资源匮乏机构的普及[11, 26]；教师与学习者对新技术的适应能力差异（如部分教育者缺乏AI培训、在职医生对复杂系统的接受度较低）可能削弱教学效果[17, 20]；此外，医学数据敏感性要求AI应用需严格遵循伦理规范（如患者隐私脱敏与算法透明性），这对技术设计提出了更高要求[19]。
本研究也存在一定局限性。首先，纳入文献大部分存在高偏倚风险，可能高估干预效果；其次，理论成绩的高异质性可能与研究方法学差异（如考核工具多样性、AI技术类型不一）及未测量的混杂因素（如学习者基线能力差异）相关；此外，研究时间跨度集中于2021—2025年，缺乏对AI技术长期教育效能（如临床思维培养）的追踪，且部分亚组（如专科生）样本量较小，限制结论外推性；最后，理论成绩的漏斗图不对称及Egger's检验结果提示存在发表偏倚，阴性或中性研究结果可能未被纳入，尽管剪补法校正后效应量仍显著，但实际效果可能被部分夸大。
综上所述，AI辅助医学教育可显著提升学习效果与教学满意度。未来仍需开展多中心、大样本RCTs研究验证结论稳健性。
附件见《医学新知》官网附录（https://yxxz.whuznhmedj.com/futureApi/storage/appendix/202505084.PDF）
伦理声明：不适用
作者贡献：研究设计、文献检索与筛选：魏嵬、罗高萌、刘润铭、刘莎；数据分析、论文撰写：魏嵬、罗高萌；研究指导与论文审定：李翔
数据获取：本研究中使用和（或）分析的所有数据均包含在本文中
利益冲突声明：无
致谢：不适用
1.林美燕, 涂师平. 医学生开展早期接触临床的必要性和意义 [J]. 医学理论与实践, 2020, 33(23): 4043-4044. [Lin MY, Tu SP. The need and significance of early clinical exposure for medical students[J]. The Journal of Medical Theory and Practice, 2020, 33(23): 4043-4044.] DOI: 19381/j.issn.1001-7585. 2020.23.085.
2.董广智. 基于深化产教融合的"教学做创合一"高职教学模式新探[J]. 扬州大学学报(高教研究版), 2021, 25(2): 63-69. [Dong GZ. Higher vocational training mode integrating teaching, learning, practice and innovating to promte the production-instruction integration[J]. Journal of Yangzhou University(Higher Education Study), 2021, 25(2): 63-69. ] DOI: 10.19411/j.cnki.1007-8606.2021.02.009.
3.刘国庚. 医学教育发展的困局与突破[J]. 医学与哲学, 2013, 34(7): 8-11. [Liu GG. The plight and breakthrough of the development of medical education[J]. Medicine & Philosophy, 2013, 34(7): 8-11.] DOI: CNKI:SUN:YXZX.0.2013-07-004.
4.范烨, 吴琛, 王东, 等. 翻转课堂法应用于肝胆外科临床见习中的思考[J]. 课程教育研究, 2020, (44): 124-126. [Fan Y, Wu C, Wang D, et al. Reflections on the application of the flipped classroom method to clinical apprenticeship in hepatobiliary surgery[J]. Course Education Research, 2020, (44): 124-126.] DOI: 2095-3089(2020)44-0124-02.
5.杨春勇. 新质生产力背景下高等医学教育改革路径探讨[J]. 医药前沿, 2025, 15(7): 129-134. [Yang CY. Exploration of the reform path of higher medical education under the background of new-quality productivity[J]. Journal of Frontiers of Medicine, 2025, 15(7): 129-134.] DOI: 10.20235/j.issn.2095-1752. 2025.07.035.
6.王欣, 马惠萍, 朱珂珂. AI教学在基础护理教育中的初步应用[J]. 中国高等医学教育, 2022, (5): 110-111. [Wang X, Ma HP, Zhu KK. Preliminary application of AI in basic nursing education[J]. China Higher Medical Education, 2022, (5): 110-111.] DOI: 10.3969/j.issn.1002-1701.2022.05.053.
7.赵阳, 曲红梅, 李振国, 等. AI结合混合式教学模式在外科学教学中的应用[J]. 中国继续医学教育, 2024, 16(6): 88-92. [Zhao Y, Qu HM, Li ZG, et al. Application of AI combined with blended teaching mode in foreign science teaching[J]. China Continuing Medical Education, 2024, 16(6): 88-92.] DOI: 10.3969/j.issn.1674-9308.2024.06.019.
8.Sriram A, Ramachandran K, Krishnamoorthy S. Artificial intelligence in medical education: transforming learning and practice[J]. Cureus, 2025, 17(3): e80852. DOI: 10.7759/cureus. 80852.
9.陈峰, 黄国祯, 诸葛晶, 等. 人工智能医学教育应用研究的国际图景与趋势[J]. 医学与哲学, 2024, 45(2): 67-71, 81. [Chen F, Huang GZ, Zhuge J, et al. International lanscape and trends in the application of artificial intelligence in medical education research[J]. Medicine & Philosophy, 2024, 45(2): 67-71, 81.] DOI: 10.12014/j.issn.1002-0772.2024.02.14.
10.雷波, 左蕊. 基于大数据与人工智能驱动的医学研究生创新教育模式研究与实践[J]. 创新教育研究, 2024, 12(7): 448-453. [Lei B, Zuo R. Research and practice of an innovative education model for medical graduate students driven by big data and artificial intelligence[J]. Creative Education Studies, 2024, 12(7): 448-453.] DOI: 10.12677/ces.2024.127488.
11.周志浩, 宋佳琳, 刘嘉成, 等. 基于人工智能LLM技术的虚拟患者系统构建与临床教学应用[J]. 医学新知, 2024, 34(7): 833-842. [Zhou ZH, Song JL, Liu JC, et al. Construction and clinical teaching application of virtual patient system:based on artifcial intelligence LLM technology[J]. Yixue Xinzhi Zazhi, 2024, 34(7): 833-842.] DOI: 10.12173/j.issn.1004-5511.202403091.
12.白雅, 郭欣, 施艳, 等. 人工智能辅助帕金森病临床教学探索 [J]. 西部素质教育, 2024, 10(16): 147-150. [Bai Y, Guo X, Shi Y, et al. Exploring artificial intelligence-assisted clinical teaching in Parkinson's disease[J]. Western China Quality Education, 2024, 10(16): 147-150.] DOI: 10.16681/j.cnki.wcqe.202416034.
13.Narayanan S, Ramakrishnan R, Durairaj E, et al. Artificial intelligence revolutionizing the field of medical education[J]. Cureus, 2023, 15(11): e49604. DOI: 10.7759/cureus.49604.
14.杨菲菲, 王秋霜. 人工智能在超声心动图带教中的应用[J]. 中国继续医学教育, 2021, 13(18): 75-79. [Yang FF, Wang QS. Application of artificial intelligence in teaching of echocardiography[J]. China Continuing Medical Education, 2021, 13(18): 75-79.] DOI: 10.3969/j.issn.1674-9308.2021.18.020.
15.Liaw SY, Tan JZ, Rusli KDB, et al. Artificial intelligence versus human-controlled doctor in virtual reality simulation for sepsis team training: randomized controlled study[J]. J Med Internet Res, 2023, 25: e47748. DOI: 10.2196/47748.
16.Ali M, Rehman S, Cheema E. Impact of artificial intelligence on the academic performance and test anxiety of pharmacy students in objective structured clinical examination: a randomized controlled trial[J]. Int J Clin Pharm, 2025, 47(4): 1034-1041. DOI: 10.1007/s11096-025-01876-5.
17.张雷, 王安生, 刘戈, 等. 基于人工智能视域下模拟操作在胸心外科研究生教学中的应用[J]. 蚌埠医学院学报, 2024, 49(7): 965-968, 973. [Zhang L, Wang AS, Liu G, et al. Application of simulation operations in postgraduate teaching of thoracic and cardiac surgery based on artificial intelligence perspective[J]. Journal of Bengbu Medical College, 2024, 49(7): 965-968, 973.] DOI: 10.13898/j.cnki.issn.1000-2200.2024.07.028.
18.钟伟洋, 黄天霁, 罗小辑. 人工智能在运动系统示教课中的应用与思考[J]. 中国继续医学教育, 2024, 16(21): 6-10. [Zhong WY, Huang TJ, Luo XJ. Application and thinking of artificial intelligence in the teaching class of kinematic system[J]. China Continuing Medical Education, 2024, 16(21): 6-10.] DOI: 10.3969/j.issn.1674-9308.2024.21.002.
19.惠蓓娜, 李毅, 龚拓拓, 等. 人工智能在肿瘤放射治疗学临床教学中的应用研究[J]. 西部素质教育, 2022, 8(18): 116-119. [Hui BN, Li Y, Gong TT, et al. A study on the application of artificial intelligence in clinical teaching of oncology radiotherapy[J]. Western China Quality Education, 2022, 8(18): 116-119.] DOI: 10.16681/j.cnki.wcqe.202218032.
20.邬春兰. 人工智能专家系统在医院麻醉教学中的应用[J]. 中医药管理杂志, 2021, 29(17): 192-193. [Wu CL. Application of artificial intelligence expert system in teaching anesthesia in hospitals[J]. Journal of Traditional Chinese Medicine, 2021, 29(17): 192-193.] DOI: 10.16690/j.cnki.1007-9203.2021.17.092.
21.李玲, 杨振涛, 王聆文. AI联合BOPPPS教学模式在胸部影像学教学中的应用[J]. 继续医学教育, 2024, 38(11): 90-93. [Li L, Yang ZT, Wang LW. Application of AI combined with BOPPPS teaching mode in chest imaging teaching[J]. Continuing Medical Education, 2024, 38(11): 90-93.] DOI: 10.3969/j.issn.1004-6763.2024.11.023.
22.冯敏, 林婷, 陈霞霞, 等. 人工智能辅助教学在老年糖尿病临床教学中的应用初探[J]. 中国老年保健医学, 2024, 22(6): 137-140. [Feng M, Lin T, Chen XX, et al. Application of artificial intelligence aided in clinical teaching of elderly diabetes[J]. Chinese Journal of Geriatric Care, 2024, 22(6): 137-140.] DOI: 10.3969/j.issn.1672-2671.2024.06.032.
23.Zeng H, Zhu ZW, Hu J, et al. Application of ChatGPT-assisted problem-based learning teaching method in clinical medical education[J]. BMC Med Educ, 2025, 25(1): 50. DOI: 10.1186/s12909-024-06321-1.
24.Ba HJ, Zhang LJ, Yi ZZ. Enhancing clinical skills in pediatric trainees: a comparative study of ChatGPT-assisted and traditional teaching methods[J]. BMC Med Educ, 2024, 24(1): 558. DOI: 10.1186/s12909-024-05565-1.
25.Gan WY, Ouyang JF, Li H, et al. Integrating ChatGPT in orthopedic education for medical undergraduates: randomized controlled trial[J]. J Med Internet Res, 2024, 26: e57037. DOI: 10.2196/57037.
26.Fazlollahi AM, Bakhaidar M, Alsayegh A, et al. Effect of artificial intelligence tutoring vs expert instruction on learning simulated surgical skills among medical students: a randomized clinical trial[J]. JAMA Netw Open, 2022, 5(2): e2149008. DOI: 10.1001/jamanetworkopen.2021.49008.
欢迎访问中南医学期刊社系列期刊网站！
