《Clinical Simulation in Nursing》：Artificial intelligence meets best practice: A scoping review of AI integration in simulation-based education
编辑推荐：
AI在医疗模拟教学中的应用与INACSL HSSOBP标准契合度研究。该系统回顾分析2021-2025年间18篇文献，发现AI工具在模拟设计、学习效果评估和教学辅助方面与HSSOBP标准高度契合，但专业发展、跨专业协作和运营管理标准应用不足，强调需加强伦理规范和方法论创新。
作者：Heather S. Cole、Marie Lindley、Amber Senetza
美国阿拉巴马大学卡普斯通护理学院，塔斯卡卢萨，AL 35401
摘要
背景
随着人工智能（AI）对医疗教育的持续影响，基于模拟的学习为整合AI以改善学习成果和运营效率提供了宝贵的平台。INACSL医疗模拟最佳实践标准（HSSOBP）为高质量模拟提供了框架，但目前AI应用与这些标准之间的对齐情况仍不明确。
目的
本范围综述探讨了AI如何被整合到基于模拟的教育中，并检查了其与INACSL HSSOBP的对齐程度。
方法
使用Arksey和O’Malley的范围综述框架以及PRISMA-ScR指南，在四个数据库中进行了全面搜索。纳入的研究需描述涉及医疗学习者或教育者的AI整合，并且与一个或多个INACSL HSSOBP标准相关。2021年至2025年间发表的18项研究符合纳入标准。
结果
AI应用最常与模拟设计（n = 12项）、学习成果评估（n = 9项）和促进（n = 8项）标准对齐。使用的工具包括大型语言模型、虚拟患者、自然语言处理和AI辅助的总结。在专业发展、模拟-教学评估（Sim-IPE）和运营方面存在差距。
结论
本综述强调了AI在支持模拟最佳实践方面的潜力，并强调了加强两者对齐的必要性。
引言
由于技术进步和劳动力需求，医疗和护理教育领域正在迅速发展。随着教育者努力满足这些期望，基于模拟的学习已成为体验式教育的核心，为培养关键能力提供了安全且结构化的环境。因此，教育者和模拟专家正在探索将人工智能（AI）整合进来，以增强学习体验并改进工作流程。AI在模拟中的新兴应用包括对话式代理、预测分析、自然语言处理以及个性化或评估学习者表现的机器学习算法（Athilingam和He，2024；Chan等人，2022；Tam等人，2023）。
除了提高学习者的参与度和能力发展外，AI还为模拟教师和工作人员带来了实际好处，特别是通过简化流程和提高运营效率。例如，通过AI驱动的工具可以优化任务密集型工作，如场景文档编制、调度、学习者表现跟踪和总结分析，从而减轻教师的负担，使他们有更多时间进行有意义的学习者互动（Yu等人，2022）。尽管有这些积极的发展，但由于对数据隐私、伦理影响、算法偏见以及AI工具复杂性的担忧，一些教师仍对采用AI持犹豫态度（Tucci等人，2023）。在明确的指导和支持下，教育者可以成功地将AI整合到他们的教学实践中，尤其是在模拟中，其中真实性、心理安全性和遵循最佳实践是基础。
国际临床模拟与学习护理协会（INACSL）的医疗模拟最佳实践标准（HSSOBP）为设计、促进和评估基于模拟的学习提供了一个广泛接受的框架（INACSL标准委员会，2025）。随着AI技术的发展，了解它们如何与这些标准对齐或加以改进至关重要，以确保其在基于模拟的学习中的伦理和实际应用。本范围综述旨在探讨AI目前如何被整合到基于模拟的教育中，特别是以支持、增强或符合INACSL HSSOBP的方式。
部分摘录
背景
高质量的基于模拟的教育是现代医疗培训的基本组成部分，为学习者提供了发展关键能力和临床判断力的结构化和安全环境。为了帮助教育者和模拟专家设计、提供和评估这些体验，INACSL制定了HSSOBP。HSSOBP包括专业发展、预介绍、模拟设计、促进、总结、成果与目标、运营等方面。
结果
通过初步数据库搜索共识别出481条记录。去除22条重复记录后，对459篇手稿进行了标题和摘要的筛选。其中379篇因不符合纳入标准而被排除，主要是因为与基于模拟的教育无关或缺乏AI应用。剩余的55篇研究进行了全文审查。经过研究团队的进一步筛选，又有37篇文章被排除。
讨论
本范围综述中的研究表明，利用AI技术来改进基于模拟的学习的兴趣正在迅速增长。尽管没有明确将其作为目标，但大多数研究显示与INACSL HSSOBP的对齐。AI增强的模拟提供了动态的患者互动、适应性反馈和个性化的叙述，从而加深了学习者的参与度（Barra等人，2024；Brügge等人，2024；Reed & Dodson，2024）。此外，整合AI
结论
本范围综述通过INACSL HSSOBP的视角探讨了AI在基于模拟的教育中的当前整合情况。研究结果强调了AI在增强基于模拟的学习方面的创新工作。尽管取得了这些进展，但仍存在显著差距。文献中有一些标准尚未得到充分关注，需要进一步研究。此外，方法学限制和伦理考虑凸显了需要更严格的方法论
资金
本研究未获得公共部门、商业部门或非营利部门的任何特定资助。
作者贡献声明
Heather S. Cole：概念化、数据管理、正式分析、方法论、项目管理、软件开发、监督、可视化、初稿撰写、审阅与编辑。
Marie Lindley：概念化、数据管理、正式分析、验证、审阅与编辑。
Amber Senetza：概念化、数据管理、正式分析、验证、审阅与编辑。
