의료 교육에서 기술 평가 및 개인화된 피드백을 위한 시뮬레이션 성능 예측의 기계 학습 기반 접근법

초록 고충실도 시뮬레이션은 역량 기반 의료 및 간호 교육에 필수적이지만, 예측 피드백을 위한 실시간 원격 측정은 드물다. 현재의 분석은 대부분 기술적이며, 학습자의 도전 과제를 적시에 발견하는 것을 방해하고 적응형 교육의 기회를 제한한다. 본 연구에서는 시뮬레이션 성능을 예측하고 투명하고 실행 가능한 피드백을 제공하기 위한 실시간 기계 학습 프레임워크를 소개한다. 파이썬에서 JIGSAWS Needle-Passing 작업을 사용하여 XGBoost, Temporal Convolutional Networks (TCN), Random Forest, Artificial Neural Networks 및 L1-Regularized Logistic Regression의 다섯 가지 감독 모델을 구현하였다. 입력 기능에는 도구 궤적, 제스처 세분화, 타이밍 메트릭 및 운동 부드러움이 포함되었다. XGBoost가 가장 높은 성능을 달성하였고 (F1 = 0.78, AUC = 0.87), TCN이 뒤를 이었다 (F1 = 0.71) 그러나 중급 학습자에게는 우수한 시간 모델링을 보였다. SHAP 기반 설명은 도구 속도, 오류율 및 운동 부드러움이 가장 예측력이 높은 특징으로 확인되었다. 제거 연구는 행동적 특성이 모델 정확도의 주요 기여자임을 확인하였다. 회귀 결과는 XGBoost의 신뢰성을 추가로 지지하였다 (R² = 0.81). 제안된 프레임워크는 서브 초 단위 추론을 가능하게 하고, 위험에 처한 학습자를 조기에 식별하며, 교육적으로 의미 있는 통찰력을 제공한다. 설명 가능한 AI를 시뮬레이션 환경에 통합하면 정적 평가 도구를 역동적이고 적응형 학습 시스템으로 변모시킨다. 이 프레임워크는 정밀 교육을 위한 확장 가능하고 다양한 분야에 걸친 경로를 제공하며, 공평하고 데이터 기반, 개인화된 의료 교육을 위한 세계적인 요구에 부응한다. 향후 연구는 다양한 학습 집단에 프레임워크의 확장을 우선 순위로 삼고, 실시간 시뮬레이션 작업 흐름에 통합하며, 다중 모드 데이터 스트림을 포함하고, 의료 교육에서 지능적이고 적응형 피드백을 지원하기 위해 임상 영역 간의 이식성을 평가해야 한다.