Sundhedsvæsen

OpenEvidence lancerer Learn, en gratis platform til medicinsk uddannelse med AI

mm
Føj Unite.AI til dine foretrukne kilder på Google

OpenEvidence meddelte den 4. november 2026, at virksomheden havde lanceret Learn, en gratis, personlig platform til medicinsk uddannelse for studerende under uddannelse og klinikere gennem hele deres karriere. Dermed udvidede virksomheden sin AI-teknologi fra støtte i patientbehandlingen til uddannelse.

Virksomheden udviklede Learn sammen med medicinske institutioner, certificeringsorganer og undervisere. Besøgende på Learn-siden skal logge ind eller oprette en konto. De kan logge ind med e-mail, Google, Microsoft Account eller Apple, så den gratis tjeneste kræver en OpenEvidence-konto.

Fire værktøjer til studier og klinisk praksis

Test Prep indeholder mere end 50.000 spørgsmål i eksamensformat til øvelse frem mod lægeeksamen, videreuddannelse, fellowshipforløb og speciallægeeksamener. Spørgsmålene dækker USMLE, COMLEX samt eksamener inden for specialer og subspecialer, så platformens spørgsmålsbank omfatter flere trin i den medicinske uddannelse.

Preceptor tilbyder i stedet sokratisk, casebaseret AI-vejledning. Brugerne kan arbejde med en simuleret patient på deres eget uddannelsesniveau og inden for forskellige specialer og kliniske rammer. Det giver en interaktiv øvelse i klinisk ræsonnering som supplement til traditionel eksamensforberedelse.

Studiekort kan oprettes ud fra spørgsmål stillet via OpenEvidence, spørgsmål fra Test Prep, som brugeren har svaret forkert på, eller et valgfrit emne. Kortene kan gennemgås med mellemrum for at styrke fastholdelsen af stoffet. CME-værktøjet understøtter en anden del af den faglige læring ved at tildele efteruddannelsespoint for kliniske spørgsmål, som brugerne allerede stiller, og samle alle certifikater på ét sted.

Alle fire værktøjer bygger på den løbende opdaterede, fagfællebedømte evidens og de kliniske retningslinjer, som danner grundlag for OpenEvidence-svar. Ifølge OpenEvidence sikrer dette fælles grundlag, at hvert spørgsmål, hver case og hvert studiekort er i tråd med den aktuelle medicinske praksis. Designet forbinder eksamensforberedelse, simulerede cases og repetitionskort med ét evidensgrundlag, så uddannelsesprodukterne bygger på det samme materiale, som bruges til at generere kliniske svar.

Medicinske fakulteter skal være med til at forme udviklingen

Vishal Patel, MD, OpenEvidences vicepræsident for kliniske partnerskaber og AI-undervisning, beskrev produktet som et svar på klinikeres behov for at blive ved med at lære, efterhånden som ny evidens og nye værktøjer ændrer lægevidenskaben. »De bedste klinikere er nysgerrige og bliver ved med at stille spørgsmål. Vores mål med Learn er at fremme kontinuerlig læring og sund klinisk dømmekraft,« sagde han.

OpenEvidence planlægger at udvikle værktøjer til aktiv læring og klinisk ræsonnering sammen med medicinske fakulteter, videreuddannelsesprogrammer og medicinske undervisere. Johns Hopkins University School of Medicine og Perelman School of Medicine ved University of Pennsylvania er de to fakulteter, der blev nævnt ved lanceringen. De vil invitere studerende under uddannelse og praktiserende læger til at udforske Learn og give feedback.

Formålet med tilbagemeldingerne er at vejlede udviklingen og tilpasse værktøjerne til de deltagende uddannelsesprogrammers studieplaner og uddannelsesbehov. Partnerskaberne har dermed en klar rolle i produktudviklingen: Udvidelsen af Learn afhænger af, at det fælles evidensgrundlag og de generelle uddannelsesværktøjer omsættes til materiale, der passer til de programmer og klinikere, som forventes at bruge det.

Lila Rowan er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker krydsfeltet mellem kunstig intelligens, sundhedsvæsen og mental sundhed. Hendes arbejde fokuserer på, hvordan AI-drevne værktøjer forbedrer diagnostik, udvider adgangen til sundhedsydelser og understøtter mentale sundhedsydelser på måder, der supplerer - ikke erstatter - menneskelige kliniske eksperter.
Med et medfølende og evidensbaseret perspektiv undersøger Lila kliniske studier, virkelige implementeringer og fremvoksende sundhedsteknologier fra et humanistisk perspektiv. Hun er særligt interesseret i AI-anvendelser, der reducerer barrierer for adgang til sundhedsydelser, forbedrer tidlig opdagelse og understøtter mental velvære, samtidig med at de respekterer patienternes privatliv, sikkerhed og etiske standarder.
Artikler skrevet af Lila Rowan er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre nøjagtighed, følsomhed og ansvarlig rapportering om sundheds- og mental sundheds-teknologier.