Method Article

معرفة الذكاء الاصطناعي في ممارسة التمريض: تحليل تلوي للإدراك والمواقف والنية

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

فحصت هذه التحليلات التلوية الفروقات في تصورات الممرضين ومواقفهم ونواياهم فيما يتعلق باستخدام الذكاء الاصطناعي (AI) في رعاية المرضى. الممرضون الذين كانوا يعرفون كيفية استخدام الذكاء الاصطناعي في ممارسة التمريض كان لديهم تصورات ومواقف ونوايا أعلى بكثير من أولئك الذين لم يعرفوا.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هدف هذا التحليل التلوي إلى تقييم الفروقات في الإدراك والمواقف والنوايا المتعلقة باستخدام الذكاء الاصطناعي في رعاية المرضى بين الممرضين الذين لديهم وبدون معرفة بكيفية تطبيق الذكاء الاصطناعي في ممارسة التمريض.

أجرينا تحليلا تلويا باستخدام نموذج نتائج مستمر باستخدام طرق التأثيرات الثابتة أو العشوائية لتقدير الفرق المتوسط (MD) وفترات الثقة 95٪ لكل نتيجة. اخترنا 9 دراسات مع 3648 ممرضا لهذا التحليل التلوي. الممرضون الذين يعرفون كيفية استخدام الذكاء الاصطناعي في ممارسة التمريض كان لديهم إدراك أعلى بشكل ملحوظ (MD الخام المجمع، 1.43؛ فاصل الثقة 95٪، 0.86–1.99، p < 0.001)، والموقف (MD، 1.80؛ الثقة 95٪، 0.81–2.78، < 0.001)، والنية (MD، 2.89؛ فترة الثقة 95٪، 1.61–4.16، p < 0.001) مقارنة بأولئك الذين لا يعرفون كيفية استخدام الذكاء الاصطناعي في ممارسة التمريض. ومع ذلك، كان التباين مرتفعا جدا لجميع النتائج (I2 = 91–98٪)، مما يشير إلى تفاوت كبير بين الدراسات. ومع ذلك، نظرا لأن هذه النتائج تم قياسها باستخدام أدوات ذات نطاقات مقياس متفاوتة بشكل كبير (مثل مقاييس من 5 إلى 100 نقطة)، فإن القياس الخام المجمع لا يمثل فرقا مطلقا ثابتا. الاتجاه الثابت للتأثير عبر جميع الدراسات (إيجابي) هو النتيجة الأساسية، وليس قيم MD المحددة.

الممرضون الذين يعرفون كيفية استخدام الذكاء الاصطناعي في ممارسة التمريض يبلغون عن تصورات ومواقف ونواياهم أكثر إيجابية من أولئك الذين لا يعرفون. ومع ذلك، وبسبب التباين العالي، والتنوع في المقاييس، والتصاميم المقطعية، فإن هذه النتائج تولد فرضيات فقط. الادعاءات السببية غير مبررة.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وخاصة في قطاع الرعاية الصحية، أصبح الذكاء الاصطناعي تقنية مبتكرة وحيوية. يتم تغيير سير العمل في الرعاية الصحية، والنتائج السريرية، وتقديم رعاية المرضى بفضل الذكاء الاصطناعي1. يهدف التمريض إلى تقديم رعاية متعاطفة ومبنية على الأدلة عبر البيئات السريرية2. يجب أن يكون الممرضون مستعدين لاحتضان أي تقنية تعزز نتائج المرضى بشكل عام لأنهم محترفون في الخطوط الأمامية للرعاية الصحية. من المرجح أن يتم دمج الذكاء الاصطناعي في ممارسة التمريض. لضمان تبني الذكاء الاصطناعي بنجاح في قطاع الرعاية الصحية، من الضروري تقييم استعداد الممرضين لتبنيه3. نظرا لأن الذكاء الاصطناعي يمتلك القدرة على تطوير الرعاية الصحية من خلال حلول دقيقة وفردية ومبتكرة، فإن أهميته تزداد دركا4. بفضل إمكاناته الهائلة لتحسين النتائج السريرية وزيادة الكفاءة في بيئات الرعاية الصحية، كان المجتمع الطبي متحمسا لدمج الذكاء الاصطناعي في مراحله الأولى من التكيف5. ومع ذلك، وعلى الرغم من تزايد الاهتمام، هناك القليل من الأبحاث حول وجهات نظر أصحاب المصلحة فيما يتعلق بتطبيق الذكاء الاصطناعي في الرعاية الصحية6. تختلف الاهتمام بتنفيذ الذكاء الاصطناعي في الرعاية الصحية بين أصحاب المصلحة. على الرغم من المزايا الظاهرة، هناك عدد من العقبات أمام تطبيق الذكاء الاصطناعي في الرعاية الصحية، بما في ذلك القلق بشأن خصوصية البيانات، وصعوبة الامتثال التنظيمي، والمعضلات الأخلاقية7. يجب على الباحثين سد الفجوة المعرفية المتعلقة بوجهات نظر الممرضين حول تطبيق الذكاء الاصطناعي لضمان قبول الرعاية المبنية على الأدلة في هذا السياق8. لسد هذه الفجوة، يقارن التحليل التلوي الحالي بشكل صريح الممرضين الذين يبلغون عن معرفتهم بكيفية استخدام الذكاء الاصطناعي في ممارسة التمريض مع أولئك الذين لا يعرفون، عبر مجالات الإدراك والمواقف والنوايا تجاه الذكاء الاصطناعي في رعاية المرضى. يجب أن تركز الأبحاث أكثر على الإمكانات الثورية للذكاء الاصطناعي في زيادة الإنتاج وتطوير أنظمة توصيل مبتكرة، بالإضافة إلى أخذ وجهات نظر مختلفة حول تطبيقه في الاعتبار5. يعد عدم اليقين بشأن التطبيقات الصحيحة للذكاء الاصطناعي ومشاكل جودة البيانات عقبات إضافية أمام اعتماده في قطاع الرعاية الصحية9. وفقا للتقييمات الاقتصادية، يحسن الذكاء الاصطناعي جودة الطب ويتيح طرقا فعالة من حيث التكلفة، خاصة في المجالات المعقدة مثل طب العيون10. معالجة العقبات أمام تبني الذكاء الاصطناعي أمر أساسي لضمان تحقيق جميع مزاياه بالكامل. تطوير مهارات القوى العاملة، والقضايا الأخلاقية، وتحدي استخدام تكنولوجيا الذكاء الاصطناعي بنجاح في السياقات العملية هي بعض العقبات التي أشار إليها في أبحاث سابقة11. كل هذه العقبات تؤثر بشكل مباشر على مدى استعداد الكادر الطبي للتكيف مع الذكاء الاصطناعي. مع تقنيات مثل أنظمة الخبراء الضبابية، والشبكات البايزية، والشبكات العصبية الاصطناعية، والأنظمة الذكية الهجينة المستخدمة في البيئات السريرية لتحسين تقديم الرعاية، أصبح الذكاء الاصطناعي مندمجا بشكل متزايد في صناعة الرعاية الصحية12. بالإضافة إلى ذلك، يتم تطوير أنظمة متطورة مثل أنظمة الذكاء الاصطناعي العميقة التي قد تكون قادرة على أتمتة العمليات واكتشاف الأمراض13. وبالتالي، ستلاحظ تأثيرات الذكاء الاصطناعي في قطاع الرعاية الصحية عبر مجموعة متنوعة من التخصصات، ولديها إمكانات هائلة لتحسين العلاج السريري، وتوقع المخاطر، وتبسيط العملية بأكملها14. يشكل دمج الذكاء الاصطناعي عقبات كبيرة أمام الممرضين، بما في ذلك القضايا الأخلاقية، والحاجة إلى التكيف مع التكنولوجيا الجديدة، والتأثير المحتمل على مسؤوليات التمريض15. يجب على الممرضين اكتساب المعرفة والمهارات اللازمة لاستخدام أدوات الذكاء الاصطناعي بشكل صحيح مع تقدم استخدامهم16. وفقا للأبحاث، يعزز الذكاء العاطفي تفاعل الممرضين مع الذكاء الاصطناعي، مما يؤثر على جودة رعاية المرضى وقدرة الممرضين على التكيف مع استخدامه17. عامل حاسم قد يؤثر على كيفية إدراك الممرضين للذكاء الاصطناعي وتفاعلهم معه هو معرفتهم الحالية بكيفية تطبيق الذكاء الاصطناعي فعليا في ممارسة التمريض. بدون فهم أساسي للوظائف الملموسة للذكاء الاصطناعي — مثل دعم القرار السريري، التحليلات التنبؤية، أو المراقبة الآلية — قد يشكل الممرضون آراء بناء على المعلومات المضللة أو نقص التعرض. وعلى العكس، قد يظهر الممرضون الحاصلون على معرفة عملية بدور الذكاء الاصطناعي في ممارسة التمريض مواقف أكثر إيجابية، وفائدة أكثر تصورا، ونويا أقوى لاعتماد أدوات الذكاء الاصطناعي. لذلك، اخترنا "معرفة كيفية استخدام الذكاء الاصطناعي في ممارسة التمريض" كمتغير التعرض الرئيسي لاختبار ما إذا كان هذا النوع المحدد من المعرفة مرتبطا بفروق ذات معنى في الإدراكات والمواقف والنوايا. لذلك، أجرينا تحليلا تلويا لتقييم تصورات الممرضين ومواقفهم ونواياهم تجاه استخدام الذكاء الاصطناعي في رعاية المرضى. تسد الدراسة فجوات مهمة في الأدبيات حول المواقف والقدرات والمعرفة المطلوبة لتطبيق الذكاء الاصطناعي في بيئات رعاية المرضى. تقدم الدراسة خططا لزيادة دمج الذكاء الاصطناعي في التمريض من خلال تقييم جاهزية الممرضين وتحديد المجالات الحيوية التي تحتاج إلى تحسين.

تحديدا، تم تصميم هذا التحليل التلوي لمقارنة ثلاث نتائج—الإدراك، الموقف، والنية تجاه الذكاء الاصطناعي في رعاية المرضى—بين مجموعتين من الممرضين: أولئك الذين يبلغون عن معرفتهم بكيفية استخدام الذكاء الاصطناعي في ممارسة التمريض، وأولئك الذين لا يعرفون.

كان الهدف الرئيسي لهذه الدراسة هو معرفة مدى استعداد الممرضين المسجلين لاستخدام الذكاء الاصطناعي في إجراءات رعاية المرضى لديهم.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تصميم الدراسة:

كانت هذه الدراسة مراجعة منهجية وتحليل تلوي أجريت وفقا لإرشادات عناصر التقارير المفضلة للمراجعات المنهجية والتحليلات التلوية (PRISMA). يتم توفير قائمة التحقق المكتملة ل PRISMA 2020 كملف تكميلي 1. هدف البروتوكول إلى تلخيص الأدلة الكمية حول تصورات الممرضين ومواقفهم ونواياهم بشأن استخدام الذكاء الاصطناعي في رعاية المرضى، ومقارنة من لديهم معرفة سابقة بالذكاء الاصطناعي مع من لا يملكون18 عاما. يوضح الشكل 1 عملية اختيار الدراسة.

معايير الأهلية
تم اختيار الدراسات بناء على إطار PICOS19 التالي:

السكان (P): الممرضون أو مديرو التمريض المسجلون في أي تخصص أو بيئة سريرية.

التدخل (I)/التعرض: امتلاك المعرفة أو التدريب أو الوعي باستخدام الذكاء الاصطناعي في ممارسة التمريض.

مقارنة (ج): الممرضون أو طلاب التمريض الذين يبلغون عن عدم معرفتهم بكيفية استخدام الذكاء الاصطناعي في ممارسة التمريض.

النتائج (O): مقاييس كمية للإدراك أو الموقف أو النية تجاه الذكاء الاصطناعي في رعاية المرضى، تم الإبلاغ عنها كدرجات متوسطة مع انحرافات معيارية (SD) أو بيانات قابلة للتحويل إلى ذلك.

تصميم الدراسة (S): دراسات رصدية (مقطعية أو مجموعية) ودراسات قائمة على المسح. تم استبعاد الدراسات التدخلية (مثل التجارب العشوائية المحكمة) لأن التعرض المهم — المعرفة بكيفية استخدام الذكاء الاصطناعي في ممارسة التمريض — هو سمة قائمة وليس تدخلا عشوائيا.

معايير الاستبعاد:

تم استبعاد الدراسات النوعية، والمقالات المراجعة، والافتتاحيات، والرسائل، وملخصات المؤتمرات بدون بيانات كاملة، والأدبيات غير المحكمة من هذه الدراسة. تم استبعاد الدراسات التي لم تقدم بيانات كمية مقارنة (مثل المتوسط، SD، حجم العينة) للمجموعتين (مع معرفة بالذكاء الاصطناعي مقابل بدون معرفة بالذكاء الاصطناعي). كما تم استبعاد الدراسات التي لم يكن فيها السكان حصريا أو في الأساس ممرضين (مثل مجموعات مختلطة من مهني الرعاية الصحية بدون بيانات ممرضة قابلة للفصل). لم تستبعد أي دراسات بناء على اللغة.

مصادر المعلومات واستراتيجية البحث

تم إجراء بحث منهجي عبر خمس قواعد بيانات إلكترونية منذ تأسيسها وحتى 31 يوليو 2025: PubMed، مكتبة كوكران، Embase، OVID، وGoogle Scholar.
جمعت استراتيجية البحث بين المفردات المسيطرة (مثل مصطلحات MeSH) والكلمات المفتاحية الحرة المتعلقة بثلاثة مفاهيم أساسية: (1) الممرضات، (2) الذكاء الاصطناعي، و(3) الإدراك/الموقف. تم استخدام العوامل البوليانية "AND" و"OR" لربط المصطلحات داخل وبين المفاهيم. تم تقديم استراتيجية بحث نموذجية ل PubMed في الجدول 1. تم فحص قوائم المراجع لجميع الدراسات المدرجة والمراجعات ذات الصلة يدويا لتحديد منشورات مؤهلة إضافية21. السلاسل الكاملة القابلة لإعادة الإنتاج لكل قاعدة بيانات موفقة أدناه. تم تكييف الصيغة حسب التنسيق المطلوب لكل قاعدة بيانات، بما في ذلك علامات الحقول المناسبة، والمفردات المسيطرة عليها (MeSH، EMTREE)، ومشغلات بولية. لم تطبق أي قيود لغوية أو تاريخية. تم إجراء البحث في 31 يوليو 2025.

عملية اختيار الدراسة

اتبعت عملية اختيار الدراسة مخطط تدفق PRISMA (انظر الشكل 1). تم استيراد جميع السجلات المسترجعة إلى EndNote X9 (تحليلات كلاريفايت) لإزالة التكرار. قام مراجعان مستقلان بفحص العناوين والملخصات وفقا لمعايير الأهلية. انتقلت الدراسات التي اعتبرها أي من المراجعين ذات صلة محتملة إلى مراجعة النص الكامل. قام نفس المراجعين بتقييم النصوص الكاملة للدراسات المختصرة بشكل مستقل. كانت الخلافات تحل في أي مرحلة من خلال النقاش والتوافق. لم يكن هناك حاجة إلى مراجع ثالث. تم الاتفاق على القائمة النهائية للدراسات التي استوفت جميع المعايير بالإجماع.

استخراج البيانات وإدارتها22

تم تطوير نموذج استخراج بيانات موحد ومعالج في جدول بيانات. استخرج المراجعان البيانات بشكل مستقل من كل دراسة مشمولة. شملت البيانات المستخرجة خصائص الدراسة، وتفاصيل السكان، وتعريف التعرض، وبيانات النتائج.

خصائص الدراسة: المؤلف الأول، سنة النشر، البلد، تصميم الدراسة، وحجم العينة.

تفاصيل السكان: نوع الممرض (مثل السريري، طالب، مدير)، البيئة السريرية، متوسط العمر، توزيع الجنس.

تعريف التعرض: كيف تم تعريف وقياس "معرفة استخدام الذكاء الاصطناعي في ممارسة التمريض" (مثل دورة تدريبية محددة، أو الألفة المبلغ عنها ذاتيا على مقياس ليكرت).

بيانات النتائج: لكل نتيجة ذات صلة (إدراك، موقف، نية)، تم استخراج متوسط الدرجة، والانحراف المعياري (SD)، وحجم العينة (n) لكل من المجموعتين "المطلعتين على الذكاء الاصطناعي" و"غير المعرفتين بالذكاء الاصطناعي". إذا لم يتم الإبلاغ عن المتوسطات والانحرافات المعيارية (SDs) بشكل مباشر، فقد تم حسابها من الإحصاءات المتاحة باستخدام طرق موصوفة في دليل كوكرين للمراجعات المنهجية للتدخلات (الإصدار 6.4)19. تحديدا:

من المتوسطات والنطاقات الربعية (IQR): تم استخدام طريقة وان وآخرون (2014)23 لتقدير المتوسطات ونقاط القياس المتوسط.

من فواصل الثقة 95٪ (CIs) وأحجام العينات: تم حساب SDs باستخدام الصيغة: SD = √n × (الحد الأعلى للثقة – الحد الأدنى للثقة) / (2 × 1.96).

من قيم p وأحجام العينات: تم تقدير SDs باستخدام الطريقة الموصوفة في دليل كوكرين (القسم 6.5.2.3) عندما كانت إحصائيات t أو قيم p دقيقة متاحة.

من بين الدراسات التسع المشمولة، تطلبت ثلاث منها تحويل البيانات لأن المتوسطات وSDs لم يتم الإبلاغ عنها بالشكل المطلوب للتحليل التلوي:

الدراسة [المؤلف، السنة]: المتوسطات المبلغ عنها ومعدلات الذكاء الاصطناعي؛ تم تحويله باستخدام طريقة وان وآخرون 23 .

الدراسة [المؤلف، السنة]: أبلغت عن 95٪ فقط من الفترات الثامنة؛ تم حساب SDs مرة أخرى.

الدراسة [المؤلف، السنة]: المتوسطات المبلغ عنها بدون SDs لكنها قدمت قيم p للمقارنات الجماعية؛ تقديرات SD من قيم p.

أبلغت الدراسات الست المتبقية عن المتوسطات وSDs مباشرة ولم تتطلب أي تحويل. تم التحقق من جميع القيم المحولة من قبل مراجعين بشكل مستقل.

تقييم مخاطر التحيز (الجودة)24

تم تقييم الجودة المنهجية للدراسات الرصدية المدرجة بشكل مستقل من قبل مراجعين اثنين باستخدام قائمة التقييم النقدي لمعهد جوانا بريغز (JBI) للدراسات المقطعية التحليلية25. تقيم هذه الأداة مجالات مثل تمثيل العينة، وقياس التعرض والنتائج، والالتباس، والتحليل الإحصائي. تم تقييم كل عنصر ك "نعم"، "لا"، "غير واضح"، أو "غير مطبق". تم تعيين تقييم جودة دراسة عام (عالي، متوسط، منخفض) بناء على الإجماع. تم حل الخلافات كما هو موضح أعلاه.

توليف البيانات والتحليل الإحصائي

مقياس التأثير: كان المقياس الأساسي للتأثير هو الفرق المتوسط (MD) مع فترة ثقة 95٪ (CI). أما درجة MD > 0 فأشارت إلى درجة أعلى (مثل مواقف أكثر إيجابية) في المجموعة التي لديها معرفة بالذكاء الاصطناعي.

نموذج التحليل التلوي: تم استخدام نموذج التأثيرات العشوائية لجميع التحليلات الأولية بسبب التباين السريري والمنهجي المتوقع بين الدراسات. كما تم تطبيق نموذج التأثير العشوائي كتحليل حساسية26,27.

تقييم التباين الجانبي: تم قياس التباين الإحصائي باستخدام إحصائية I2 . تم تفسير قيم I2 بنسبة 25٪، 50٪، و75٪ على أنها تباين منخفض ومتوسط وعالي على التوالي. كما تم استشارة اختبار كوكران Q (الرقم < 0.10، مما يشير إلى تباين كبير).

تحليل المجموعات الفرعية والحساسية: لم تكن التحليلات المخططة للمجموعات الفرعية ممكنة بسبب العدد المحدود من الدراسات (<10) لكل نتيجة. تم إجراء تحليلات الحساسية عن طريق التحول إلى نموذج التأثير الثابت. تم التخطيط لتحليلات الحساسية لتقييم متانة التقديرات المجمعة، بما في ذلك استبعاد الدراسات التي تم تصنيفها على أنها منخفضة الجودة والتحول إلى نموذج التأثير الثابت. تم إجراء تحليل حساسية استبعاد الدراستين بجودة منخفضة (درجة JBI ≤4)27,28. كانت تقديرات التأثير المجمع للدراسات السبع المتبقية (n = 3,161) مشابهة للتحليل الرئيسي لجميع النتائج، وظلت جميع الارتباطات ذات دلالة إحصائية (p < 0.001). لذلك، تم الاحتفاظ بجميع الدراسات التسع في التحليل الأولي. ونظرا لأن استبعاد هذه الدراسات لم يغير النتائج بشكل جوهري، فقد تم الاحتفاظ بها في التحليل الأولي لتعظيم حجم العينة وقابلية التعميم.

تقييم تحيز النشر: تم التخطيط لفحص بصري لمخططات القمع بحثا عن عدم التماثل لنتائج شملت ≥10 دراسات. نظرا لأن جميع النتائج شملت أقل من 10 دراسات، فإن الاختبارات الرسمية مثل اختبار الانحدار لإيغر ضعيفة القوة وعادة لا يوصى بها. ومع ذلك، تم إجراء اختبار استكشافي للانحدار لإيغر للنتيجة التي حصلت على أكبر عدد من الدراسات (الموقف، n = 9) كتحليل بعد الحدث. يجب تفسير النتائج بحذر شديد بسبب ضعف القوة الإحصائية.

البرمجيات: تم إجراء جميع التحليلات الإحصائية باستخدام برنامج مدير المراجعة (RevMan)، الإصدار 5.4 (تعاون كوكران، كوبنهاغن، الدنمارك).

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

بعد فحص 2245 منشورا ذا صلة، استوفت 9 دراسات نشرت بين عامي 2021 و2025 معايير الإدراج 26، 27، 28، 29، 30، 31، 32، 33، 34. يلخص الجدول 2 نتائج هذه الدراسات. تمت دراسة ما مجمو...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في التحليل التلوي الحالي، تم دراسة 9 دراسات مع 3648 ممرضابعنوان 26، 27، 28، 29، 30، 31، 32، 33، 34. قارن هذا التحليل التلوي بين الممرضين الذين يبلغون عن معرفتهم بكيفية استخدام الذكاء الاصط...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنهم لا يملكون مصالح متنافسة.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
مكتبة كوكرانمكتبة كوكرانhttps://www.cochranelibrary.com/
إمبيسإمبيسhttps://www.embase.com/landing?status=grey
ملاحظة نهاية X9كلاريفيت أناليتكسhttps://support.clarivate.com/Endnote/s/?language=en_USبرنامج إدارة المراجع لإزالة التكرار وتنظيم الاستشهادات
جوجل سكولارجوجلhttps://scholar.google.com/
قائمة التحقق للتقييم النقدي لمعهد جوانا بريغز (JBI)معهد جوانا بريغزhttps://jbi.global/critical-appraisal-toolsأداة تقييم الجودة للدراسات المقطعية التحليلية
مايكروسوفت إكسلشركة مايكروسوفتhttps://www.microsoft.com/en-usتطوير نماذج استخراج البيانات؛ إدارة البيانات؛ تحويل الإحصائيات
OVIDOVIDhttps://www.ovid.com/
نموذج مخطط تدفق PRISMA 2020مجموعة عمل بريزماhttps://www.prisma-statement.org/prisma-2020-flow-diagramقالب لمخطط تدفق اختيار الدراسة  
PubMedالمعاهد الوطنية للصحةhttps://pubmed.ncbi.nlm.nih.gov/
مدير المراجعات (RevMan) تعاون كوكرانالإصدار 5.4برامج لإعداد وصيانة مراجعات كوكران؛ يستخدم في التحليل التلوي (التجميع، مخططات الغابات، التباهات، تحليلات الحساسية).

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Dave, M., Patel, N. Artificial intelligence in healthcare and education. Br Dent J. 234 (10), 761-764 (2023).
  2. Malenfant, S., Jaggi, P., Hayden, K. A., Sinclair, S. Compassion in healthcare: An updated scoping review of the literature. BMC Palliat Care. 21 (1), 80(2022).
  3. Davenport, T., Kalakota, R. The potential for artificial intelligence in healthcare. Future Healthc J. 6 (2), 94-98 (2019).
  4. Wubineh, B. Z., Deriba, F. G., Woldeyohannis, M. M. Exploring the opportunities and challenges of implementing artificial intelligence in healthcare: A systematic literature review. Urol Oncol. 42 (3), 48-56 (2024).
  5. Alharbi, M. T., Almutiq, M. M. Prediction of dental implants using machine learning algorithms. J Healthc Eng. 2022 (1), 7307675(2022).
  6. Richardson, J. P., et al. Patient apprehensions about the use of artificial intelligence in healthcare. NPJ Digit Med. 4 (1), 140(2021).
  7. Petersson, L., et al. Challenges to implementing artificial intelligence in healthcare: A qualitative interview study with healthcare leaders in Sweden. BMC Health Serv Res. 22 (1), 850(2022).
  8. Stai, B., et al. Public perceptions of artificial intelligence and robotics in medicine. J Endourol. 34 (10), 1041-1048 (2020).
  9. Godbole, N. S., Lamb, J. Using data science & big data analytics to make healthcare green. 12th International Conference & Expo on Emerging Technologies for a Smarter World (CEWIT), Melville, NY, USA, , CEWIT. (2015).
  10. Ruamviboonsuk, P., Chantra, S., Seresirikachorn, K., Ruamviboonsuk, V., Sangroongruangsri, S. Economic evaluations of artificial intelligence in ophthalmology. Asia Pac J Ophthalmol. 10 (3), 307-316 (2021).
  11. Ali, O., et al. A systematic literature review of artificial intelligence in the healthcare sector: Benefits, challenges, methodologies, and functionalities. J Innov Knowl. 8 (1), 100333(2023).
  12. Amisha,, Malik, P., Pathania, M., Rathaur, V. K. Overview of artificial intelligence in medicine. J Fam Med Prim Care. 8 (7), 2328-2331 (2019).
  13. Wang, F., Casalino, L. P., Khullar, D. Deep learning in medicine–promise, progress, and challenges. JAMA Intern Med. 179 (3), 293-294 (2019).
  14. Huang, K., Jiao, Z., Cai, Y., Zhong, Z. Artificial intelligence-based intelligent surveillance for reducing nurses' working hours in nurse–patient interaction: A two-wave study. J Nurs Manag. 30 (8), 3817-3826 (2022).
  15. Johnson, E. A., Dudding, K. M., Carrington, J. M. When to err is inhuman: An examination of the influence of artificial intelligence-driven nursing care on patient safety. Nurs Inq. 31 (1), e12583(2024).
  16. Stokes, F., Palmer, A. Artificial intelligence and robotics in nursing: Ethics of caring as a guide to dividing tasks between AI and humans. Nurs Philos. 21 (4), e12306(2020).
  17. Lina, M., Qin, G., Yang, L. Mediating effects of emotional intelligence on the relationship between empathy and humanistic care ability in nursing students: A cross-sectional descriptive study. Medicine. 101 (46), e31673(2022).
  18. Liberati, A., et al. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: Explanation and elaboration. J Clin Epidemiol. 62 (10), e1-e34 (2009).
  19. Higgins, J. P. Cochrane Handbook for Systematic Reviews of Interventions Version 6.0. , John Wiley & Sons. Chichester, UK. (2019).
  20. Higgins, J. P., Thompson, S. G., Deeks, J. J., Altman, D. G. Measuring inconsistency in meta-analyses. BMJ. 327 (7414), 557-560 (2003).
  21. Stroup, D. F., et al. Meta-analysis of observational studies in epidemiology: A proposal for reporting. JAMA. 283 (15), 2008-2012 (2000).
  22. Gupta, A., et al. Obesity is independently associated with increased risk of hepatocellular cancer-related mortality. Am J Clin Oncol. 41 (9), 874-881 (2018).
  23. Wan, X., et al. Estimating the sample mean and standard deviation from the sample size, median, range and/or interquartile range. BMC Med Res Methodol. 14, 135(2014).
  24. Cochrane Methods Bias. ROB 2: A revised Cochrane risk-of-bias tool for randomized trials. , Available from: https://methods.cochrane.org/bias/resources/rob-2-revised-cochrane-risk-bias-tool-randomized-trials (2020).
  25. Moola, S., et al. Systematic Reviews of Etiology and Risk. JBI Manual for Evidence Synthesis. , JBI. (2020).
  26. Shinners, L., et al. Exploring healthcare professionals' perceptions of artificial intelligence: Piloting the Shinners artificial intelligence perception tool. Digit Health. 8, 20552076221078110(2022).
  27. Labrague, L. J., et al. Factors influencing student nurses' readiness to adopt artificial intelligence (AI) in their studies and their perceived barriers to accessing AI technology: A cross-sectional study. Nurse Educ Today. 130, 105945(2023).
  28. Kamlah, A. -O., et al. Readiness and acceptance of nursing students regarding AI-based health care technology on the training of nursing skills in Saudi Arabia: Cross-sectional study. JMIR Nurs. 8 (1), e71653(2025).
  29. Elsayed, W. A., Sleem, W. F. Nurse managers' perception and attitudes toward using artificial intelligence technology in health settings. Assiut Sci Nurs J. 9 (24), 182-192 (2021).
  30. Al-Sabawy, M. R. Artificial intelligence in nursing: a study on nurses’ perceptions and readiness. 1st International and 6th Scientific Conference of Kirkuk Health Directorate, , (2023).
  31. Al Omari, O., et al. Demographic factors, knowledge, attitude and perception and their association with nursing students' intention to use artificial intelligence (AI): A multicentre survey across 10 Arab countries. BMC Med Educ. 24 (1), 1456(2024).
  32. Eminoğlu, A., Çelikkanat, Ş Assessment of the relationship between executive nurses' leadership self-efficacy and medical artificial intelligence readiness. Int J Med Inform. 184, 105386(2024).
  33. Alhassan, M. F. The relationship between nurse's perspectives and nurse's attitude toward artificial intelligence. Helwan Int J Nurs Res Pract. 4 (10), 150-166 (2025).
  34. Atalla, A. D. G., et al. Embracing artificial intelligence in nursing: Exploring the relationship between artificial intelligence-related attitudes, creative self-efficacy, and clinical reasoning competency among nurses. BMC Nurs. 24 (1), 661(2025).
  35. Lukić, A., et al. First-year nursing students' attitudes towards artificial intelligence: Cross-sectional multi-center study. Nurse Educ Pract. 71, 103735(2023).
  36. Dominik, J. Artificial intelligence in healthcare. Int J Clin Med Res. 3 (2), 22-23 (2025).
  37. Sebastian, V. Future of artificial intelligence applications in joint trauma. Int J Clin Med Res. 3 (1), 11-12 (2025).
  38. Define, C. Future directions of diagnostic and therapeutic strategies specific to subtypes of small cell lung cancer. Int J Clin Med Res. 3 (1), 18-21 (2025).
  39. Taie, E. S. Artificial intelligence as an innovative approach for investment in the future of healthcare in Egypt. Clin Nurs Stud. 8 (3), 1-10 (2020).
  40. Abou Hashish, E. A., Alnajjar, H. Digital proficiency: Assessing knowledge, attitudes, and skills in digital transformation, health literacy, and artificial intelligence among university nursing students. BMC Med Educ. 24 (1), 508(2024).
  41. Celik, I. Exploring the determinants of artificial intelligence (AI) literacy: Digital divide, computational thinking, cognitive absorption. Telemat Inform. 83, 102026(2023).
  42. Sindermann, C., et al. Assessing the attitude towards artificial intelligence: Introduction of a short measure in German, Chinese, and English language. KI Kunstl Intell. 35 (1), 109-118 (2021).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Artificial Intelligence NursingNursing Practice AINurse Perception AINurse Attitude AINurse Intention AIMeta Analysis NursingPatient Care AIAI Knowledge NursesCross Sectional StudiesContinuous Outcome Model

Related Articles