护理实践中人工智能的知识：对感知、态度与意图的元分析

Summary

本荟萃分析考察了护士在患者护理中使用人工智能（AI）时的感知、态度和意图差异。了解人工智能在护理实践中的应用的护士，其认知、态度和意图明显高于不了解的护士。

Abstract

本荟萃分析旨在评估有无AI在护理实践应用知识的护士之间，对患者护理中AI使用的感知、态度和意图存在差异。

我们采用连续结局模型，采用固定效应或随机效应方法进行荟萃分析，估算每个结局的平均差（MD）和95%置信区间（CI）。我们选取了9项研究，共3648名护士进行荟萃分析。了解AI在护理实践中的应用的护士，其感知（合并原始MD，1.43;95% CI，0.86–1.99，p < 0.001）、态度（MD，1.80;95% CI，0.81–2.78，p < 0.001）和意图（MD，2.89;95% CI，1.61–4.16，p < 0.001）显著高于不了解AI在护理实践中的应用者。 然而，所有结局的异质性都非常高（I² = 91–98%），表明各研究间存在显著差异。然而，由于这些结果使用量表范围差异很大（例如5点到100分量表）的仪器测量，合并后的原始MD并不代表一致的绝对差异。所有研究中效果一致（阳性）是主要发现，而非具体MD值。

了解人工智能在护理实践中的应用的护士，比不了解的人报告的更积极的认知、态度和意图。然而，由于高度异质性、尺度变异和横断面设计，这些发现仅用于假设生成。因果论是不成立的。

Introduction

尤其是在医疗领域，人工智能已成为一项关键的颠覆性技术。人工智能正在彻底改变医疗工作流程、临床结果和患者护理服务¹.护理旨在提供充满同情心、循证的临床护理².护士必须准备好拥抱任何能提升整体患者治疗效果的技术，因为他们是一线医疗专业人员。人工智能很可能会被整合进护理实践。为了确保人工智能在医疗领域的成功应用，有必要评估护士接受人工智能的准备情况³.由于人工智能有潜力通过精准、个性化和富有创造性的解决方案推动医疗进步，其重要性日益受到认可⁴.凭借其在提升临床结果和提高医疗环境中效率的巨大潜力，医学界对在适应初期阶段整合人工智能感到非常兴奋⁵.然而，尽管兴趣日益增长，关于利益相关者对人工智能在医疗应用的观点的研究仍然很少⁶.对医疗领域人工智能应用的兴趣因利益相关者而异。尽管表面上有优势，在医疗领域实施人工智能仍存在诸多障碍，包括数据隐私担忧、合规难度以及伦理困境⁷.研究人员必须弥合护士对人工智能实施观点的知识空白，以确保循证护理在此背景下被接受⁸.为弥补这一空白，本元分析明确比较了报告了解人工智能在护理实践中使用情况的护士与不了解的护士，涵盖对患者护理中人工智能的感知、态度和意图等方面。研究应更多聚焦于人工智能在提升产出和开发新型传递系统方面的革命性潜力，同时考虑其应用的不同视角⁵.人工智能正确应用的不确定性以及数据质量问题，是其在医疗行业应用的进一步障碍⁹.根据经济评估，人工智能提升了医疗质量，并使成本效益高的方法成为可能，尤其是在眼科等复杂领域¹⁰.解决人工智能普及的障碍对于确保其所有优势得到充分发挥至关重要。提升劳动力技能、伦理问题以及在实际环境中成功运用人工智能技术的挑战，都是早期研究中指出的一些障碍¹¹.这些障碍都直接影响了医护人员适应人工智能的准备程度。随着模糊专家系统、贝叶斯网络、人工神经网络和混合智能系统等技术在临床环境中被用于改善护理服务，人工智能正日益融入医疗行业¹².此外，正在开发诸如深度学习人工智能系统等复杂系统，这些系统可能能够自动化流程并检测疾病¹³.因此，人工智能在医疗行业的影响将在多个学科中体现，具有巨大潜力改善临床治疗、预判风险和简化整个流程¹⁴.整合人工智能对护士来说面临重大障碍，包括伦理问题、适应新技术的需求以及对护理职责的潜在影响¹⁵.护士必须掌握正确使用人工智能工具所需的知识和技能，以适应其应用的进步¹⁶.研究表明，情商增强了护士与人工智能的互动，从而影响患者护理质量和护士适应其使用的能力¹⁷.一个可能影响护士如何看待和参与人工智能的关键因素，是他们对人工智能在护理实践中实际应用的既有知识。如果护士缺乏对人工智能具体功能的基本了解——如临床决策支持、预测分析或自动监测——可能会基于错误信息或缺乏相关经验而形成观点。相反，具备AI在护理实践中实际作用知识的护士，可能表现出更积极的态度、更高的实用性，以及更强烈的意愿采用AI工具。因此，我们选择了“人工智能在护理实践中的应用知识”作为主要暴露变量，以测试这种特定知识形式是否与感知、态度和意图上的有意义差异相关。因此，我们进行了荟萃分析，以评估护士对人工智能在患者护理中使用的认知、态度和意图。该研究弥补了文献中关于人工智能在患者护理环境中应用所需态度、能力和知识的重要空白。该研究提出了通过评估护士准备度并明确关键改进领域，提升人工智能在护理中的整合计划。

具体来说，这项荟萃分析旨在比较两组护士之间的三项结果——感知、态度和意图——分别是报告了解人工智能在护理实践中的应用情况，另一组则不了解。

本研究的主要目标是了解注册护士在患者护理过程中使用人工智能的准备程度。

Protocol

研究设计：

本研究为系统综述和荟萃分析，按照系统评价与荟萃分析首选报告项目（PRISMA）指南进行。完成的PRISMA 2020检查清单作为补充文件1提供。 该方案旨在定量综合护士对患者护理中使用人工智能（AI）的看法、态度和意图，比较已有AI知识者与无¹⁸岁护理人员。 图1 展示了研究选择过程。

资格标准
研究基于以下PICOS框架¹⁹进行筛选：

人口（P）：任何临床专科或环境中的注册护士或护士经理。

干预（I）/暴露：拥有护理实践中人工智能应用的知识、培训或意识。

比较（C）：报告不了解人工智能在护理实践中的应用的护士或护理学生。

结局（O）：以带标准差（SD）的平均分或可转换为标准差的数据报告的对人工智能的感知、态度或意图的定量测量。

研究设计（S）：观察性研究（横断面或队列）和基于调查的研究。介入性研究（如随机对照试验）被排除在外，因为兴趣的暴露——即对护理实践中人工智能如何使用的了解——是现有特征，而非随机干预。

排除标准：

本研究排除了定性研究、综述文章、社论、信件、无完整数据的会议摘要及非同行评审文献。排除了未提供两组（有无AI知识）比较定量数据（如均值、标准差、样本量）的研究。排除了人群非纯或主要为护士的研究（如无可分离护士数据的混合医疗专业人员组）。未排除任何基于语言的研究。

信息来源与检索策略

系统检索涵盖了五个电子数据库，从其成立起直到2025年7月31日：PubMed、Cochrane Library、Embase、OVID 和 Google^Scholar。
搜索策略结合了受控词汇（如MeSH术语）和与三个核心概念相关的自由文本关键词：（1）护士，（2）人工智能，以及（3）感知/态度。布尔运算符“AND”和“OR”用于连接概念内及概念之间的术语。 表1提供了PubMed的示例搜索策略。所有纳入研究及相关综述的参考文献列表均经过人工筛选，以确定更多符合条件的出版物²¹。每个数据库的完整可重复搜索字符串如下所示。语法根据每个数据库的要求格式进行了调整，包括合适的字段标签、受控词汇（MeSH、EMTREE）和布尔运算符。没有语言或日期限制。搜索于2025年7月31日进行。

学习选择流程

研究选择过程遵循PRISMA流程图（见 图1）。所有检索到的记录都导入到 EndNote X9（Clarivate Analytics）进行重复删除。两位独立评审员根据资格标准筛选了标题和摘要。任一审稿人认为可能相关的研究进入全文综述。 同两位评审者独立评估了入围研究的全文。任何阶段的分歧都通过讨论和共识解决。无需第三位评审者。 最终符合所有标准的研究名单是通过共识达成的。

数据提取与管理²²

在电子表格中开发了标准化的试点数据提取表。两位评审者独立提取了每项纳入研究的数据。提取的数据包括研究特征、人群细节、暴露定义和结局数据。

研究特征：第一作者、发表年份、国家、研究设计及样本量。

人口详情：护士类型（如临床护士、学生护士、管理者）、临床环境、平均年龄、性别分布。

暴露定义：如何定义和测量“护理实践中人工智能使用的知识”（例如，特定培训课程、李克特量表上的自我报告熟悉度）。

结局数据：针对每个相关结局（感知、态度、意图），提取了“具备AI知识”和“非AI知识”组的平均分、标准差（SD）和样本量（n）。如果均值和标准差（SD）未直接报告，则采用《Cochrane干预系统评价手册》（6.4版）中描述的方法，从现有统计数据计算^得出。具体来说：

从中位数和四分位数区间（IQR）：采用Wan等（2014）²³ 的方法估算均值和标准差。

根据95%置信区间（CI）和样本量：标准差（SD）采用公式反推计算：SD = √n ×（置信区间上限-下置信区间）/（2 × 1.96）。

根据p值和样本量：当有t统计量或精确p值时，使用Cochrane手册（第6.5.2.3节）描述的方法估计标准差。

在纳入的9项研究中，有3项因均值和标准差未以荟萃分析所需的格式报告，需要数据转换：

研究【作者，年份】：报告的中位数和IQR;采用Wan等人²³ 方法转换。

研究 [作者，年份]：仅报告95%置信区间;SDs已经回算过了。

研究 [作者，年份]：报告均值，但无标准差但提供组别比较的p值;根据p值估算的标准差。

其余6项研究直接报告均值和标准差，无需转换。所有转换后的数值均由两位评审独立验证。

偏倚风险（质量）评估²⁴

两位评审者使用乔安娜·布里格斯研究所（JBI）分析横断面研究的批判性评估清单，独立评估了纳入观察性研究的方法学质量²⁵。该工具评估样本代表性、暴露与结果测量、混杂因素以及统计分析等领域。每项题目都被评分为“是”、“否”、“不清楚”或“不适用”。根据共识，对整体研究质量评级（高、中、低）进行了评级。分歧如上所述得到解决。

数据综合与统计分析

效应指标：主要效应指标为均数差（MD），置信区间（CI）为95%。MD>0表示AI知识组得分较高（例如态度更积极）。

荟萃分析模型：由于预期各研究间的临床和方法学异质性，所有初级分析均采用随机效应模型。还应用了随机效应模型作为敏感性分析^26,27。

异质性评估：统计异质性采用^I2 统计量量化。25%、50%和75%^的数值 分别被解释为低、中度和高异质性。还参考了Cochran的Q检验（p < 0.10，显示显著异质性）。

亚组与敏感性分析：由于每个结局研究数量有限（<10项），计划中的亚组分析不可行。敏感性分析通过切换到固定效应模型进行。计划进行敏感性分析以评估合并估计值的稳健性，包括排除被评为低质量的研究并切换到固定效应模型。进行了不包括两项评为低质量（JBI评分≤4）^27.28的研究的敏感性分析。其余七项研究的合并效应估计（n = 3,161）与所有结局的主分析相似，所有关联均保持统计学显著性（p < 0.001）。因此，所有9项研究均被保留在主要分析中。由于排除这些研究并未实质性改变结果，因此保留了它们作为主要分析，以最大化样本量和推广性。

发表偏倚评估：计划对漏斗图进行视觉检查，涵盖包括≥10项研究。由于所有结果均包含的研究少于10项，正式的检验如埃格尔回归检验被认为力度不足，通常不推荐使用。然而，对研究数量最多的结局（态度，n=9）进行了探索性埃格尔回归检验作为事后分析。由于统计检验力较低，结果应极为谨慎地解读。

软件：所有统计分析均使用Review Manager（RevMan）软件，版本5.4（丹麦哥本哈根Cochrane Collaboration）。

Results

在审查了2245篇相关出版物后，2021年至2025年间发表的9项研究符合纳入标准^{26、27、28、29、30、31、32、33、34}。 表2 总结了这些研究的发现。共研究了3648名护士。暴露定义在各研究中有所不同，但始终涵盖了自我报告的知识、先前培训或对护理实践中人工智能应用的熟悉度。所有研究均采用横断面设计。

Discussion

本次荟萃分析共研究了9项研究，共3648名护士，编号^为26,27,28,29,30,31,32,33,34。本荟萃分析比较了那些报告了解人工智能在护理实践中使用情况的护士与不了解的护士。在九项研究中，知识分子在感知、态度和意图等指标上得分始终较高。四个结局的差异均为统计学上显著，合并平均差异范围为1.43（感知）至6.79（知识）。

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
科克伦图书馆	科克伦图书馆	https://www.cochranelibrary.com/
Embase	Embase	https://www.embase.com/landing?status=grey
尾注X9	科瑞验分析	https://support.clarivate.com/Endnote/s/?language=en_US	用于重复删除和引用组织的参考文献管理软件
谷歌学术	谷歌	https://scholar.google.com/
乔安娜·布里格斯研究所（JBI）关键评估清单	乔安娜·布里格斯研究所	https://jbi.global/critical-appraisal-tools	分析横断面研究的质量评估工具
Microsoft Excel	Microsoft公司	https://www.microsoft.com/en-us	数据提取表单开发;数据管理;统计换算
奥维德	奥维德	https://www.ovid.com/
PRISMA 2020 流程图模板	PRISMA工作组	https://www.prisma-statement.org/prisma-2020-flow-diagram	研究选择流程图模板
PubMed（出版医学）	美国国立卫生研究院	https://pubmed.ncbi.nlm.nih.gov/
审查经理（RevMan）及nbsp;	考克伦协作组	版本5.4	用于准备和维护Cochrane综述的软件;用于荟萃分析（池化、森林图、异质性、敏感性分析）。