Wissen über Künstliche Intelligenz in der Pflegepraxis: Eine Metaanalyse von Wahrnehmung, Einstellung und Absicht

Summary

Diese Metaanalyse untersuchte Unterschiede in den Wahrnehmungen, Einstellungen und Absichten der Pflegekräfte bezüglich des Einsatzes von künstlicher Intelligenz (KI) in der Patientenversorgung. Pflegekräfte, die wussten, wie KI in der Pflegepraxis eingesetzt wird, hatten deutlich höhere Wahrnehmungen, Einstellungen und Absichten als diejenigen, die es nicht wussten.

Abstract

Diese Metaanalyse zielte darauf ab, Unterschiede in Wahrnehmung, Einstellung und Absicht bezüglich des Einsatzes von KI in der Patientenversorgung zwischen Pflegekräften mit und ohne Wissen darüber, wie KI in der Pflegepraxis angewendet wird, zu bewerten.

Wir führten eine Metaanalyse mit einem kontinuierlichen Ergebnismodell mit entweder festen oder randomen Effekten durch, um den mittleren Unterschied (MD) und die 95%-Konfidenzintervalle (KI) für jedes Ergebnis zu schätzen. Wir wählten 9 Studien mit 3648 Pflegekräften für diese Metaanalyse aus. Pflegekräfte, die wissen, wie KI in der Pflegepraxis eingesetzt wird, hatten signifikant höhere Wahrnehmung (gepoolte Roh-MD, 1,43; 95%-KI, 0,86–1,99, S. < 0,001), Einstellung (MD, 1,80; 95%-KI, 0,81–2,78, S. < 0,001) und Absicht (MD, 2,89; 95%-KI, 1,61–4,16, S. < 0,001) als diejenigen, die nicht wissen, wie KI in der Pflegepraxis eingesetzt wird. Die Heterogenität war jedoch für alle Endpunkte sehr hoch (I² = 91–98 %), was auf erhebliche Unterschiede zwischen den Studien hindeutet. Da diese Ergebnisse jedoch mit Instrumenten mit stark unterschiedlichen Skalenbereichen (z. B. 5-Punkte- bis 100-Punkte-Skalen) gemessen wurden, stellt das gesammelte rohe MD keine konsistente absolute Differenz dar. Die konsistente Wirkungsrichtung in allen Studien (positiv) ist der Hauptbefund, nicht die spezifischen MD-Werte.

Pflegekräfte, die wissen, wie KI in der Pflegepraxis eingesetzt wird, berichten von positiveren Wahrnehmungen, Einstellungen und Absichten als diejenigen, die es nicht wissen. Aufgrund hoher Heterogenität, Größenvariationen und Querschnittsdesigns sind diese Ergebnisse jedoch nur hypothesenbildend. Kausale Behauptungen sind nicht gerechtfertigt.

Introduction

Insbesondere im Gesundheitswesen ist künstliche Intelligenz zu einer entscheidenden disruptiven Technologie geworden. Gesundheitsabläufe, klinische Ergebnisse und Patientenversorgung werden alle durch künstliche Intelligenz revolutioniert¹. Die Pflege zielt darauf ab, einfühlsame, evidenzbasierte Versorgung in klinischen Umgebungen zu bieten². Pflegekräfte müssen bereit sein, jede Technologie zu nutzen, die die Gesamtergebnisse der Patienten verbessert, da sie als medizinische Fachkräfte an vorderster Front tätig sind. Künstliche Intelligenz wird voraussichtlich in die Pflegepraxis integriert werden. Um die erfolgreiche Einführung von Künstlicher Intelligenz im Gesundheitswesen zu gewährleisten, ist es notwendig, die Bereitschaft der Pflegekräfte zu bewerten, um sie anzunehmen³. Da künstliche Intelligenz das Potenzial hat, die Gesundheitsversorgung durch präzise, individuelle und kreative Lösungen voranzubringen, wird ihre Bedeutung zunehmend anerkannt⁴. Mit ihrem enormen Potenzial, klinische Ergebnisse zu verbessern und die Effizienz im Gesundheitswesen zu steigern, ist die medizinische Gemeinschaft begeistert davon, künstliche Intelligenz in ihren frühen Anpassungsphasen zu integrieren⁵. Trotz wachsendem Interesse gibt es jedoch wenig Forschung zu den Standpunkten der Beteiligten zur Anwendung künstlicher Intelligenz im Gesundheitswesen⁶. Das Interesse an der KI-Implementierung im Gesundheitswesen variiert je nach Stakeholder. Trotz der offensichtlichen Vorteile gibt es eine Reihe von Hindernissen bei der Implementierung künstlicher Intelligenz im Gesundheitswesen, darunter Bedenken hinsichtlich des Datenschutzes, Schwierigkeiten bei der Einhaltung gesetzlicher Vorschriften und ethische Dilemmata⁷. Forscher müssen die Wissenslücke bezüglich der Perspektiven von Pflegekräften auf die Implementierung künstlicher Intelligenz schließen, um die Akzeptanz evidenzbasierter Versorgung in diesem Kontext sicherzustellen⁸. Um diese Lücke zu schließen, vergleicht die vorliegende Metaanalyse explizit Pflegekräfte, die angeben, zu wissen, wie KI in der Pflegepraxis eingesetzt wird, mit denen, die dies nicht wissen, in den Bereichen Wahrnehmung, Einstellung und Absicht bezüglich KI in der Patientenversorgung. Die Forschung muss sich stärker auf das revolutionäre Potenzial der künstlichen Intelligenz konzentrieren, um die Produktion zu steigern und neue Liefersysteme zu entwickeln, sowie alternative Perspektiven zu ihrer Anwendung berücksichtigen⁵. Unsicherheiten hinsichtlich der angemessenen Anwendung künstlicher Intelligenz und Probleme mit der Datenqualität sind weitere Hindernisse für deren Einführung im Gesundheitswesen⁹. Laut wirtschaftlichen Bewertungen verbessert künstliche Intelligenz die medizinische Qualität und ermöglicht kosteneffiziente Methoden, insbesondere in komplexen Bereichen wie der Augenheilkunde,¹⁰. Die Bewältigung der Hindernisse für die Einführung künstlicher Intelligenz ist entscheidend, um sicherzustellen, dass all ihre Vorteile voll ausgeschöpft werden. Die Weiterbildung der Belegschaft, ethische Fragen und die Herausforderung, künstliche Intelligenz erfolgreich in praktischen Kontexten einzusetzen, sind einige der in früheren Forschungen festgestellten Hindernisse¹¹. All diese Hindernisse haben einen direkten Einfluss darauf, wie gut medizinisches Personal auf die Anpassung an künstliche Intelligenz vorbereitet ist. Mit Techniken wie Fuzzy-Expertensystemen, Bayesschen Netzwerken, künstlichen neuronalen Netzen und hybriden intelligenten Systemen, die in klinischen Umgebungen zur Verbesserung der Versorgung eingesetzt werden, wird künstliche Intelligenz zunehmend in die Gesundheitsbranche integriert¹². Zusätzlich werden ausgefeilte Systeme entwickelt, wie Deep-Learning-KI-Systeme, die möglicherweise Prozesse automatisieren und Krankheiten erkennen können¹³. Daher werden die Auswirkungen künstlicher Intelligenz in der Gesundheitsbranche in verschiedenen Disziplinen sichtbar sein und ein enormes Potenzial haben, die klinische Behandlung zu verbessern, Risiken vorherzusehen und den gesamten Prozess zu optimieren¹⁴. Die Integration künstlicher Intelligenz stellt für Pflegekräfte erhebliche Hürden dar, darunter ethische Fragen, die Notwendigkeit, sich an neue Technologien anzupassen, und die potenziellen Auswirkungen auf die Pflegeaufgaben¹⁵. Pflegekräfte müssen das Wissen und die Fähigkeiten erwerben, die erforderlich sind, um künstliche Intelligenz-Werkzeuge richtig zu nutzen, während ihre Nutzung voranschreitet¹⁶. Forschungen zufolge verbessert emotionale Intelligenz die Interaktion der Pflegekräfte mit künstlicher Intelligenz, was sowohl die Qualität der Patientenversorgung als auch die Anpassungsfähigkeit der Pflegekräfte an deren Nutzung beeinflusst¹⁷. Ein entscheidender Faktor, der beeinflussen kann, wie Pflegekräfte KI wahrnehmen und mit ihr interagieren, ist ihr bisheriges Wissen darüber, wie KI tatsächlich in der Pflegepraxis angewendet wird. Ohne ein grundlegendes Verständnis der konkreten Funktionen von KI – wie klinische Entscheidungsunterstützung, prädiktive Analysen oder automatisiertes Monitoring – können Pflegekräfte aufgrund von Fehlinformationen oder mangelnder Exposition Meinungen bilden. Umgekehrt können Pflegekräfte mit praktischem Wissen über die Rolle von KI in der Pflegepraxis günstigere Einstellungen, einen größeren wahrgenommenen Nutzen und stärkere Absichten zeigen, KI-Werkzeuge zu übernehmen. Daher wählten wir "Wissen darüber, wie künstliche Intelligenz in der Pflegepraxis eingesetzt wird" als primäre Expositionsvariable, um zu testen, ob diese spezifische Wissensform mit sinnvollen Unterschieden in Wahrnehmungen, Einstellungen und Absichten verbunden ist. Daher führten wir eine Metaanalyse durch, um die Wahrnehmungen, Einstellungen und Absichten der Pflegekräfte bezüglich des Einsatzes künstlicher Intelligenz in der Patientenversorgung zu bewerten. Die Studie schließt wichtige Lücken in der Literatur zu den Einstellungen, Fähigkeiten und Wissen, die für den Einsatz künstlicher Intelligenz in der Patientenversorgung erforderlich sind. Die Studie bietet Pläne, die Integration künstlicher Intelligenz in der Pflege zu erhöhen, indem die Bereitschaft der Pflegekräfte bewertet und kritische Verbesserungsbereiche identifiziert werden.

Konkret wurde diese Metaanalyse entwickelt, um drei Ergebnisse – Wahrnehmung, Einstellung und Absicht gegenüber KI in der Patientenversorgung – zwischen zwei Pflegegruppen zu vergleichen: denen, die angeben, zu wissen, wie KI in der Pflegepraxis eingesetzt wird, und denen, die das nicht wissen.

Das Hauptziel dieser Studie war herauszufinden, wie gut examinierte Pflegekräfte darauf vorbereitet sind, künstliche Intelligenz in ihrer Patientenversorgung einzusetzen.

Protocol

Studiendesign:

Diese Studie war eine systematische Übersichtsarbeit und Metaanalyse, die gemäß den Richtlinien Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) durchgeführt wurde. Die ausgefüllte PRISMA-2020-Checkliste wird als Supplementary File 1 bereitgestellt. Das Protokoll zielte darauf ab, quantitativ Evidenz über die Wahrnehmungen, Einstellungen und Absichten der Pflegekräfte bezüglich des Einsatzes von Künstlicher Intelligenz (KI) in der Patientenversorgung zu synthetisieren und diejenigen mit vorherigen KI-Kenntnissen mit denen ohne¹⁸ zu vergleichen. Abbildung 1 veranschaulicht den Auswahlprozess der Studien.

Zulassungskriterien
Die Studien wurden auf Grundlage des folgenden PICOS-Rahmens^{ausgewählt: 19}:

Population (P): Registrierte Pflegekräfte oder Pflegeleiter jeder klinischen Fachrichtung oder Einrichtung.

Intervention (I)/Exposition: Kenntnisse, Schulungen oder Bewusstsein für den Einsatz von KI in der Pflegepraxis.

Vergleich (C): Pflegekräfte oder Pflegestudierende, die berichten, nicht zu wissen, wie KI in der Pflegepraxis eingesetzt wird.

Ergebnisse (O): Quantitative Maße für Wahrnehmung, Einstellung oder Absicht gegenüber KI in der Patientenversorgung, die als Mittelwerte mit Standardabweichungen (SD) oder Daten, die in solche umgewandelt werden können, gemeldet werden.

Studiendesign (S): Beobachtungsstudien (Querschnitts- oder Kohortenstudien) und Umfragestudien. Interventionelle Studien (z. B. randomisierte kontrollierte Studien) wurden ausgeschlossen, weil die interessierende Exposition – das Wissen darüber, wie KI in der Pflegepraxis eingesetzt wird – ein bestehendes Merkmal ist und keine randomisierte Intervention.

Ausschlusskriterien:

Qualitative Studien, Übersichtsartikel, Leitartikel, Leserbriefe, Konferenzabstracts ohne vollständige Daten und nicht peer-reviewte Literatur wurden aus dieser Studie ausgeschlossen. Studien, die keine vergleichenden quantitativen Daten (z. B. Mittelwert, SD, Stichprobengröße) für die beiden Gruppen (mit vs. ohne KI-Wissen) lieferten, wurden ausgeschlossen. Studien, in denen die Population nicht ausschließlich oder überwiegend aus Pflegekräften bestand (z. B. gemischte Gruppen von Gesundheitsfachkräften ohne trennbare Pflegedaten), wurden ebenfalls ausgeschlossen. Keine Studien wurden aufgrund der Sprache ausgeschlossen.

Informationsquellen und Suchstrategie

Eine systematische Suche in fünf elektronischen Datenbanken wurde von ihrer Gründung bis zum 31. Juli 2025^{durchgeführt:} PubMed, Cochrane Library, Embase, OVID und Google Scholar.
Die Suchstrategie kombinierte kontrollierten Wortschatz (z. B. MeSH-Begriffe) und Freitext-Schlüsselwörter, die sich auf drei Kernkonzepte beziehen: (1) Pflegekräfte, (2) Künstliche Intelligenz und (3) Wahrnehmung/Einstellung. Die Boolesche Operatoren "AND" und "OR" wurden verwendet, um Begriffe innerhalb und zwischen Konzepten zu verknüpfen. Eine Beispielsuchstrategie für PubMed ist in Tabelle 1 dargestellt. Die Literaturverzeichnisse aller eingeschlossenen Studien und relevanten Übersichtsartikel wurden manuell geprüft, um weitere geeignete Publikationen zu identifizieren²¹. Die vollständigen reproduzierbaren Suchstränge für jede Datenbank sind unten aufgeführt. Die Syntax wurde an das erforderliche Format jeder Datenbank angepasst, einschließlich entsprechender Feld-Tags, kontrolliertem Vokabular (MeSH, EMTREE) und booleschen Operatoren. Es wurden keine Sprach- oder Datumsbeschränkungen angewendet. Die Durchsuchung erfolgte am 31. Juli 2025.

Auswahlverfahren der Studien

Der Auswahlprozess der Studien folgte dem PRISMA-Flussdiagramm (siehe Abbildung 1). Alle abgerufenen Datensätze wurden zur Deduplizierung in EndNote X9 (Clarivate Analytics) importiert. Zwei unabhängige Gutachter prüften Titel und Abstracts anhand der Zulassungskriterien. Studien, die von beiden Gutachtern als potenziell relevant erachtet wurden, wurden zur Volltextbegutachtung überführt. Die gleichen beiden Gutachter bewerteten unabhängig voneinander die vollständigen Texte der ausgewählten Studien. Meinungsverschiedenheiten in jedem Stadium wurden durch Diskussion und Konsens gelöst. Ein dritter Gutachter war nicht erforderlich. Die endgültige Liste der Studien, die alle Kriterien erfüllten, wurde im Konsens vereinbart.

Datenextraktion und -verwaltung²²

Ein standardisiertes, pilotiertes Datenextraktionsformular wurde in einer Tabellenkalkulation entwickelt. Die beiden Gutachter extrahierten unabhängig voneinander Daten aus jeder eingeschlossenen Studie. Die extrahierten Daten enthielten Studienmerkmale, Populationsdetails, Expositionsdefinition und Ergebnisdaten.

Studienmerkmale: Erstautor, Veröffentlichungsjahr, Land, Studiendesign und Stichprobengröße.

Populationsdetails: Pflegetyp (z. B. klinisch, student, Manager), klinischer Umfeld, Durchschnittsalter, Geschlechterverteilung.

Expositionsdefinition: Wie "Wissen über den Einsatz von KI in der Pflegepraxis" definiert und gemessen wurde (z. B. spezifischer Trainingskurs, selbstberichtete Vertrautheit auf einer Likert-Skala).

Ergebnisdaten: Für jedes relevante Ergebnis (Wahrnehmung, Einstellung, Absicht) wurden der Durchschnittswert, die Standardabweichung (SD) und die Stichprobengröße (n) sowohl für die "KI-kenntnisreiche" als auch für die "nicht KI-kenntnisvolle" Gruppe extrahiert. Wenn Mittelwerte und Standardabweichungen (SDs) nicht direkt berichtet wurden, wurden sie anhand verfügbarer Statistiken mit Methoden berechnet, die im Cochrane Handbook for Systematic Reviews of Interventions (Version 6.4)¹⁹ beschrieben sind. Konkret:

Aus Medianen und Interquartilbereichen (IQR): Die Methode von Wan et al. (2014)²³ wurde verwendet, um Mittelwerte und SDs zu schätzen.

Aus 95%-Konfidenzintervallen (KI) und Stichprobengrößen wurden SDs mit der Formel zurückberechnet: SD = √n × (obere KI-Grenze – untere KI-Grenze) / (2 × 1,96).

Aus p-Werten und Stichprobengrößen: SDs wurden mit der im Cochrane Handbook (Abschnitt 6.5.2.3) beschriebenen Methode geschätzt, als t-Statistiken oder exakte p-Werte verfügbar waren.

Unter den neun eingeschlossenen Studien erforderten drei Datenkonvertierung, da Mittelwerte und SDs nicht im für die Metaanalyse erforderlichen Format gemeldet wurden:

Studie [Autor, Jahr]: Berichtete Medianwerte und IQRs; mit der Methode Wan et ^al.23 umgewandelt.

Studie [Autor, Jahr]: Berichtete nur 95 % KI; SDs haben zurückberechnet.

Studie [Autor, Jahr]: Berichtete Mittelwerte ohne SDs, aber lieferte p-Werte für Gruppenvergleiche; SDs, die aus p-Werten geschätzt werden.

Die übrigen 6 Studien berichteten direkt über Mittelwerte und SDs und erforderten keine Umrechnung. Alle umgewandelten Werte wurden von zwei Prüfern unabhängig voneinander überprüft.

Bewertung des Verzerrungsrisikos (Qualitäts)²⁴

Die methodologische Qualität der eingeschlossenen Beobachtungsstudien wurde unabhängig von zwei Gutachtern unter Verwendung der kritischen Bewertungscheckliste des Joanna Briggs Institute (JBI) für analytische Querschnittsstudien^{bewertet 25}. Dieses Werkzeug bewertet Bereiche wie Stichprobenrepräsentativität, Expositions- und Ergebnismessung, Störung und statistische Analysen. Jeder Punkt wurde mit "Ja", "Nein", "Unklar" oder "Nicht anwendbar" bewertet. Eine Gesamtbewertung der Studienqualität (Höchst, Moderat, Niedrig) wurde auf Basis von Konsens vergeben. Meinungsverschiedenheiten wurden wie oben beschrieben beigelegt.

Datensynthese und statistische Analyse

Effektmaß: Das primäre Effektmaß war die mittlere Differenz (MD) mit einem 95%-Konfidenzintervall (KI). Ein MD > 0 zeigte eine höhere Punktzahl (z. B. eine positivere Einstellung) in der Gruppe mit KI-Wissen.

Meta-Analysemodell: Ein Random-Effects-Modell wurde für alle primären Analysen verwendet, da die klinische und methodische Heterogenität zwischen den Studien erwartet wurde. Ein Zufallseffektmodell wurde ebenfalls als Sensitivitätsanalyse^{angewandt 26,27}.

Heterogenitätsbewertung: Die statistische Heterogenität wurde mit der Statistik I² quantifiziert. ^I-2-Werte von 25 %, 50 % und 75 % wurden als niedrige, moderate und hohe Heterogenität interpretiert. Auch der Cochransche Q-Test (p < 0,10, was auf signifikante Heterogenität hinweist) wurde konsultiert.

Subgruppen- und Sensitivitätsanalyse: Geplante Subgruppenanalysen waren aufgrund der begrenzten Anzahl von Studien (<10) pro Ergebnis nicht machbar. Sensitivitätsanalysen wurden durchgeführt, indem auf ein Fixed-Effect-Modell umgestellt wurde. Sensitivitätsanalysen wurden geplant, um die Robustheit der gepoolten Schätzungen zu bewerten, einschließlich des Ausschlusses von Studien, die als minderwertig bewertet wurden, und der Wechsel zu einem Fixed-Effect-Modell. Eine Sensitivitätsanalyse, die die beiden als minderwertigen Studien ausschließt (JBI-Wert ≤4)^27,28, wurde durchgeführt. Die gepoolten Effekt-Schätzungen für die übrigen sieben Studien (n = 3.161) waren für alle Ergebnisse ähnlich wie die Hauptanalyse, und alle Assoziationen blieben statistisch signifikant (S. < 0,001). Daher wurden alle 9 Studien in der Primäranalyse beibehalten. Da das Ausschließen dieser Studien die Ergebnisse nicht wesentlich veränderte, wurden sie in der Primäranalyse beibehalten, um die Stichprobengröße und Verallgemeinerbarkeit zu maximieren.

Bewertung des Publikationsbias: Eine visuelle Inspektion der Funnel-Plots auf Asymmetrie wurde für Ergebnisse einschließlich ≥10 Studien geplant. Da alle Ergebnisse weniger als 10 Studien enthielten, sind formale Tests wie der Egger-Regressionstest unterkompetent und in der Regel nicht empfohlen. Allerdings wurde ein explorativer Eggerscher Regressionstest für das Ergebnis mit der größten Anzahl an Studien (Einstellung, n = 9) als Post-hoc-Analyse durchgeführt. Ergebnisse sollten aufgrund der geringen statistischen Stärke mit äußerster Vorsicht interpretiert werden.

Software: Alle statistischen Analysen wurden mit der Review Manager (RevMan)-Software, Version 5.4 (The Cochrane Collaboration, Kopenhagen, Dänemark) durchgeführt.

Results

Nach der Prüfung von 2245 relevanten Veröffentlichungen erfüllten 9 Studien, die zwischen 2021 und 2025 veröffentlicht wurden, die Einschlusskriterien 26,27,28,29,30,31,32,33,34. T...

Discussion

Für die aktuelle Metaanalyse wurden 9 Studien mit 3648 Pflegekräften untersucht: 26,27,28,29,30,31,32,33,34. Diese Metaanalyse verglich Pflegekräfte, die angeben, zu wissen, wie KI in der...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Cochrane-Bibliothek	Cochrane-Bibliothek	https://www.cochranelibrary.com/
Embase	Embase	https://www.embase.com/landing?status=grey
EndNote X9	Clarivate Analytics	https://support.clarivate.com/Endnote/s/?language=en_US	Referenzverwaltungssoftware für Deduplizierung und Zitationsorganisation
Google Scholar	Google	https://scholar.google.com/
Joanna Briggs Institute (JBI) Kritische Bewertungscheckliste	Joanna Briggs Institut	https://jbi.global/critical-appraisal-tools	Qualitätsbewertungsinstrument für analytische Querschnittsstudien
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/en-us	Entwicklung von Datenextraktionsformularen; Datenmanagement; Umstellung der Statistik
OVID	OVID	https://www.ovid.com/
PRISMA 2020 Flussdiagramm-Vorlage	PRISMA-Arbeitsgruppe	https://www.prisma-statement.org/prisma-2020-flow-diagram	Vorlage für Studienauswahl-Flussdiagramm
PubMed	Nationale Gesundheitsinstitute	https://pubmed.ncbi.nlm.nih.gov/
Review Manager (RevMan)	Die Cochrane-Kollaboration	Version 5.4	Software zur Erstellung und Pflege von Cochrane-Überprüfungen; Verwendet für Metaanalysen (Pooling, Waldflächen, Heterogenität, Sensitivitätsanalysen).