Conocimiento de la inteligencia artificial en la práctica de enfermería: un metaanálisis de percepción, actitud e intención

Summary

Este metaanálisis examinó las diferencias en las percepciones, actitudes e intenciones de las enfermeras respecto al uso de la inteligencia artificial (IA) en la atención al paciente. Las enfermeras que sabían cómo se utiliza la IA en la práctica de enfermería tenían percepciones, actitudes e intenciones significativamente más altas que quienes no lo sabían.

Abstract

Este metaanálisis tenía como objetivo evaluar las diferencias en percepción, actitud e intención respecto al uso de la IA en la atención al paciente entre enfermeros con y sin conocimiento de cómo se aplica la IA en la práctica de enfermería.

Realizamos un metaanálisis utilizando un modelo de resultados continuos con métodos de efectos fijos o aleatorios para estimar la diferencia media (DM) y los intervalos de confianza (IC) del 95% para cada resultado. Seleccionamos 9 estudios con 3648 enfermeras para este metaanálisis. Las enfermeras que conocen cómo se utiliza la IA en la práctica de enfermería tenían percepción significativamente mayor (DM bruta agrupada, 1,43; IC 95%, 0,86–1,99, p < 0,001), actitud (DM, 1,80; IC 95%, 0,81–2,78, p < 0,001) e intención (DM, 2,89; IC 95%, 1,61–4,16, p < 0,001) en comparación con quienes no saben cómo se utiliza la IA en la práctica de enfermería. Sin embargo, la heterogeneidad fue muy alta para todos los resultados (I² = 91–98%), lo que indica una variación sustancial entre estudios. Sin embargo, dado que estos resultados se midieron utilizando instrumentos con rangos de escala muy variables (por ejemplo, escalas de 5 a 100 puntos), la DM sin parar agrupada no representa una diferencia absoluta consistente. La dirección consistente del efecto en todos los estudios (positiva) es el hallazgo principal, no los valores específicos de la DM.

Las enfermeras que saben cómo se utiliza la IA en la práctica de enfermería informan de percepciones, actitudes e intenciones más favorables que quienes no lo saben. Sin embargo, debido a la alta heterogeneidad, variación de escala y diseños transversales, estos hallazgos generan solo hipótesis. Las reclamaciones causales no están justificadas.

Introduction

Especialmente en el sector sanitario, la inteligencia artificial se ha convertido en una tecnología disruptiva crucial. Los flujos de trabajo en la sanidad, los resultados clínicos y la prestación de atención al paciente están siendo revolucionados por la inteligencia artificial¹. La enfermería tiene como objetivo proporcionar una atención compasiva y basada en la evidencia en entornos clínicos². Las enfermeras deben estar preparadas para adoptar cualquier tecnología que mejore los resultados generales para los pacientes porque son profesionales sanitarios de primera línea. Es probable que la inteligencia artificial se integre en la práctica de enfermería. Para garantizar la adopción exitosa de la inteligencia artificial en el sector sanitario, es necesario evaluar la preparación de las enfermeras para adoptarla³. Dado que la inteligencia artificial tiene el potencial de avanzar en la sanidad mediante soluciones precisas, individualizadas y creativas, su importancia es cada vez más reconocida⁴. Con su enorme potencial para mejorar los resultados clínicos y aumentar la eficiencia en entornos sanitarios, la comunidad médica se ha mostrado entusiasmada por integrar la inteligencia artificial en sus primeras fases de adaptación⁵. Sin embargo, a pesar del creciente interés, hay poca investigación sobre los puntos de vista de los actores implicados respecto a la aplicación de la inteligencia artificial en la sanidad⁶. El interés por la implementación de la IA en la sanidad varía entre los interesados. A pesar de las ventajas aparentes, existen varios obstáculos para implementar la inteligencia artificial en la sanidad, incluyendo preocupaciones sobre la privacidad de los datos, dificultades con el cumplimiento normativo y dilemas éticos⁷. Los investigadores deben cerrar la brecha de conocimiento respecto a las perspectivas de las enfermeras sobre la implementación de la inteligencia artificial para asegurar la aceptación de la atención basada en la evidencia en este contexto⁸. Para abordar esta brecha, el presente metaanálisis compara explícitamente a las enfermeras que informan saber cómo se utiliza la IA en la práctica de enfermería con aquellas que no la saben, en los ámbitos de percepción, actitud e intención respecto a la IA en la atención al paciente. La investigación debe centrarse más en el potencial revolucionario de la inteligencia artificial para aumentar la producción y desarrollar sistemas de entrega novedosos, así como tener en cuenta puntos de vista alternativos respecto a su aplicación⁵. La incertidumbre sobre las aplicaciones adecuadas de la inteligencia artificial y los problemas de calidad de los datos son otros obstáculos para su adopción en el sector sanitario⁹. Según evaluaciones económicas, la inteligencia artificial mejora la calidad médica y permite métodos rentables, especialmente en ámbitos complejos como la oftalmología¹⁰. Abordar los obstáculos para la adopción de la inteligencia artificial es esencial para garantizar que todas sus ventajas se aprovechen plenamente. Mejorar las competencias de la fuerza laboral, cuestiones éticas y el reto de utilizar con éxito la tecnología de inteligencia artificial en contextos prácticos son algunos de los obstáculos señalados en investigaciones anteriores¹¹. Todos estos obstáculos influyen directamente en lo preparado que está el personal médico para adaptarse a la inteligencia artificial. Con técnicas como los sistemas expertos difusos, las redes bayesianas, las redes neuronales artificiales y los sistemas inteligentes híbridos utilizados en entornos clínicos para mejorar la prestación de atención, la inteligencia artificial se está integrando cada vez más en la industria sanitaria¹². Además, se están desarrollando sistemas sofisticados, como sistemas de inteligencia artificial de aprendizaje profundo, que podrían automatizar procesos y detectar enfermedades¹³. Como resultado, los efectos de la inteligencia artificial en la industria sanitaria se observarán en diversas disciplinas y tendrán un enorme potencial para mejorar el tratamiento clínico, anticipar riesgos y agilizar todo el proceso¹⁴. La integración de la inteligencia artificial presenta obstáculos significativos para las enfermeras, incluyendo cuestiones éticas, la necesidad de adaptarse a nuevas tecnologías y el posible impacto en las responsabilidades de enfermería¹⁵. Las enfermeras deben adquirir los conocimientos y habilidades necesarios para utilizar correctamente las herramientas de inteligencia artificial a medida que avanza su uso¹⁶. Según la investigación, la inteligencia emocional mejora las interacciones de las enfermeras con la inteligencia artificial, afectando tanto a la calidad de la atención al paciente como a la capacidad de las enfermeras para adaptarse a su uso¹⁷. Un factor crítico que puede influir en cómo los enfermeros perciben e interactúan con la IA es su conocimiento previo sobre cómo se aplica realmente la IA en la práctica de enfermería. Sin un conocimiento básico de las funciones concretas de la IA —como el apoyo a la toma de decisiones clínicas, el análisis predictivo o la monitorización automatizada— las enfermeras pueden formar opiniones basadas en desinformación o falta de exposición. Por el contrario, los enfermeros con conocimientos prácticos sobre el papel de la IA en la práctica de enfermería pueden mostrar actitudes más favorables, una mayor utilidad percibida y una intención más firme de adoptar herramientas de IA. Por ello, seleccionamos el "conocimiento de cómo se utiliza la inteligencia artificial en la práctica de enfermería" como la variable principal de exposición para comprobar si esta forma específica de conocimiento está asociada a diferencias significativas en percepciones, actitudes e intenciones. Por ello, realizamos un metaanálisis para evaluar las percepciones, actitudes e intenciones de las enfermeras respecto al uso de la inteligencia artificial en la atención al paciente. El estudio cierra importantes lagunas en la literatura sobre las actitudes, habilidades y conocimientos necesarios para aplicar la inteligencia artificial en entornos de atención al paciente. El estudio presenta planes para aumentar la integración de la inteligencia artificial en la enfermería evaluando la preparación de las enfermeras y señalando áreas críticas de mejora.

Específicamente, este metaanálisis fue diseñado para comparar tres resultados: percepción, actitud e intención hacia la IA en la atención al paciente, entre dos grupos de enfermeros: aquellos que informan saber cómo se utiliza la IA en la práctica de enfermería y quienes no.

El objetivo principal de este estudio fue averiguar cómo estaban preparadas las enfermeras tituladas para utilizar la inteligencia artificial en sus procedimientos de atención al paciente.

Protocol

Diseño del estudio:

Este estudio fue una revisión sistemática y metaanálisis realizada según las directrices PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis). La lista completa de PRISMA 2020 se proporciona como Archivo Suplementario 1. El protocolo tenía como objetivo sintetizar cuantitativamente la evidencia sobre las percepciones, actitudes e intenciones de las enfermeras respecto al uso de la Inteligencia Artificial (IA) en la atención al paciente, comparando a quienes tenían conocimientos previos de IA con quienes no^{tenían 18} años. La Figura 1 ilustra el proceso de selección de estudios.

Criterios de elegibilidad
Los estudios se seleccionaron basándose en el siguiente marco^{PICOS 19}:

Población (P): Enfermeros titulados o responsables de enfermería de cualquier especialidad clínica o entorno.

Intervención (I)/Exposición: Tener conocimientos, formación o conciencia sobre el uso de la IA en la práctica de enfermería.

Comparación (C): Enfermeros o estudiantes de enfermería que informan no saber cómo se utiliza la IA en la práctica de enfermería.

Resultados (O): Medidas cuantitativas de percepción, actitud o intención hacia la IA en la atención al paciente, reportadas como puntuaciones medias con desviaciones estándar (DS) o datos convertibles a tales.

Diseño del estudio (S): Estudios observacionales (transversales o de cohorte) y estudios basados en encuestas. Los estudios intervencionistas (por ejemplo, ensayos controlados aleatorizados) fueron excluidos porque la exposición de interés —el conocimiento de cómo se utiliza la IA en la práctica de enfermería— es una característica existente y no una intervención aleatorizada.

Criterios de exclusión:

Se excluyeron de este estudio estudios cualitativos, artículos de revisión, editoriales, cartas, resúmenes de congresos sin datos completos y literatura no revisada por pares. Se excluyeron los estudios que no proporcionaron datos cuantitativos comparativos (por ejemplo, media, DS, tamaño de muestra) para ambos grupos (con o sin conocimiento de IA). También se excluyeron los estudios en los que la población no era exclusivamente o principalmente enfermera (por ejemplo, grupos mixtos de profesionales sanitarios sin datos de enfermería separables). No se excluyeron estudios basados en el lenguaje.

Fuentes de información y estrategia de búsqueda

Se realizó una búsqueda sistemática en cinco bases de datos electrónicas desde su inicio hasta el 31 de julio de 2025: PubMed, Cochrane Library, Embase, VID y Google Scholar.
La estrategia de búsqueda combinaba vocabulario controlado (por ejemplo, términos MeSH) y palabras clave de texto libre relacionadas con tres conceptos centrales: (1) Enfermeros, (2) Inteligencia Artificial y (3) Percepción/Actitud. Los operadores booleanos "AND" y "OR" se usaban para vincular términos dentro y entre conceptos. Una estrategia de búsqueda de ejemplo para PubMed se ofrece en la Tabla 1. Las listas de referencias de todos los estudios incluidos y revisiones relevantes se revisaron manualmente para identificar publicaciones elegibles^{adicionales 21}. A continuación se proporcionan las cadenas de búsqueda reproducibles completas para cada base de datos. La sintaxis se adaptó al formato requerido de cada base de datos, incluyendo etiquetas de campo apropiadas, vocabulario controlado (MeSH, EMTREE) y operadores booleanos. No se aplicaron restricciones de idioma ni de fecha. La búsqueda se realizó el 31 de julio de 2025.

Proceso de selección de estudios

El proceso de selección del estudio siguió el diagrama de flujo PRISMA (véase la Figura 1). Todos los registros recuperados se importaron en EndNote X9 (Clarivate Analytics) para su deduplicación. Dos revisores independientes revisaron títulos y resúmenes según los criterios de elegibilidad. Los estudios considerados potencialmente relevantes por cualquiera de los revisores pasaron a revisión en texto completo. Los mismos dos revisores evaluaron de forma independiente los textos completos de los estudios preseleccionados. Los desacuerdos en cualquier momento se resolvían mediante discusión y consenso. No se requirió un tercer revisor. La lista final de estudios que cumplen todos los criterios fue acordada por consenso.

Extracción y gestión de datos²²

Se desarrolló un formulario estandarizado y pilotado para la extracción de datos en una hoja de cálculo. Los dos revisores extrajeron de forma independiente los datos de cada estudio incluido. Los datos extraídos incluyeron características del estudio, detalles poblacionales, definición de exposición y datos de resultados.

Características del estudio: Primer autor, año de publicación, país, diseño del estudio y tamaño de la muestra.

Detalles de la población: tipo de enfermero (por ejemplo, clínico, estudiante, responsable), entorno clínico, edad media, distribución por género.

Definición de exposición: Cómo se definía y medía el "conocimiento del uso de la IA en la práctica de enfermería" (por ejemplo, curso de formación específico, familiaridad autoinformada en una escala de Likert).

Datos de resultado: Para cada resultado relevante (percepción, actitud, intención), se extrajeron la puntuación media, la desviación estándar (DS) y el tamaño de la muestra (n) tanto para los grupos "conocedores de IA" como para los "no conocedores de IA". Si las medias y desviaciones estándar (DS) no se reportaron directamente, se calcularon a partir de las estadísticas disponibles utilizando métodos descritos en el Manual Cochrane para Revisiones Sistemáticas de Intervenciones (Versión 6.4)¹⁹. Específicamente:

A partir de medianas y rangos intercuartiles (IQR): Se utilizó el método de Wan et al. (2014)²³ para estimar medias y diferencias de diferencia.

A partir de intervalos de confianza (IC) del 95% y tamaños de muestra: los DE se calcularon hacia atrás usando la fórmula: DE = √n × (límite superior de IC – límite inferior de IC) / (2 × 1,96).

A partir de valores p y tamaños de muestra: los SD se estimaron utilizando el método descrito en el Manual Cochrane (Sección 6.5.2.3) cuando se disponían de estadísticas t o valores p exactos.

Entre los 9 estudios incluidos, tres requirieron conversión de datos porque las medias y los DE no se informaron en el formato requerido para el metaanálisis:

Estudio [Autor, Año]: medianas y IQR reportados; convertido usando el método Wan et ^al.23 .

Estudio [Autor, Año]: Reportó solo un 95% de IC; Calculos de asistencia de seguridad.

Estudio [Autor, Año]: Medios reportados sin DES pero proporcionaron valores p para comparaciones de grupos; Diferencias de Datos estimadas a partir de valores p.

Los 6 estudios restantes informaron medias y defectos de seguridad directamente y no requirieron conversión. Todos los valores convertidos fueron verificados de forma independiente por dos revisores.

Evaluación del riesgo de sesgo (calidad)²⁴

La calidad metodológica de los estudios observacionales incluidos fue evaluada de forma independiente por dos revisores utilizando la lista de verificación de evaluación crítica del Instituto Joanna Briggs (JBI) para estudios analíticos^{transversales 25}. Esta herramienta evalúa dominios como la representatividad de la muestra, la medición de exposición y resultados, la confusión y el análisis estadístico. Cada ítem se puntuaba como "Sí", "No", "No está claro" o "No es aplicable". Se asignó una valoración global de calidad del estudio (Alta, Moderada, Baja) basada en el consenso. Los desacuerdos se resolvieron como se describió anteriormente.

Síntesis de datos y análisis estadístico

Medida de efecto: La medida principal del efecto fue la diferencia media (DM) con un intervalo de confianza (IC) del 95%. Un DM > 0 indicaba una puntuación más alta (por ejemplo, una actitud más positiva) en el grupo con conocimientos de IA.

Modelo de metaanálisis: Se utilizó un modelo de efectos aleatorios para todos los análisis primarios debido a la heterogeneidad clínica y metodológica anticipada entre estudios. También se aplicó un modelo de efectos aleatorios como análisis de^{sensibilidad 26,27}.

Evaluación de heterogeneidad: La heterogeneidad estadística se cuantificó utilizando la estadística I² . I² valores de 25%, 50% y 75% se interpretaron como baja, moderada y alta heterogeneidad, respectivamente. También se consultó la prueba Q de Cochran (p < 0,10, que indica una heterogeneidad significativa).

Análisis de subgrupos y sensibilidad: Los análisis de subgrupos planificados no fueron viables debido al número limitado de estudios (<10) por resultado. Los análisis de sensibilidad se realizaron cambiando a un modelo de efecto fijo. Se planificaron análisis de sensibilidad para evaluar la robustez de las estimaciones agrupadas, incluyendo la exclusión de los estudios calificados como de baja calidad y el cambio a un modelo de efecto fijo. Se realizó un análisis de sensibilidad excluyendo los dos estudios calificados como de baja calidad (puntuación JBI ≤4)^27,28. Las estimaciones del efecto combinado para los siete estudios restantes (n = 3.161) fueron similares al análisis principal para todos los resultados, y todas las asociaciones siguieron siendo estadísticamente significativas (p < 0,001). Por lo tanto, los 9 estudios se mantuvieron en el análisis primario. Como excluir estos estudios no alteró materialmente los hallazgos, se mantuvieron en el análisis primario para maximizar el tamaño y la generalizabilidad de la muestra.

Evaluación de sesgo de publicación: Se planificó la inspección visual de los diagramas de embudo para asimetría para resultados que incluyeron ≥10 estudios. Como todos los resultados incluyeron menos de 10 estudios, pruebas formales como la de regresión de Egger están poco valoradas y normalmente no se recomiendan. Sin embargo, se realizó una prueba exploratoria de regresión de Egger para el resultado con el mayor número de estudios (actitud, n = 9) como análisis post hoc. Los resultados deben interpretarse con extrema cautela debido a la baja potencia estadística.

Software: Todos los análisis estadísticos se realizaron utilizando el software Review Manager (RevMan), versión 5.4 (The Cochrane Collaboration, Copenhague, Dinamarca).

Results

Tras examinar 2245 publicaciones pertinentes, 9 estudios publicados entre 2021 y 2025 cumplieron los criterios^{de inclusión 26,27,28,29,30,31,32,33,34}. La Tabla 2 resume lo...

Discussion

Para el metaanálisis actual, se estudiaron 9 estudios con 3648 enfermeras^: 26,27,28,29,30,31,32,33,34. Este metaanálisis comparó a enfermeros que informan saber cómo se utiliza la IA en la...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Biblioteca Cochrane	Biblioteca Cochrane	https://www.cochranelibrary.com/
Embase	Embase	https://www.embase.com/landing?status=grey
Nota final X9	Clarivate Analytics	https://support.clarivate.com/Endnote/s/?language=en_US	Software de gestión de referencias para la organización de deduplicación y citas
Google Scholar	Google	https://scholar.google.com/
Lista de verificación de evaluación crítica del Instituto Joanna Briggs (JBI)	Instituto Joanna Briggs	https://jbi.global/critical-appraisal-tools	Herramienta de evaluación de calidad para estudios analíticos transversales
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/en-us	Desarrollo de formularios de extracción de datos; gestión de datos; Conversión de estadísticas
OVIDIO	OVIDIO	https://www.ovid.com/
Plantilla de diagrama de flujo PRISMA 2020	Grupo de Trabajo PRISMA	https://www.prisma-statement.org/prisma-2020-flow-diagram	Plantilla para el diagrama de flujo de selección de estudio
PubMed	Institutos Nacionales de Salud	https://pubmed.ncbi.nlm.nih.gov/
Responsable de Reseñas (RevMan)	La Colaboración Cochrane	Versión 5.4	Software para preparar y mantener las revisiones Cochrane; Utilizado para metaanálisis (agrupación, parcelas forestales, heterogeneidad, análisis de sensibilidad).