Method Article

La connaissance de l’intelligence artificielle dans la pratique infirmière : une méta-analyse de la perception, de l’attitude et de l’intention

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

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

Cette méta-analyse a examiné les différences dans les perceptions, attitudes et intentions des infirmières concernant l’utilisation de l’intelligence artificielle (IA) dans la prise en charge des patients. Les infirmières qui savaient comment l’IA est utilisée dans la pratique infirmière avaient des perceptions, attitudes et intentions nettement plus élevées que celles qui ne le savaient pas.

Abstract

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

Cette méta-analyse visait à évaluer les différences de perception, d’attitude et d’intention concernant l’utilisation de l’IA dans les soins aux patients entre les infirmiers ayant ou sans connaissance de l’application de l’IA dans la pratique infirmière.

Nous avons réalisé une méta-analyse utilisant un modèle de résultats continus avec des méthodes à effets fixes ou aléatoires pour estimer la différence moyenne (DM) et les intervalles de confiance (IC) à 95 % pour chaque résultat. Nous avons sélectionné 9 études avec 3648 infirmières pour cette méta-analyse. Les infirmiers qui connaissent l’utilisation de l’IA en pratique infirmière avaient une perception significativement plus élevée (DM brut regroupé, 1,43 ; IC 95 %, 0,86–1,99, p < 0,001), de l’attitude (DM, 1,80 ; IC 95 %, 0,81–2,78, p < 0,001) et de l’intention (DM, 2,89 ; IC 95 %, 1,61–4,16, p < 0,001) comparés à ceux qui ne savent pas comment l’IA est utilisée en pratique infirmière. Cependant, l’hétérogénéité était très élevée pour tous les critères (I2 = 91–98 %), indiquant une variation substantielle entre les études. Cependant, comme ces résultats ont été mesurés à l’aide d’instruments avec des plages d’échelle très variables (par exemple, des échelles de 5 à 100 points), la DM brute regroupée ne représente pas une différence absolue cohérente. La direction d’effet cohérente dans toutes les études (positive) est le résultat principal, et non les valeurs spécifiques de la DM.

Les infirmiers qui savent comment l’IA est utilisée dans la pratique infirmière rapportent des perceptions, attitudes et intentions plus favorables que ceux qui ne le savent pas. Cependant, en raison de la forte hétérogénéité, de la variation d’échelle et des conceptions transversales, ces résultats ne sont que générateurs d’hypothèses. Les revendications causales ne sont pas justifiées.

Introduction

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

En particulier dans le secteur de la santé, l’intelligence artificielle est devenue une technologie disruptive cruciale. Les flux de travail en santé, les résultats cliniques et la prestation des soins aux patients sont tous révolutionnés par l’intelligence artificielle1. L’infirmier(ère) vise à fournir des soins compatissants et fondés sur des preuves dans les milieux cliniques2. Les infirmiers doivent être prêts à adopter toute technologie qui améliore les résultats globaux des patients, car ils sont des professionnels de santé de première ligne. L’intelligence artificielle devrait être intégrée à la pratique infirmière. Pour assurer l’adoption réussie de l’intelligence artificielle dans le secteur de la santé, il est nécessaire d’évaluer la préparation des infirmiers à l’adopter3. Parce que l’intelligence artificielle a le potentiel de faire progresser les soins de santé grâce à des solutions précises, individualisées et créatives, son importance est de plus en plus reconnue4. Avec son potentiel énorme pour améliorer les résultats cliniques et accroître l’efficacité dans les établissements de santé, la communauté médicale s’est enthousiasmée à l’idée d’intégrer l’intelligence artificielle à ses premiers stades d’adaptation5. Cependant, malgré un intérêt croissant, il existe peu de recherches sur les points de vue des parties prenantes concernant l’application de l’intelligence artificielle dans les soins de santé6. L’intérêt pour la mise en œuvre de l’IA dans le secteur de la santé varie selon les parties prenantes. Malgré les avantages apparents, il existe de nombreux obstacles à la mise en œuvre de l’intelligence artificielle dans le secteur de la santé, notamment des préoccupations concernant la confidentialité des données, des difficultés de conformité réglementaire et des dilemmes éthiques7. Les chercheurs doivent combler le fossé de connaissances concernant les perspectives des infirmiers sur la mise en œuvre de l’intelligence artificielle afin d’assurer l’acceptation des soins fondés sur des preuves dans ce contexte8. Pour combler cette lacune, la méta-analyse présente compare explicitement les infirmiers qui déclarent savoir comment l’IA est utilisée dans la pratique infirmière à ceux qui ne le savent pas, selon les domaines de perception, d’attitude et d’intention concernant l’IA dans les soins aux patients. La recherche doit se concentrer davantage sur le potentiel révolutionnaire de l’intelligence artificielle pour augmenter la production et développer de nouveaux systèmes de diffusion, ainsi que prendre en compte des points de vue alternatifs concernant son application5. L’incertitude quant aux applications appropriées de l’intelligence artificielle et les problèmes de qualité des données constituent d’autres obstacles à son adoption dans le secteur de la santé9. Selon les évaluations économiques, l’intelligence artificielle améliore la qualité médicale et permet des méthodes rentables, en particulier dans des domaines complexes tels que l’ophtalmologie10. S’attaquer aux obstacles à l’adoption de l’intelligence artificielle est essentiel pour garantir que tous ses avantages soient pleinement exploités. Le renforcement des compétences de la main-d’œuvre, les questions éthiques et le défi d’utiliser avec succès la technologie d’intelligence artificielle dans des contextes pratiques sont quelques-uns des obstacles notés dans des recherches antérieures11. Tous ces obstacles ont un impact direct sur la préparation du personnel médical à s’adapter à l’intelligence artificielle. Avec des techniques telles que les systèmes experts flous, les réseaux bayésiens, les réseaux de neurones artificiels et les systèmes intelligents hybrides utilisés en milieu clinique pour améliorer la prestation des soins, l’intelligence artificielle s’intègre de plus en plus dans le secteur de la santé12. De plus, des systèmes sophistiqués sont en cours de développement, tels que des systèmes d’intelligence artificielle d’apprentissage profond, qui pourraient être capables d’automatiser des processus et de détecter des maladies13. En conséquence, les effets de l’intelligence artificielle dans le secteur de la santé se manifesteront dans de nombreuses disciplines et auront un potentiel énorme pour améliorer les traitements cliniques, anticiper les risques et rationaliser l’ensemble du processus14. L’intégration de l’intelligence artificielle présente des obstacles importants pour les infirmières, notamment des questions éthiques, la nécessité de s’adapter aux nouvelles technologies et l’impact potentiel sur les responsabilités infirmières15. Les infirmiers doivent acquérir les connaissances et compétences nécessaires pour utiliser correctement les outils d’intelligence artificielle à mesure que leur utilisation progresse16. Selon des recherches, l’intelligence émotionnelle améliore les interactions des infirmiers avec l’intelligence artificielle, impactant ainsi à la fois la qualité des soins aux patients et la capacité des infirmières à s’adapter à son utilisation17. Un facteur crucial qui peut influencer la manière dont les infirmiers perçoivent et interagissent avec l’IA est leur connaissance actuelle de la manière dont l’IA est réellement appliquée dans la pratique infirmière. Sans une compréhension de base des fonctions concrètes de l’IA — telles que le soutien à la décision clinique, l’analyse prédictive ou la surveillance automatisée — les infirmiers peuvent se faire des opinions basées sur la désinformation ou un manque d’exposition. Inversement, les infirmiers ayant une connaissance pratique du rôle de l’IA dans la pratique infirmière peuvent adopter des attitudes plus favorables, une plus grande utilité perçue et des intentions plus fortes d’adopter des outils d’IA. Nous avons donc choisi la « connaissance de l’utilisation de l’intelligence artificielle en pratique infirmière » comme principale variable d’exposition afin de tester si cette forme spécifique de connaissance est associée à des différences significatives de perceptions, d’attitudes et d’intentions. Nous avons donc mené une méta-analyse pour évaluer les perceptions, attitudes et intentions des infirmières concernant l’utilisation de l’intelligence artificielle dans les soins aux patients. L’étude comble d’importantes lacunes dans la littérature concernant les attitudes, capacités et connaissances nécessaires pour appliquer l’intelligence artificielle dans les environnements de soins aux patients. L’étude propose des plans pour renforcer l’intégration de l’intelligence artificielle en soins infirmiers en évaluant la préparation des infirmières et en identifiant des domaines critiques à améliorer.

Plus précisément, cette méta-analyse a été conçue pour comparer trois résultats — la perception, l’attitude et l’intention envers l’IA dans les soins aux patients — entre deux groupes d’infirmières : celles qui déclarent savoir comment l’IA est utilisée dans la pratique infirmière et celles qui ne le savent pas.

L’objectif principal de cette étude était de déterminer comment les infirmières diplômées étaient préparées à utiliser l’intelligence artificielle dans leurs procédures de prise en charge des patients.

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

Protocol

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

Conception de l’étude :

Cette étude était une revue systématique et une méta-analyse menée conformément aux lignes directrices Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). La liste de contrôle complète de PRISMA 2020 est fournie sous forme de fichier supplémentaire 1. Le protocole visait à synthétiser quantitativement les preuves sur les perceptions, attitudes et intentions des infirmières concernant l’utilisation de l’intelligence artificielle (IA) dans la prise en charge des patients, en comparant celles ayant des connaissances préalables en IA à celles qui n’en avaientpas 18. La figure 1 illustre le processus de sélection des études.

Critères d’éligibilité
Les études ont été sélectionnées selon le cadre PICOSsuivant 19 :

Population (P) : Infirmiers diplômés ou gestionnaires infirmiers de toute spécialité clinique ou milieu professionnel.

Intervention (I)/Exposition : Avoir des connaissances, une formation ou une connaissance de l’utilisation de l’IA dans la pratique infirmière.

Comparaison (C) : Infirmières ou étudiants en soins infirmiers qui déclarent ne pas savoir comment l’IA est utilisée dans la pratique infirmière.

Résultats (O) : Mesures quantitatives de la perception, de l’attitude ou de l’intention envers l’IA dans les soins aux patients, rapportées sous forme de scores moyens avec écarts-types (DS) ou données convertibles.

Conception de l’étude (S) : Études observationnelles (transversales ou de cohorte) et études basées sur des enquêtes. Les études interventionnelles (par exemple, les essais contrôlés randomisés) ont été exclues car l’exposition d’intérêt — la connaissance de l’utilisation de l’IA en pratique infirmière — est une caractéristique existante plutôt qu’une intervention randomisée.

Critères d’exclusion :

Les études qualitatives, articles de revue, éditoriaux, lettres, résumés de conférences sans données complètes, ainsi que la littérature non évaluée par des pairs ont été exclus de cette étude. Les études ne fournissant pas de données quantitatives comparatives (par exemple, moyenne, écart, taille de l’échantillon) pour les deux groupes (avec ou sans connaissance de l’IA) ont été exclues. Les études où la population n’était pas exclusivement ou principalement composée d’infirmières (par exemple, des groupes mixtes de professionnels de santé sans données infirmières séparables) ont également été exclues. Aucune étude n’a été exclue sur la base du langage.

Sources d’information et stratégie de recherche

Une recherche systématique a été effectuée sur cinq bases de données électroniques depuis leur création jusqu’au 31 juillet 2025: PubMed, Cochrane Library, Embase, VID et Google Scholar.
La stratégie de recherche combinait un vocabulaire contrôlé (par exemple, des termes MeSH) et des mots-clés en libre texte liés à trois concepts clés : (1) Infirmières, (2) Intelligence artificielle, et (3) Perception/Attitude. Les opérateurs booléens « AND » et « OR » étaient utilisés pour relier des termes à l’intérieur et entre les concepts. Un exemple de stratégie de recherche pour PubMed est présenté dans le tableau 1. Les listes de références de toutes les études incluses et des revues pertinentes ont été examinées manuellement pour identifier d’autres publications éligibles21. Les chaînes de recherche reproductibles complètes pour chaque base de données sont fournies ci-dessous. La syntaxe a été adaptée au format requis de chaque base de données, incluant les balises de champ appropriées, le vocabulaire contrôlé (MeSH, EMTREE) et les opérateurs booléens. Aucune restriction linguistique ou de date n’a été appliquée. La recherche a eu lieu le 31 juillet 2025.

Processus de sélection des études

Le processus de sélection de l’étude a suivi le diagramme de flux PRISMA (voir Figure 1). Tous les enregistrements récupérés ont été importés dans EndNote X9 (Clarivate Analytics) pour la déduplication. Deux évaluateurs indépendants ont examiné les titres et résumés selon les critères d’éligibilité. Les études jugées potentiellement pertinentes par l’un ou l’autre des évaluateurs ont ensuite été examinées en texte intégral. Les deux mêmes évaluateurs ont évalué indépendamment les textes complets des études présélectionnées. Les désaccords à tout moment étaient résolus par la discussion et le consensus. Aucun troisième évaluateur n’était requis. La liste finale des études répondant à tous les critères a été convenue par consensus.

Extraction et gestion des données22

Un formulaire d’extraction de données standardisé et piloté a été développé dans un tableur. Les deux évaluateurs ont extrait indépendamment les données de chaque étude incluse. Les données extraites comprenaient les caractéristiques de l’étude, les détails de la population, la définition de l’exposition et les données de résultats.

Caractéristiques de l’étude : premier auteur, année de publication, pays, conception de l’étude et taille de l’échantillon.

Détails de la population : type d’infirmier (par exemple, clinique, étudiant, manager), milieu clinique, âge moyen, répartition par genre.

Définition de l’exposition : Comment « la connaissance de l’utilisation de l’IA dans la pratique infirmière » a-t-elle été définie et mesurée (par exemple, cours de formation spécifique, auto-déclaration de familiarité sur une échelle de Likert).

Données de résultats : Pour chaque résultat pertinent (perception, attitude, intention), le score moyen, l’écart type (DE) et la taille de l’échantillon (n) pour les groupes « compétents en IA » et « non-connaisseurs en IA » ont été extraits. Si les moyennes et les écarts-types (DE) n’étaient pas directement rapportés, ils étaient calculés à partir des statistiques disponibles à l’aide de méthodes décrites dans le Cochrane Handbook for Systematic Reviews of Interventions (Version 6.4)19. Plus précisément :

À partir des médianes et des plages interquartiles (IQR) : La méthode de Wan et al. (2014)23 a été utilisée pour estimer les moyennes et les écarts de séance.

À partir des intervalles de confiance (IC) à 95 % et des tailles d’échantillon : les DE ont été rétrocalculés à l’aide de la formule : DE = √n × (limite supérieure d’IC – limite inférieure d’IC) / (2 × 1,96).

À partir des valeurs p et des tailles d’échantillon : les DE ont été estimés selon la méthode décrite dans le Manuel Cochrane (Section 6.5.2.3) lorsque des t-statistiques ou des valeurs p exactes étaient disponibles.

Parmi les 9 études incluses, trois nécessitaient une conversion des données car les moyennes et les écarts n’ont pas été rapportés dans le format requis pour la méta-analyse :

Étude [Auteur, année] : médianes et IQR rapportés ; converti en utilisant la méthode Wan et al.23 .

Étude [Auteur, année] : A rapporté seulement 95 % d’IC ; Calcul arrière des SD.

Étude [Auteur, Année] : Moyennes rapportées sans écarts de points de développement mais fournies des valeurs p pour les comparaisons de groupes ; Les DES estimées à partir des valeurs p.

Les 6 études restantes ont rapporté des moyennes et des écarts d’écart directement et n’ont nécessité aucune conversion. Toutes les valeurs converties ont été vérifiées indépendamment par deux évaluateurs.

Évaluation du risque de biais (qualité)24

La qualité méthodologique des études observationnelles incluses a été évaluée indépendamment par deux évaluateurs à l’aide de la liste de contrôle critique de l’Institut Joanna Briggs (JBI) pour les études transversalesanalytiques 25. Cet outil évalue des domaines tels que la représentativité de l’échantillon, la mesure de l’exposition et des résultats, la confusion et l’analyse statistique. Chaque élément était noté « Oui », « Non », « Peu clair » ou « Non applicable ». Une note globale de qualité de l’étude (Élevée, Modérée, Faible) a été attribuée sur la base du consensus. Les désaccords ont été résolus comme décrit ci-dessus.

Synthèse des données et analyse statistique

Mesure d’effet : La mesure principale de l’effet était la différence moyenne (DM) avec un intervalle de confiance (IC) à 95 %. Un MD > 0 indiquait un score plus élevé (par exemple, une attitude plus positive) dans le groupe ayant des connaissances en IA.

Modèle de méta-analyse : Un modèle à effets aléatoires a été utilisé pour toutes les analyses primaires en raison de l’hétérogénéité clinique et méthodologique anticipée entre les études. Un modèle à effets aléatoires a également été appliqué comme analyse desensibilité 26,27.

Évaluation de l’hétérogénéité : L’hétérogénéité statistique a été quantifiée à l’aide de la statistique I2 . I2 valeurs de 25 %, 50 % et 75 % ont été interprétées respectivement comme faible, modérée et élevée hétérogénéité. Le test Q de Cochran (p < 0,10, indiquant une hétérogénéité significative) a également été consulté.

Analyse de sous-groupes et de sensibilité : Les analyses de sous-groupes planifiées n’étaient pas réalisables en raison du nombre limité d’études (<10) par issue. Les analyses de sensibilité ont été réalisées en passant à un modèle à effet fixe. Des analyses de sensibilité ont été prévues pour évaluer la robustesse des estimations regroupées, incluant l’exclusion des études jugées de faible qualité et le passage à un modèle à effet fixe. Une analyse de sensibilité excluant les deux études jugées de faible qualité (score JBI ≤4)27,28 a été réalisée. Les estimations de l’effet combiné pour les sept études restantes (n = 3 161) étaient similaires à l’analyse principale pour tous les résultats, et toutes les associations restaient statistiquement significatives (p < 0,001). Par conséquent, les 9 études ont été conservées dans l’analyse primaire. Comme l’exclusion de ces études n’a pas modifié de manière significative les résultats, elles ont été conservées dans l’analyse primaire afin de maximiser la taille de l’échantillon et la généralisabilité.

Évaluation du biais de publication : Une inspection visuelle des diagrammes d’entonnoir pour l’asymétrie a été planifiée pour les résultats incluant ≥10 études. Comme tous les résultats comprenaient moins de 10 études, des tests formels comme le test de régression d’Egger sont sous-évalués et généralement non recommandés. Cependant, un test de régression d’Egger exploratoire a été réalisé pour le résultat ayant le plus grand nombre d’études (attitude, n = 9) en analyse post-hoc. Les résultats doivent être interprétés avec une extrême prudence en raison d’une faible puissance statistique.

Logiciels : Toutes les analyses statistiques ont été réalisées à l’aide du logiciel Review Manager (RevMan), version 5.4 (The Cochrane Collaboration, Copenhague, Danemark).

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

Results

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

Après avoir examiné 2245 publications pertinentes, 9 études publiées entre 2021 et 2025 répondaient aux critères d’inclusion 26,27,28,29,30,31,32,33,34. Le tableau 2 résum...

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

Discussion

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

Pour la méta-analyse actuelle, 9 études avec 3 648 infirmières ont étéétudiées : 26, 27, 28, 29, 30, 31, 32, 33, 34. Cette méta-analyse a comparé les infirmiers qui rapportent savoir comme...

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

Disclosures

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

Les auteurs déclarent qu’ils n’ont pas d’intérêts concurrents.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Bibliothèque CochraneBibliothèque Cochranehttps://www.cochranelibrary.com/
EmbaseEmbasehttps://www.embase.com/landing?status=grey
Fin Note X9Clarivate Analyticshttps://support.clarivate.com/Endnote/s/?language=en_USLogiciel de gestion des références pour la déduplication et l’organisation des citations
Google ScholarGooglehttps://scholar.google.com/
Liste de contrôle pour l’évaluation critique de l’Institut Joanna Briggs (JBI)Institut Joanna Briggshttps://jbi.global/critical-appraisal-toolsOutil d’évaluation de la qualité pour les études transversales analytiques
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/en-usDéveloppement de formulaires d’extraction de données ; gestion des données ; Conversion des statistiques
OVIDOVIDhttps://www.ovid.com/
Modèle de diagramme d’écoulement PRISMA 2020Groupe de travail PRISMAhttps://www.prisma-statement.org/prisma-2020-flow-diagramModèle pour le diagramme de sélection de l’étude & nbsp ;
PubMedInstituts nationaux de la santéhttps://pubmed.ncbi.nlm.nih.gov/
Responsable des critiques (RevMan) & nbsp ;La Collaboration CochraneVersion 5.4Logiciels pour la préparation et la maintenance des revues Cochrane ; utilisé pour la méta-analyse (regroupement, parcelles forestières, hétérogénéité, analyses de sensibilité).

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