ידע בבינה מלאכותית בפרקטיקה סיעודית: מטא-אנליזה של תפיסה, עמדה וכוונה

סיכום

מטא-אנליזה זו בחנה הבדלים בתפיסות, בגישות ובכוונות של האחיות לגבי השימוש בבינה מלאכותית (AI) בטיפול במטופלים. אחיות שידעו כיצד משתמשים בבינה מלאכותית בפרקטיקה סיעודית הציגו תפיסות, עמדות וכוונות גבוהות משמעותית מאלו שלא ידעו.

תקציר

המטא-אנליזה הזו נועדה להעריך הבדלים בתפיסה, בגישה ובכוונה לגבי השימוש בבינה מלאכותית בטיפול במטופלים בין אחיות עם וללא ידע כיצד בינה מלאכותית מיושמת בסיעוד.

ביצענו מטא-אנליזה באמצעות מודל תוצאה רציף בשיטות של אפקטים קבועים או אקראיים להערכת הפרש ממוצע (MD) ורווחי אמון של 95% (CIs) לכל תוצאה. בחרנו 9 מחקרים עם 3648 אחיות למטה-אנליזה זו. אחיות שיודעות כיצד משתמשים בבינה מלאכותית בפרקטיקה סיעודית הציגו תפיסה גבוהה משמעותית (MD גולמי משותף, 1.43; רווח בר-סמך 95%, 0.86–1.99, עמ' < 0.001), גישה (MD, 1.80; רווח בר-סמך 95%, 0.81–2.78, עמ' < 0.001), וכוונה (MD, 2.89; רווח בר-סמך 95%, 1.61–4.16, עמ' < 0.001) בהשוואה לאלו שאינם יודעים כיצד משתמשים בבינה מלאכותית בפרקטיקה סיעודית. עם זאת, ההטרוגניות הייתה גבוהה מאוד בכל התוצאות (I² = 91–98%), מה שמעיד על שונות משמעותית בין המחקרים. עם זאת, מכיוון שתוצאות אלו נמדדו באמצעות מכשירים עם טווחי סקאלה משתנים מאוד (למשל, סולמות של 5 נקודות עד 100 נקודות), ה-MD הגולמי המאוחד אינו מייצג הבדל מוחלט עקבי. כיוון ההשפעה העקבי בכל המחקרים (חיובי) הוא הממצא העיקרי, לא ערכי MD הספציפיים.

אחיות שיודעות כיצד משתמשים בבינה מלאכותית בפרקטיקה סיעודית מדווחות על תפיסות, עמדות וכוונות חיוביות יותר מאשר אלו שאינן יודעות. עם זאת, בשל הטרוגניות גבוהה, שונות בקנה מידה ועיצוב חתך רוחבי, ממצאים אלו הם רק ליצירת השערות. טענות סיבתיות אינן מוצדקות.

מבוא

במיוחד בתחום הבריאות, הבינה המלאכותית הפכה לטכנולוגיה משבשת וקריטית. תהליכי עבודה רפואיים, תוצאות קליניות ומתן טיפול במטופלים עוברים מהפכה בזכות בינה מלאכותית¹. הסיעוד שואף להעניק טיפול אמפתי ומבוסס ראיות בסביבות קליניות שונות². אחיות חייבות להיות מוכנות לאמץ כל טכנולוגיה שמשפרת את התוצאות הכוללות של המטופלים, משום שהן אנשי מקצוע בתחום הבריאות בקו הראשון. סביר להניח שבינה מלאכותית תשתלב בפרקטיקה הסיעודית. כדי להבטיח אימוץ מוצלח של בינה מלאכותית במגזר הבריאות, יש להעריך את מוכנות האחיות לאמץ אותה³. מכיוון שלבינה מלאכותית יש פוטנציאל לקדם את מערכת הבריאות באמצעות פת....

פרוטוקול

עיצוב המחקר:

מחקר זה היה סקירה שיטתית ומטא-אנליזה שנערכה בהתאם להנחיות PRISMA (פריטי דיווח מועדפים לסקירות ומטא-אנליזות שיטתיות). רשימת הבדיקה המלאה של PRISMA 2020 מסופקת כתיק משלים 1. הפרוטוקול נועד לסנתז באופן כמותי ראיות על תפיסות האחות, עמדות וכוונות לגבי השימוש בבינה מלאכותית (AI) בטיפול במטופלים, תוך השוואת אלו עם ידע קודם בבינה מלאכותית לאלו ללא¹⁸. איור 1 ממחיש את תהליך בחירת המחקר.

קריטריוני זכאות
המחקרים נבחרו בהתבסס על מסגרת PICOS¹⁹ הבאה:

תוצאות

לאחר בחינת 2245 פרסומים רלוונטיים, 9 מחקרים שפורסמו בין 2021 ל-2025 עמדו בקריטריוני ההכללה 26,27,28,29,30,31,32,33,34. טבלה 2 מסכמת את ממצאי המחקרים הללו. בסך הכל נבדקו 36.......

דיון

למטה-אנליזה הנוכחית, נבדקו 9 מחקרים עם 3648 אחיות: 26,27,28,29,30,31,32,33,34. המטא-אנליזה הזו השווה בין אחיות שמדווחות כי הן יודעות כיצד בינה מלאכותית משמשת בפרקטיקה סיעודית לבין אלו שאינ.......

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
ספריית קוקריין	ספריית קוקריין	https://www.cochranelibrary.com/
Embase	Embase	https://www.embase.com/landing?status=grey
הערת סיום X9	Clarivate Analytics	https://support.clarivate.com/Endnote/s/?language=en_US	תוכנת ניהול הפניות להסרת שכפול וארגון ציטוטים
Google Scholar	גוגל	https://scholar.google.com/
רשימת בדיקה להערכה ביקורתית של מכון ג'ואנה בריגס (JBI)	מכון ג'ואנה בריגס	https://jbi.global/critical-appraisal-tools	כלי להערכת איכות למחקרים אנליטיים-חתך
מיקרוסופט אקסל	מיקרוסופט קורפוריישן	https://www.microsoft.com/en-us	פיתוח טופס חילוץ נתונים; ניהול נתונים; המרת סטטיסטיקה
OVID	OVID	https://www.ovid.com/
תבנית דיאגרמת זרימה PRISMA 2020	קבוצת העבודה של PRISMA	https://www.prisma-statement.org/prisma-2020-flow-diagram	תבנית לדיאגרמת זרימת בחירת המחקר
PubMed	המכונים הלאומיים לבריאות	https://pubmed.ncbi.nlm.nih.gov/
מנהל ביקורות (RevMan)	שיתוף הפעולה עם קוקרן	גרסה 5.4	תוכנה להכנת ותחזוקה של ביקורות על Cochran; משמש למטא-אנליזה (איגוד, גרפים של יער, הטרוגניות, ניתוחי רגישות).