Method Article

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

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

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

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.

Abstract

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

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.

Introduction

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

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 פתרונות מדויקים, מותאמים אישית ויצירתיים, חשיבותה מוכרת יותר ויותר4. עם הפוטנציאל העצום שלה לשפר תוצאות קליניות ולהגביר יעילות בסביבות בריאות, הקהילה הרפואית נרגשת לשלב בינה מלאכותית בשלבים הראשונים של ההתאמה שלה5. עם זאת, למרות העניין הגובר, יש מעט מחקר על עמדות בעלי העניין בנוגע ליישום בינה מלאכותית במערכת הבריאות6. העניין ביישום בינה מלאכותית במערכת הבריאות משתנה בין בעלי העניין. למרות היתרונות הברורים, קיימים מספר מכשולים ליישום בינה מלאכותית במערכת הבריאות, כולל חששות לגבי פרטיות מידע, קושי בעמידה ברגולציה ודילמות אתיות7. החוקרים חייבים לסגור את פער הידע לגבי נקודת המבט של האחיות על יישום בינה מלאכותית כדי להבטיח קבלת טיפול מבוסס ראיות בהקשר זה8. כדי להתמודד עם הפער הזה, המטא-אנליזה הנוכחית משווה במפורש אחיות המדווחות כי הן יודעות כיצד בינה מלאכותית משמשת בפרקטיקה סיעודית לבין אלו שלא, בתחומי התפיסה, הגישה והכוונה לגבי בינה מלאכותית בטיפול במטופלים. המחקר צריך להתמקד יותר בפוטנציאל המהפכני של בינה מלאכותית להגדלת תפוקה ולפיתוח מערכות אספקה חדשניות, וכן לקחת בחשבון נקודות מבט חלופיות לגבי יישומה5. אי-הוודאות לגבי היישומים הנכונים של בינה מלאכותית ובעיות באיכות הנתונים מהווים מכשולים נוספים לאימוצה בתעשיית הבריאות9. לפי הערכות כלכליות, בינה מלאכותית משפרת את איכות הרפואה ומאפשרת שיטות חסכוניות, במיוחד בתחומים מורכבים כמו רפואת עיניים10. התמודדות עם המכשולים לאימוץ הבינה המלאכותית חיונית כדי להבטיח שכל היתרונות שלה יתממשו במלואם. שדרוג מיומנויות כוח העבודה, סוגיות אתיות והאתגר בשימוש מוצלח בטכנולוגיית בינה מלאכותית בהקשרים מעשיים הם חלק מהמכשולים שצוינו במחקרים קודמים11. כל המכשולים הללו משפיעים ישירות על האופן שבו הצוות הרפואי מוכן להסתגל לבינה מלאכותית. עם טכניקות כמו מערכות מומחים מטושטשות, רשתות בייסיאניות, רשתות עצביות מלאכותיות ומערכות חכמות היברידיות המשמשות בהקשרים קליניים לשיפור מתן הטיפול, בינה מלאכותית משתלבת יותר ויותר בתעשיית הבריאות12. בנוסף, מערכות מתקדמות מפותחות, כגון מערכות בינה מלאכותית בלמידה עמוקה, שעשויות להיות מסוגלות לאוטומט תהליכים ולזהות מחלות13. כתוצאה מכך, השפעות הבינה המלאכותית בתעשיית הבריאות ייראו במגוון תחומים ויש להן פוטנציאל עצום לשפר את הטיפול הקליני, לחזות סיכונים ולייעל את כל התהליך14. שילוב בינה מלאכותית מציב מכשולים משמעותיים בפני אחיות, כולל סוגיות אתיות, הצורך להסתגל לטכנולוגיה חדשה, וההשפעה האפשרית על אחריות הסיעוד15. אחיות חייבות לרכוש את הידע והמיומנויות הנדרשות לשימוש נכון בכלי בינה מלאכותית ככל שהשימוש בהן מתקדם16. לפי מחקרים, אינטליגנציה רגשית משפרת את האינטראקציות של אחיות עם בינה מלאכותית, ובכך משפיעה הן על איכות הטיפול במטופלים והן על יכולת האחיות להסתגל לשימוש בה17. גורם קריטי שעשוי להשפיע על האופן שבו אחיות תופסות ומתעסקות עם בינה מלאכותית הוא הידע הקיים שלהן על האופן שבו בינה מלאכותית מיושמת בפועל בפרקטיקה הסיעודית. ללא הבנה בסיסית של הפונקציות הקונקרטיות של הבינה המלאכותית—כגון תמיכה בהחלטות קליניות, ניתוח חיזוי או ניטור אוטומטי—אחיות עלולות לגבש דעות על בסיס מידע שגוי או חוסר חשיפה. לעומת זאת, אחיות עם ידע מעשי על תפקיד הבינה המלאכותית בפרקטיקה הסיעודית עשויות להפגין עמדות חיוביות יותר, תועלת נתפסת גבוהה יותר, וכוונות חזקות יותר לאמץ כלי בינה מלאכותית. לכן, בחרנו ב"ידע על אופן השימוש בבינה מלאכותית בפרקטיקה סיעודית" כמשתנה החשיפה העיקרי כדי לבדוק האם סוג הידע הספציפי הזה קשור להבדלים משמעותיים בתפיסות, עמדות וכוונות. לכן, ביצענו מטא-אנליזה להערכת תפיסות, עמדות וכוונות האחיות לגבי השימוש בבינה מלאכותית בטיפול במטופלים. המחקר סוגר פערים חשובים בספרות על הגישות, היכולות והידע הנדרשים ליישום בינה מלאכותית בסביבות טיפול במטופלים. המחקר מספק תוכניות להגדלת האינטגרציה של בינה מלאכותית בסיעוד על ידי הערכת מוכנות האחיות וזיהוי תחומים קריטיים לשיפור.

באופן ספציפי, המטא-אנליזה הזו נועדה להשוות בין שלוש תוצאות—תפיסה, עמדה וכוונה כלפי בינה מלאכותית בטיפול במטופלים—בין שתי קבוצות אחיות: אלו שמדווחות כי הן יודעות כיצד משתמשים בבינה מלאכותית בפרקטיקה סיעודית ואלו שאינן יודעות.

המטרה העיקרית של מחקר זה הייתה לבדוק עד כמה אחיות מוסמכות מוכנות להשתמש בבינה מלאכותית בהליכי הטיפול שלהן.

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

Protocol

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

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:

אוכלוסייה (P): אחיות מוסמכות או מנהלות אחיות מכל התמחות קלינית או סביבה.

התערבות (I)/חשיפה: ידע, הכשרה או מודעות לשימוש בבינה מלאכותית בפרקטיקה סיעודית.

השוואה (ג): אחיות או סטודנטים לסיעוד שמדווחים שאינם יודעים כיצד משתמשים בבינה מלאכותית בפרקטיקה סיעודית.

תוצאות (O): מדדים כמותיים של תפיסה, עמדה או כוונה כלפי בינה מלאכותית בטיפול במטופלים, דווחו כציונים ממוצעים עם סטיות תקן (SD) או נתונים שניתן להמיר לזה.

עיצוב מחקר (S): מחקרים תצפיתיים (חתך או קוהורטה) ומחקרים מבוססי סקרים. מחקרים התערבותיים (למשל, ניסויים מבוקרים אקראיים) הוצאו משום שהחשיפה המעניינת — הידע על אופן השימוש בבינה מלאכותית בסיעוד — היא תכונה קיימת ולא התערבות אקראית.

קריטריונים להחריג:

מחקרים איכותניים, מאמרי סקירה, מאמרי מערכת, מכתבים, תקצירי כנסים ללא נתונים מלאים וספרות שאינה ביקורת עמיתים הוצאו ממחקר זה. מחקרים שלא סיפקו נתונים כמותיים השוואתיים (למשל, ממוצע, SD, גודל מדגם) עבור שתי הקבוצות (עם לעומת ללא ידע בבינה מלאכותית) הוצאו. מחקרים שבהם האוכלוסייה לא הייתה בלעדית או בעיקר אחיות (למשל, קבוצות מעורבות של אנשי מקצוע בתחום הבריאות ללא נתוני אחיות ניתנים להפרדה) גם הם הוצאו. לא הוצאו מחקרים על בסיס שפה.

מקורות מידע ואסטרטגיית חיפוש

חיפוש שיטתי בוצע בחמישה מסדי נתונים אלקטרוניים מהקמתם ועד 31 ביולי 2025: PubMed, Cochrane Library, Embase, OVID ו-Google Scholar.
אסטרטגיית החיפוש שילבה אוצר מילים מבוקר (למשל, מונחי MeSH) ומילות מפתח בטקסט חופשי הקשורות לשלושה מושגים מרכזיים: (1) אחיות, (2) בינה מלאכותית, ו-(3) תפיסה/גישה. האופרטורים הבוליאניים "AND" ו-"OR" שימשו לקישור מונחים בתוך ובין מושגים. אסטרטגיית חיפוש לדוגמה עבור PubMed מוצגת בטבלה 1. רשימות ההפניות של כל המחקרים והסקירות הרלוונטיות נבדקו ידנית כדי לזהות פרסומים זכאים נוספים21. מחרוזות החיפוש המלאות הניתנות לשחזור עבור כל מסד נתונים מוצגות להלן. התחביר הותאם לפורמט הנדרש של כל מסד נתונים, כולל תגי שדה מתאימים, אוצר מילים מבוקר (MeSH, EMTREE) ומפעילים בוליאניים. לא הוטלו הגבלות שפה או תאריכים. החיפוש בוצע ב-31 ביולי 2025.

תהליך בחירת הלימודים

תהליך בחירת המחקר התנהל לפי דיאגרמת זרימת PRISMA (ראו איור 1). כל הרשומות שנשלפו יובאו ל-EndNote X9 (Clarivate Analytics) לצורך הסרת כפילות. שני מבקרים עצמאיים בחנו כותרות ותקצירים לפי קריטריוני הזכאות. מחקרים שנחשבים רלוונטיים על ידי אחד מהמבקרים המשיכו לסקירה מלאה. אותם שני סוקרים העריכו באופן עצמאי את הטקסטים המלאים של המחקרים שנבחרו. מחלוקות בכל שלב נפתרו באמצעות דיון והסכמה. לא נדרש מבקר שלישי. הרשימה הסופית של מחקרים שעמדו בכל הקריטריונים הוסכמה בהסכמה.

חילוץ וניהול נתונים22

טופס חילוץ נתונים סטנדרטי ומנוסה פותח בגיליון אלקטרוני. שני הסוקרים חילצו באופן עצמאי נתונים מכל מחקר שנכלל. הנתונים שהופקו כללו מאפייני מחקר, פרטי אוכלוסייה, הגדרת חשיפה ונתוני תוצאה.

מאפייני המחקר: מחבר ראשון, שנת פרסום, מדינה, עיצוב מחקר וגודל מדגם.

פרטי אוכלוסייה: סוג אחות (למשל, קליני, סטודנט, מנהל), סביבה קלינית, גיל ממוצע, התפלגות מגדרית.

הגדרת חשיפה: כיצד הוגדר ונמדד "ידע בשימוש בבינה מלאכותית בפרקטיקה סיעודית" (למשל, קורס הכשרה ספציפי, היכרות מדווחת על ידי עצמית בסולם ליקרט).

נתוני תוצאה: עבור כל תוצאה רלוונטית (תפיסה, גישה, כוונה), הופקו הציון הממוצע, סטיית התקן (SD) וגודל המדגם (n) הן לקבוצות "מכירים בבינה מלאכותית" והן ל"שאינם מכירים בבינה מלאכותית". אם ממוצעים וסטיות תקן (SDs) לא דווחו ישירות, הן חושבו מתוך סטטיסטיקות זמינות באמצעות שיטות המתוארות במדריך קוקרן לסקירות שיטתיות של התערבויות (גרסה 6.4)19. במיוחד:

ממדיאנים וטווחים בין-רבעוניים (IQR): שיטת Wan ואח' (2014)23 שימשה להערכת ממוצעים ו-SDs.

מרווחי ביטחון של 95% (CI) וגודל מדגם: SDs חושבו לאחור באמצעות הנוסחה: SD = √n × (גבול CI עליון – גבול CI תחתון) / (2 × 1.96).

מערכי p וגודל מדגם: הערכי SD הוערכו באמצעות השיטה המתוארת במדריך קוקריין (סעיף 6.5.2.3) כאשר היו זמינים סטטיסטיקות t או ערכי p מדויקים.

מבין 9 המחקרים שנכללו, שלושה דרשו המרת נתונים משום שממוצעים ו-SDs לא דווחו בפורמט הנדרש למטה-אנליזה:

מחקר [מחבר, שנה]: מדדים חציוניים ו-IQR מדווחים; הומר באמצעות שיטת Wan ואחרים.

מחקר [מחבר, שנה]: דווח רק על 95% רווח בר-ערך; SD מחושב אחורה.

מחקר [מחבר, שנה]: ממוצעים מדווחים ללא SDs אך סיפק ערכי p להשוואות קבוצתיות; SDs מוערכים מערכי p.

ששת המחקרים הנותרים דיווחו ישירות על ממוצעים ו-SDs ולא דרשו המרה. כל הערכים המומרים אומתו על ידי שני סוקרים באופן עצמאי.

הערכת סיכון להטיה (איכות)24

האיכות המתודולוגית של המחקרים התצפיתיים שנכללו הוערכה באופן עצמאי על ידי שני סוקרים באמצעות רשימת בדיקה ביקורתית של מכון ג'ואנה בריגס (JBI) למחקרים אנליטיים-חתכים25. כלי זה מעריך תחומים כמו ייצוג מדגם, חשיפה ומדידת תוצאות, בלבול וניתוח סטטיסטי. כל פריט דורג כ"כן", "לא", "לא ברור" או "לא רלוונטי". דירוג איכות מחקר כולל (גבוה, בינוני, נמוך) הוקצה על בסיס קונצנזוס. המחלוקות נפתרו כפי שתואר לעיל.

סינתזת נתונים וניתוח סטטיסטי

מדד השפעה: מדד ההשפעה העיקרי היה ההפרש הממוצע (MD) עם רווח סמך של 95%. MD > 0 הצביע על ציון גבוה יותר (למשל, גישה חיובית יותר) בקבוצה עם ידע בבינה מלאכותית.

מודל מטא-אנליזה: מודל השפעות אקראיות שימש לכל הניתוחים הראשוניים בשל הטרוגניות קלינית ומתודולוגית צפויה בין מחקרים. מודל אפקטים אקראיים יושם גם כניתוח רגישות26,27.

הערכת הטרוגניות: הטרוגניות סטטיסטית נמדדה באמצעות סטטיסטיקת I2 . ערכים של 25%, 50% ו-75% פורשו כהטרוגניות נמוכה, בינונית וגבוהה, בהתאמה. בדיקת Q של קוקרן (p < 0.10, המצביעה על הטרוגניות משמעותית) נבדקה גם היא.

ניתוח תת-קבוצות ורגישות: ניתוחי תת-קבוצות מתוכננים לא היו ישימים בשל מספר המחקרים המוגבל (<10) לכל תוצאה. ניתוחי רגישות בוצעו על ידי מעבר למודל אפקט קבוע. תוכננו ניתוחי רגישות להערכת עמידות ההערכות המאוחדות, כולל הוצאת מחקרים שדורגו כאיכות נמוכה ומעבר למודל בעל אפקט קבוע. בוצע ניתוח רגישות שכלל את שני המחקרים שדורגו כאיכות נמוכה (ציון JBI ≤4)27,28. הערכות ההשפעה המאוחדות בשבעת המחקרים הנותרים (n = 3,161) היו דומות לניתוח הראשי של כל התוצאות, וכל הקשרים נותרו מובהקים סטטיסטית (p < 0.001). לכן, כל 9 המחקרים נשמרו בניתוח הראשוני. מכיוון שהחרגת מחקרים אלו לא שינתה באופן מהותי את הממצאים, הם נשמרו בניתוח הראשוני כדי למקסם את גודל המדגם ואת ההכללה.

הערכת הטיית פרסום: תוכננה בדיקה ויזואלית של גרפים במשפך לאי-סימטריה לתוצאות כולל ≥10 מחקרים. מכיוון שכל התוצאות כללו פחות מ-10 מחקרים, מבחנים פורמליים כמו מבחן הרגרסיה של אגר חלשים ובדרך כלל אינם מומלצים. עם זאת, בוצע מבחן רגרסיה חקרני של אגר לתוצאה עם מספר המחקרים הגדול ביותר (עמדה, n = 9) כניתוח לאחר הוק. יש לפרש את התוצאות בזהירות רבה בשל עוצמת סטטיסטיקה נמוכה.

תוכנה: כל הניתוחים הסטטיסטיים בוצעו באמצעות תוכנת Review Manager (RevMan), גרסה 5.4 (The Cochrane Collaboration, קופנהגן, דנמרק).

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

Results

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

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...

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

Discussion

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

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...

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

Disclosures

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

המחברים מצהירים שאין להם אינטרסים מתחרים.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
ספריית קוקרייןספריית קוקרייןhttps://www.cochranelibrary.com/
EmbaseEmbasehttps://www.embase.com/landing?status=grey
הערת סיום X9Clarivate Analyticshttps://support.clarivate.com/Endnote/s/?language=en_USתוכנת ניהול הפניות להסרת שכפול וארגון ציטוטים
Google Scholarגוגלhttps://scholar.google.com/
רשימת בדיקה להערכה ביקורתית של מכון ג'ואנה בריגס (JBI)מכון ג'ואנה בריגסhttps://jbi.global/critical-appraisal-toolsכלי להערכת איכות למחקרים אנליטיים-חתך
מיקרוסופט אקסלמיקרוסופט קורפוריישןhttps://www.microsoft.com/en-usפיתוח טופס חילוץ נתונים; ניהול נתונים; המרת סטטיסטיקה
OVIDOVIDhttps://www.ovid.com/
תבנית דיאגרמת זרימה PRISMA 2020קבוצת העבודה של PRISMAhttps://www.prisma-statement.org/prisma-2020-flow-diagramתבנית לדיאגרמת זרימת בחירת המחקר 
PubMedהמכונים הלאומיים לבריאותhttps://pubmed.ncbi.nlm.nih.gov/
מנהל ביקורות (RevMan) שיתוף הפעולה עם קוקרןגרסה 5.4תוכנה להכנת ותחזוקה של ביקורות על Cochran; משמש למטא-אנליזה (איגוד, גרפים של יער, הטרוגניות, ניתוחי רגישות).

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