看護実践における人工知能の知識:知覚、態度、意図のメタ分析

Summary

このメタアナリシスは、看護師が患者ケアにおける人工知能(AI)の利用に関する認識、態度、意図の違いを調査しました。看護実践におけるAIの活用方法を知っている看護師は、知らない人よりも認知、態度、意図が有意に高かったのです。

Abstract

このメタアナリシスは、看護実践におけるAIの適用方法を知らない看護師の間で、患者ケアにおけるAI使用に関する認識、態度、意図の違いを評価することを目的としました。

固定効果またはランダム効果法を用いた連続アウトカムモデルを用いてメタアナリシスを行い、各アウトカムの平均差(MD)および95%信頼区間(CI)を推定しました。このメタアナリシスのために、3648人の看護師を対象とした9件の研究を選定しました。看護実践におけるAIの利用方法を知っている看護師は、看護実践におけるAIの利用方法を知らない人に比べて、知覚(統合生MD1.43;95%信頼区間、0.86–1.99、p.< 0.001)、態度(MD、1.80;95%CI、0.81–2.78、p<0.001)、意図(MD、2.89;95%CI、1.61–4.16、p.<0.001)が有意に高かった。 しかし、すべてのアウトカムで異質性が非常に高く(I² = 91–98%)、研究間で大きなばらつきがあることを示しました。しかし、これらのアウトカムはスケール範囲が大きく異なる(例:5ポイントから100ポイントスケール)で測定されたため、プールされた生MDは一貫した絶対差を示しません。すべての研究で一貫した効果の方向(陽性)が主な発見であり、特定のMD値ではありません。

看護実践におけるAIの活用方法を知っている看護師は、知らない看護師よりも好意的な認識、態度、意図をより多く報告しています。しかし、異質性が高く、スケールのばらつきがあり、断面設計も大きいため、これらの発見は仮説形成にあくまで作用します。因果関係の主張は正当化されません。

Introduction

特に医療分野では、人工知能が重要な破壊的技術となっています。医療のワークフロー、臨床アウトカム、患者ケアの提供はすべて人工知能によって革命的に変化しています¹.看護は臨床現場全体で思いやりのあるエビデンスに基づくケアを提供することを目指しています².看護師は、最前線の医療専門家であるため、患者全体のアウトカムを向上させるあらゆる技術を積極的に受け入れる準備が必要です。人工知能は看護実践に統合される可能性が高いです。医療分野で人工知能の成功を確実に導入するためには、看護師がそれを受け入れる準備ができているかを評価する必要があります³.人工知能は、精密で個別化され、創造的なソリューションを通じて医療を進歩させる可能性を秘めているため、その重要性はますます認識されています⁴.医療現場での臨床成果改善や効率向上に大きな可能性を持つ医療コミュニティは、適応初期段階での人工知能の統合に大きな期待を寄せています⁵.しかし、関心が高まっているにもかかわらず、医療における人工知能の応用に関する利害関係者の見解に関する研究はほとんどありません⁶.医療におけるAI導入への関心は関係者によって異なります。明らかな利点がある一方で、医療における人工知能の導入には、データプライバシーの懸念、規制遵守の困難、倫理的ジレンマなど多くの障害があります⁷.研究者は、看護師の人工知能実装に関する知識のギャップを埋め、この文脈でエビデンスに基づくケアの受け入れを確保しなければなりません⁸.このギャップを埋めるために、本メタアナリシスでは、看護実践におけるAIの活用方法を知っている看護師と知らない看護師を、患者ケアにおけるAIに関する認識、態度、意図の領域で明確に比較しています。研究は、人工知能が生産性を向上させ、新しい配信システムを開発する革命的な可能性にもっと焦点を当て、その応用に関する代替的な視点も考慮する必要があります⁵.人工知能の適切な応用に関する不確実性やデータ品質の問題も、医療業界での採用を妨げています⁹.経済的評価によると、人工知能は医療の質を向上させ、特に眼科のような複雑な分野でコスト効率の高い方法を可能にします¹⁰.人工知能の普及を妨げる障害に対処することは、そのすべての利点を十分に発揮するために不可欠です。労働力のスキルアップ、倫理的問題、そして人工知能技術を実務的な文脈で成功裏に活用する難しさは、以前の研究で指摘された障害の一部です¹¹.これらの障害はすべて、医療従事者が人工知能に適応する準備度に直接影響を与えます。ファジーエキスパートシステム、ベイズネットワーク、人工ニューラルネットワーク、ハイブリッド知能システムなどの技術が臨床現場でケア提供の向上に用いられる中で、人工知能は医療業界にますます統合されつつあります¹².さらに、ディープラーニング人工知能システムなど、プロセスの自動化や疾患の検出が可能となる高度なシステムも開発されています¹³.その結果、医療業界における人工知能の効果は多様な分野に及び、臨床治療の改善、リスクの予測、全体のプロセスの効率化に大きな可能性を秘めています¹⁴.人工知能の統合は、倫理的問題、新技術への適応の必要性、看護の責任への潜在的な影響など、看護師にとって大きな障壁をもたらします¹⁵.看護師は、使用が進むにつれて人工知能ツールを適切に活用するために必要な知識とスキルを身につけなければなりません¹⁶.研究によると、感情知能は看護師と人工知能の相互作用を高め、その結果、患者ケアの質や看護師の適応能力の両方に影響を与えます¹⁷.看護師がAIをどのように認識し、関わるかに影響を与える重要な要素は、看護実務におけるAIの実際の応用に関する既存の知識です。臨床意思決定支援、予測分析、自動モニタリングなどAIの具体的な機能について基本的な理解がなければ、看護師は誤情報や経験不足に基づいて意見を形成してしまうことがあります。逆に、看護実践におけるAIの役割について実践的な知識を持つ看護師は、より好意的な態度、より大きな有用性の認識、AIツールの導入意欲が強い傾向を示すことがあります。したがって、私たちは「看護実践における人工知能の活用に関する知識」を主要な曝露変数として選び、この特定の知識形態が認識、態度、意図の意味のある違いと関連しているかどうかを検証しました。そこで、看護師の人工知能利用に関する認識、態度、意図を評価するメタアナリシスを実施しました。この研究は、患者ケア現場で人工知能を適用するために必要な態度、能力、知識に関する文献の重要なギャップを埋めています。この研究は、看護師の準備状況を評価し、改善すべき重要な分野を特定することで人工知能の看護統合を促進する計画を示しています。

具体的には、このメタアナリシスは、看護師の2つのグループ、すなわちAIの活用方法を知っている看護師と知らない看護師の2つのグループ間の、知覚、態度、意図の3つのアウトカムを比較するために設計されました。

この研究の主な目的は、登録看護師が患者ケアの過程で人工知能をどれだけ活用できるかを調べることでした。

Protocol

研究デザイン:

本研究は、システマティックレビューおよびメタアナリシスの優先報告項目(PRISMA)ガイドラインに基づき実施されたシステマティックレビューおよびメタアナリシスです。完成したPRISMA 2020チェックリストは補足ファイル1 として提供されています。このプロトコルは、看護師の人工知能(AI)使用に関する認識、態度、意図に関する証拠を定量的に統合し、AI知識のある看護師と¹⁸歳未満の看護師を比較することを目的としました。 図1 は研究選択プロセスを示しています。

適格基準
研究は以下のPICOSフレームワーク¹⁹に基づいて選定されました。

人口(P):臨床専門分野や環境の登録看護師または看護管理者。

介入(I)/曝露:看護実践におけるAI使用に関する知識、訓練、または認識を持つこと。

比較(C):看護師や看護学生で、看護実践におけるAIの活用方法を知らないと報告する。

アウトカム(O):患者ケアにおけるAIに対する知覚、態度、意図の定量的測定で、標準偏差(SD)付き平均スコアまたはそれに変換可能なデータとして報告されます。

研究デザイン(S):観察研究(横断またはコホート)および調査ベースの研究。介入研究(例:ランダム化比較試験)は、関心の露出、すなわち看護実践におけるAIの活用に関する知識が既存の特徴であり、ランダム化介入ではないため除外されました。

除外基準:

質的研究、総説論文、社説、書簡、完全なデータのない会議要旨、査読されていない文献は本研究から除外されました。比較定量データ(例:平均、標準差、サンプルサイズ)を提供しない研究(AI知識有無)は除外しました。対象集団が看護師のみまたは主に含まれていない研究(例:看護師データのない混合医療専門職グループ)も除外されました。言語に基づく研究は除外されませんでした。

情報源と検索戦略

体系的な検索は、開始から2025年7月31日までの5つの電子データベース(PubMed、Cochrane Library、Embase、OVID、Google Scholar)で実施されました。
検索戦略は、管理語彙(例:MeSH用語)と、(1)看護師、(2)人工知能、(3)知覚/態度という3つの核心概念に関連するフリーテキストキーワードを組み合わせました。ブール演算子「AND」と「OR」は概念の中や概念間の用語を結びつけるために使われました。PubMedのサンプル検索戦略は表1に示されています。含まれたすべての研究および関連レビューの参考文献リストは、追加の適格出版物を特定するために手動でスクリーニングされました。各データベースの完全な再現可能な検索文字列は以下に示されています。構文は各データベースの必要なフォーマットに合わせて調整され、適切なフィールドタグ、制御語彙(MeSH、EMTREE)、ブール演算子などが含まれていました。言語や日付の制限は一切ありませんでした。捜索は2025年7月31日に実施されました。

学習選考プロセス

研究選択プロセスはPRISMAフローダイアグラムに従っていました(図1参照)。取得したすべてのレコードは重複除去のためにEndNote X9(Clarivate Analytics)にインポートされました。2名の独立レビュアーがタイトルと要旨を適格基準に照らしてスクリーニングしました。いずれかの査読者が潜在的に関連性があると判断した研究は全文レビューに進みました。 同じ2人の査読者が、最終候補に選ばれた研究の全文を独立して評価しました。いかなる段階でも意見の相違は議論と合意によって解決されました。第三者のレビュアーは必要ありませんでした。すべての基準を満たす研究の最終リストは合意により合意されました。

データ抽出と管理²²

標準化されたパイロットデータ抽出フォームがスプレッドシートで作成されました。2人のレビュアーは独立して各研究からデータを抽出しました。抽出されたデータには、研究の特徴、集団の詳細、曝露定義、アウトカムデータが含まれていました。

研究の特徴:第一著者、出版年、国別、研究デザイン、サンプルサイズ。

人口詳細:看護師タイプ(例:臨床看護師、学生、管理者)、臨床環境、平均年齢、性別分布。

曝露定義:看護実践における「AI使用の知識」がどのように定義・測定されたか(例:特定の研修コース、リッカート尺度での自己申告の親しみ)。

アウトカムデータ:関連する各アウトカム(知覚、態度、意図)について、「AI知識がある」グループと「非AI知識者」グループの両方で、平均スコア、標準偏差(SD)、およびサンプルサイズ(n)を抽出しました。平均および標準偏差(SD)が直接報告されなかった場合は、Cochrane Handbook for Systematic Reviews of Interventions(バージョン6.4^)に記載された方法を用いて利用可能な統計から算出されました。具体的には:

中央値および四分位数範囲(IQR)から:Wanら(2014)²³ の手法を用いて平均および標準差を推定した。

95%信頼区間(CI)およびサンプルサイズから:SDは次の式で逆算されました:SD = √n ×(上限CI限界 – 下限CI限界) / (2 × 1.96)。

p値およびサンプルサイズから:標準差は、t統計量または正確なp値が得られた場合、コクランハンドブック(セクション6.5.2.3)に記載された方法で推定されました。

9件の研究のうち、3件は平均および標準差がメタアナリシスに必要な形式で報告されなかったため、データ変換が必要でした。

研究[著者、年]:報告された中央値およびIQR;Wanら²³ 年法で変換。

研究【著者・年】:CIは95%のみを報告;SDは逆算で計算済みです。

研究【著者・年】:群比較のためにp値を提供し、SDなしの平均を報告;p値から推定されるSD。

残りの6件の研究は平均と標準差を直接報告し、変換を必要としませんでした。変換されたすべての値は2人のレビュアーによって独立して検証されました。

バイアスリスク(質)評価²⁴

含まれた観察研究の方法論的質は、ジョアンナ・ブリッグス研究所(JBI)の分析横断研究の批判的評価チェックリストを用いて、2^人のレビュアーによって独立して評価されました。このツールは、サンプル代表性、曝露およびアウトカム測定、交絡分析、統計解析などの領域を評価します。各項目は「はい」「いいえ」「不明」「該当なし」と評価されました。コンセンサスに基づき、総合的な研究の質評価(高、中、低)が割り当てられました。意見の相違は上記の通りに解決されました。

データ統合と統計解析

効果指標:主要な効果指標は平均差(MD)で、95%信頼区間(CI)を用いました。MDが0>は、AI知識を持つグループでより高いスコア(例えば、より前向きな態度)を示しました。

メタアナリジェンスモデル:臨床的および方法論的な異質性が研究ごとに予想されるため、すべての一次解析にランダム効果モデルが用いられました。ランダム効果モデルも感度分析として適用されました^26,27。

異質性評価:統計的異質性は^I2 統計量を用いて定量化しました。25%、50%、75%^の2つの 値はそれぞれ低、中等度、高異質性と解釈されました。また、コクランのQテスト(p < 0.10、有意な異質性を示す)も参照されました。

サブグループおよび感度分析:計画的なサブグループ解析は、アウトカムあたり<10件の研究数が限られていたため実現不可能でした。感度解析は固定効果モデルに切り替えて実施されました。感度分析は、低品質と評価された研究を除外し、固定効果モデルに切り替えるなど、統合推定値の堅牢性を評価する計画を行いました。質が低い(JBIスコア≤4)と評価された2^件を除く感度^{分析が実施}されました。残りの7件の統合効果推定値(n = 3,161)はすべてのアウトカムの主解析と類似であり、すべての関連は統計的に有意なままでした(p < 0.001)。したがって、9件すべての研究が一次解析に残されました。これらの研究を除外しても結果に大きな変化がなかったため、サンプルサイズと一般化可能性を最大化するために一次分析に残されました。

出版バイアス評価:≥10件の研究を含むアウトカムに対して、漏斗プロットの非対称性の視覚的検査を計画しました。すべての結果が10件未満の研究を含んでいたため、エッガー回帰検定のような正式な検定は検出力が不足しており、通常は推奨されません。しかし、最も多くの研究(態度、n = 9)を挙げた結果については、探索的エッガー回帰検定を事後分析として実施しました。統計的検出力が低いため、結果の解釈には極めて注意が必要です。

ソフトウェア:すべての統計解析はReview Manager(RevMan)ソフトウェアバージョン5.4(コクラン共同研究、コペンハーゲン、デンマーク)を使用して実施されました。

Results

関連出版物2245件を調査した結果、2021年から2025年に発表された9件の研究が^{26、27、28、29、30、31、32、33、34}の納入基準を満たしました。 表2は これらの研究結果をまとめたものです。合計3648人の看護師が調査されました。曝露定義は研究ごとに異なりましたが、自己申告の知識、事前の訓練、看護実践におけるAI応用への親...

Discussion

現在のメタアナリシスでは、3648人の看護師を対象とした9件の研究が調査され、^{26,27,28,29,30,31,32,33,34}が対象となりました。このメタアナリシスは、看護実践におけるAIの活用方法を知っている看護師と知らない看護師を比較しました。9件の研究を通じて、知識のあるグループは知覚、態度、意図の指標で一貫して高いスコアを示しました。4つのアウトカムすべてで統計...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
コクラン図書館	コクラン図書館	https://www.cochranelibrary.com/
エンベース	エンベース	https://www.embase.com/landing?status=grey
エンドノートX9	クラリベイト・アナリティクス	https://support.clarivate.com/Endnote/s/?language=en_US	重複除去および引用整理のための参考文献管理ソフトウェア
Google Scholar(グーグル・スカラー)	グーグル	https://scholar.google.com/
ジョアンナ・ブリッグス研究所(JBI)批判的評価チェックリスト	ジョアンナ・ブリッグス研究所	https://jbi.global/critical-appraisal-tools	分析的横断研究のための質評価ツール
Microsoft Excel	マイクロソフト・コーポレーション	https://www.microsoft.com/en-us	データ抽出フォームの開発;データ管理、統計の変換
OVID	OVID	https://www.ovid.com/
PRISMA 2020フローダイアグラムテンプレート	PRISMAワーキンググループ	https://www.prisma-statement.org/prisma-2020-flow-diagram	研究選択フロー図のテンプレート
PubMed(出版情報)	国立衛生研究所	https://pubmed.ncbi.nlm.nih.gov/
レビューマネージャー(RevMan)およびnbsp;	コクラン・コラボレーション	バージョン5.4	コクランレビューの作成および維持のためのソフトウェア;メタアナリシス(プーリング、森林プロット、異質性、感度分析)に使用されます。