Method Article

간호 실무에서의 인공지능 지식: 지각, 태도, 의도에 대한 메타분석

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

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

이 메타분석은 환자 치료에서 인공지능(AI) 사용에 관한 간호사들의 인식, 태도, 의도 차이를 조사하였습니다. 간호 실무에서 AI가 어떻게 사용되는지 아는 간호사들은 그렇지 않은 간호사들보다 인식, 태도, 의도가 훨씬 높았습니다.

Abstract

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

이 메타분석은 간호사와 간호 실무에서 AI 적용 방식을 알고 있는 간호사 간에 환자 진료에서 AI 사용에 대한 인식, 태도, 의도의 차이를 평가하는 것을 목표로 했습니다.

고정 효과 또는 무작위 효과 방법을 사용하여 각 결과에 대한 평균 차이(MD)와 95% 신뢰구간(CI)을 추정하기 위해 연속 결과 모델을 사용하여 메타분석을 수행하였습니다. 이 메타분석을 위해 3648명의 간호사가 참여한 9개의 연구를 선정했습니다. 간호 실무에서 AI가 어떻게 사용되는지 알고 있는 간호사들은 인공지능 활용 방식을 모르는 간호사들에 비해 인식(통합 원시 MD, 1.43; 95% 신뢰구간, 0.86–1.99, 파< 0.001), 태도(MD, 1.80; 95% 신뢰구간, 0.81–2.78, p < 0.001), 의도(MD, 2.89; 95% 신뢰구간, 1.61–4.16, p < 0.001)에서 유의하게 더 높았다. 그러나 모든 결과에서 이질성이 매우 높았으며(I2 = 91–98%), 연구 간 상당한 차이가 있음을 나타냈습니다. 그러나 이러한 결과가 5점에서 100점 척도까지 매우 다양한 척도 범위를 가진 도구를 사용해 측정되었기 때문에, 통합된 원시 MD는 일관된 절대 차이를 나타내지 않습니다. 모든 연구에서 일관된 효과 방향(긍정적)이 주요 발견이지, 특정 MD 값은 아닙니다.

간호 실무에서 AI가 어떻게 사용되는지 아는 간호사들은 그렇지 않은 간호사보다 더 긍정적인 인식, 태도, 의도를 보고합니다. 그러나 높은 이질성, 규모 변이, 단면 설계로 인해 이러한 발견은 가설 생성에 불과합니다. 인과관계 주장은 정당화되지 않습니다.

Introduction

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

특히 의료 분야에서 인공지능은 중요한 파괴적 기술로 자리 잡았습니다. 의료 워크플로우, 임상 결과, 환자 진료 제공 모두 인공지능에 의해 혁신되고 있습니다1. 간호는 임상 환경 전반에 걸쳐 자비롭고 근거 기반의 진료를 제공하는 것을 목표로 합니다2. 간호사는 최전선 의료 전문가이기 때문에 전반적인 환자 결과를 향상시키는 모든 기술을 수용할 준비가 되어 있어야 합니다. 인공지능은 간호 실무에 통합될 가능성이 높습니다. 의료 분야에서 인공지능의 성공적인 도입을 보장하기 위해서는 간호사들이 인공지능을 수용할 준비가 되어 있는지 평가하는 것이 필요합니다3. 인공지능은 정밀하고 개별적이며 창의적인 솔루션을 통해 의료 분야를 발전시킬 잠재력을 가지고 있기 때문에, 그 중요성은 점점 더 인식되고 있습니다4. 임상 결과를 개선하고 의료 환경에서 효율성을 높일 수 있는 엄청난 잠재력을 가진 의료계는 인공지능을 적응 초기 단계에서 도입하는 데 큰 기대를 가져왔습니다5. 그러나 관심이 높아지고 있음에도 불구하고, 의료에 인공지능 적용에 대한 이해관계자들의 견해에 대한 연구는 거의 없습니다6. 의료 분야에서의 AI 도입에 대한 관심은 이해관계자마다 다릅니다. 겉보기에는 장점에도 불구하고, 의료 분야에서 인공지능을 도입하는 데에는 데이터 프라이버시 우려, 규제 준수의 어려움, 윤리적 딜레마 등 여러 장애물이 존재합니다7. 연구자들은 인공지능 구현에 대한 간호사들의 관점에 대한 지식 격차를 해소하여 근거 기반 치료가 이 맥락에서 수용되도록 해야 합니다8. 이 격차를 해소하기 위해, 본 메타분석은 간호 실무에서 AI가 어떻게 사용되는지 알고 있다고 보고한 간호사와 그렇지 않은 간호사를 환자 치료에서의 AI에 대한 인식, 태도, 의도 영역 전반에서 명시적으로 비교합니다. 연구는 인공지능이 산출량을 증대하고 새로운 전달 시스템을 개발할 수 있는 혁신적인 잠재력에 더 집중해야 하며, 그 응용에 대한 대안적 관점도 고려해야 합니다5. 인공지능의 적절한 적용에 대한 불확실성과 데이터 품질 문제는 의료 산업에서의 인공지능 도입에 또 다른 장애물입니다9. 경제 평가에 따르면, 인공지능은 의료 품질을 향상시키고 특히 안과와 같은 복잡한 분야에서 비용 효율적인 방법을 가능하게 합니다10. 인공지능 도입의 장애물을 해결하는 것은 인공지능의 모든 장점이 완전히 실현되도록 하는 데 필수적입니다. 인력 역량 강화, 윤리적 문제, 그리고 인공지능 기술을 실용적인 맥락에서 성공적으로 활용하는 어려움 등은 이전 연구에서 지적된 장애물 중 일부입니다11. 이러한 장애물들은 의료진이 인공지능에 얼마나 잘 적응할 수 있는지에 직접적인 영향을 미칩니다. 퍼지 전문가 시스템, 베이지안 네트워크, 인공 신경망, 임상 환경에서 사용되는 하이브리드 지능형 시스템과 같은 기술 덕분에 인공지능은 의료 산업에 점점 더 통합되고 있습니다12. 또한, 딥러닝 인공지능 시스템과 같은 정교한 시스템도 개발되고 있는데, 이는 프로세스를 자동화하고 질병을 감지할 수 있을 것입니다13. 그 결과, 의료 산업에서 인공지능의 효과는 다양한 분야에서 관찰되며, 임상 치료를 개선하고 위험을 예측하며 전체 과정을 간소화하는 데 큰 잠재력을 가질 것입니다14. 인공지능 통합은 윤리적 문제, 신기술 적응 필요성, 간호 책임에 미칠 잠재적 영향 등 간호사에게 큰 장애물을 안겨줍니다15. 간호사는 인공지능 도구가 발전함에 따라 적절히 활용할 수 있는 지식과 기술을 습득해야 합니다16. 연구에 따르면, 감성 지능은 간호사와 인공지능의 상호작용을 향상시키며, 이는 환자 치료의 질과 간호사의 인공지능 적응 능력 모두에 영향을 미친다17. 간호사들이 AI를 인식하고 참여하는 방식에 영향을 미칠 수 있는 중요한 요소는 간호 실무에서 AI가 실제로 어떻게 적용되는지에 대한 기존 지식입니다. 임상 의사결정 지원, 예측 분석, 자동 모니터링과 같은 AI의 구체적 기능에 대한 기본적인 이해가 없으면, 간호사들은 잘못된 정보나 노출 부족에 근거해 의견을 형성할 수 있습니다. 반대로, 간호 실무에서 AI의 역할에 대한 실질적인 지식을 가진 간호사는 더 긍정적인 태도, 더 큰 유용성을 인식하고 AI 도구 도입에 대한 강한 의지를 보일 수 있습니다. 따라서 우리는 "인공지능이 간호 실무에서 어떻게 사용되는지에 대한 지식"을 주요 노출 변수로 선택하여 이 특정 지식 형태가 인식, 태도, 의도의 의미 있는 차이와 연관되는지 여부를 검증하였습니다. 따라서 우리는 간호사들이 환자 치료에서 인공지능 사용에 대해 가진 인식, 태도, 의도를 평가하기 위한 메타분석을 수행했습니다. 이 연구는 인공지능을 환자 치료 환경에 적용하는 데 필요한 태도, 능력, 지식에 관한 문헌의 중요한 공백을 해소합니다. 이 연구는 간호사의 준비도를 평가하고 개선이 필요한 중요한 영역을 정확히 파악함으로써 인공지능의 간호 통합을 강화할 계획을 제시합니다.

구체적으로, 이 메타분석은 간호사 집단 간 두 그룹 간의 인지, 태도, 환자 돌봄에서 AI에 대한 의도라는 세 가지 결과를 비교하도록 설계되었습니다. 두 그룹은 간호 실무에서 AI가 어떻게 사용되는지 알고 있다고 보고한 간호사와 그렇지 않은 그룹입니다.

이 연구의 주요 목표는 등록 간호사들이 환자 치료 절차에서 인공지능을 얼마나 잘 활용할 준비가 되어 있는지 알아보는 것이었습니다.

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

Protocol

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

연구 설계:

이 연구는 체계적 문헌고찰 및 메타분석(PRISMA) 지침에 따라 수행된 체계적 문헌고찰 및 메타분석이었습니다. 완성된 PRISMA 2020 체크리스트는 보조 파일 1 로 제공됩니다. 이 프로토콜은 환자 진료에서 인공지능(AI) 사용에 대한 간호사들의 인식, 태도, 의도에 대한 증거를 정량적으로 종합하는 것을 목표로 했으며, 이전에 AI 지식이 있는 간호사와18세 미만 간호사를 비교하는 것을 목표로 했습니다. 그림 1 은 연구 선발 과정을 보여줍니다.

자격 요건
연구들은 다음 PICOS 프레임워크19를 기준으로 선정되었습니다:

인구 (P): 임상 전문 분야 또는 환경의 등록 간호사 또는 간호 관리자.

개입(I)/노출: 간호 실무에서 AI 사용에 대한 지식, 교육 또는 인식을 갖추는 것.

비교 (C): 간호사나 간호학과 학생들이 간호 실무에서 AI가 어떻게 사용되는지 모른다고 보고합니다.

결과 (O): 환자 치료에서 AI에 대한 인식, 태도 또는 의도를 정량적으로 측정하며, 표준편차(SD) 또는 표준편차로 변환 가능한 평균 점수로 보고됩니다.

연구 설계(S): 관찰 연구(횡단면 또는 코호트) 및 설문 기반 연구. 중재 연구(예: 무작위 대조시험)는 관심 노출—간호 실무에서 AI가 어떻게 사용되는지에 대한 지식—이 기존 특성이기 때문에 제외되었습니다.

제외 기준:

정성적 연구, 리뷰 논문, 사설, 서한, 전체 데이터가 없는 학회 초록, 그리고 동료 심사를 거치지 않은 문헌은 이 연구에서 제외되었습니다. 두 그룹(AI 지식 있음 대 무관함)에 대해 비교 정량 데이터(예: 평균, 표준편수, 표본 크기)를 제공하지 않은 연구는 제외하였습니다. 인구가 간호사만으로 또는 주로 구성되지 않은 연구들(예: 간호사 데이터가 없는 혼합 의료 전문직 그룹)도 제외되었습니다. 언어를 이유로 제외된 연구는 없었다.

정보 출처 및 검색 전략

체계적인 검색은2025년 7월 31일까지 5개의 전자 데이터베이스(PubMed, Cochrane Library, Embase, OVID, Google Scholar)에서 수행되었습니다.
검색 전략은 통제된 어휘(예: MeSH 용어)와 세 가지 핵심 개념((1) 간호사, (2) 인공지능, (3) 인식/태도와 관련된 자유 텍스트 키워드를 결합했습니다. 불리언 연산자 "AND"와 "OR"는 개념 내와 개념 간 용어를 연결하는 데 사용되었습니다. PubMed의 샘플 검색 전략은 표 1에 제공되어 있습니다. 포함된 모든 연구 및 관련 문헌고찰의 참고문헌 목록을 수동으로 선별하여 추가 적격 출판물을 식별하였습니다21. 각 데이터베이스에 대한 완전한 재현 가능한 검색 문자열은 아래에 제공됩니다. 문법은 각 데이터베이스의 요구되는 형식에 맞게 조정되었으며, 적절한 필드 태그, 제어 어휘(MeSH, EMTREE), 불리언 연산자를 포함했습니다. 언어나 날짜 제한은 없었다. 수색은 2025년 7월 31일에 수행되었습니다.

학습 선발 과정

연구 선정 과정은 PRISMA 흐름도( 그림 1 참조)를 따랐습니다. 검색된 모든 레코드는 중복 제거를 위해 EndNote X9(Clarivate Analytics)로 가져왔습니다. 두 명의 독립 심사자가 적격 기준에 따라 제목과 초록을 심사했습니다. 어느 심사위원이 잠재적으로 관련성을 판단한 연구들은 전체 텍스트 검토로 진행되었습니다. 같은 두 심사위원 이 후보에 선정된 연구들의 전체 텍스트를 독립적으로 평가했습니다. 어느 단계에서든 의견 차이는 토론과 합의를 통해 해결되었다. 세 번째 심사자는 필요하지 않았습니다. 모든 기준을 충족하는 최종 연구 목록은 합의로 합의되었습니다.

데이터 추출 및 관리22

표준화된 파일럿 데이터 추출 양식이 스프레드시트로 개발되었습니다. 두 평가자는 독립적으로 각 포함된 연구에서 데이터를 추출했습니다. 추출된 데이터에는 연구 특성, 집단 세부사항, 노출 정의 및 결과 데이터가 포함되었습니다.

연구 특성: 제1저자, 출판 연도, 국가, 연구 설계, 표본 크기.

인구 세부사항: 간호사 유형(예: 임상, 학생, 관리자), 임상 환경, 평균 연령, 성별 분포.

노출 정의: "간호 실무에서 AI 사용에 대한 지식"이 어떻게 정의되고 측정되었는지(예: 특정 교육 과정, 리커트 척도에서의 자기보고적 친숙도).

결과 데이터: 각 관련 결과(인지, 태도, 의도)에 대해 "AI 지식이 있는" 그룹과 "비AI 지식" 그룹 모두에 대해 평균 점수, 표준편차(SD), 표본 크기(n)를 추출하였다. 평균과 표준편차(SD)가 직접 보고되지 않은 경우, Cochrane Handbook for Systematic Reviews of Interventions(버전 6.4)에 설명된 방법을 사용하여 이용 가능한 통계에서 계산했습니다. 구체적으로:

중앙값과 4분위 범위(IQR)에서: Wan 등(2014)23 의 방법을 사용하여 평균과 표준차이를 추정하였다.

95% 신뢰구간(CI)과 표본 크기에서 SD는 다음 공식으로 역계산되었습니다: SD = √n × (CI 상한선 – 하한CI) / (2 × 1.96).

p-값과 표본 크기로부터: t-통계량이나 정확한 p-값이 있을 때 코크란 핸드북(섹션 6.5.2.3)에 설명된 방법으로 SD를 추정하였다.

포함된 9개 연구 중 3개는 평균과 표준편차가 메타분석에 필요한 형식으로 보고되지 않아 데이터 변환을 요구했습니다:

연구 [저자, 연도]: 보고된 중앙값 및 IQR; Wan 등은 23 가지 방법으로 변환했습니다.

연구 [저자, 연도]: 95% 신뢰구간만 보고함; SD가 다시 계산되었습니다.

연구 [저자, 연도]: 군 비교를 위해 표준병 없이 p-값을 제공하되 평균을 보고함; p-값으로 추정되는 SD.

나머지 6개 연구는 평균과 표준편차를 직접 보고했으며 변환이 필요하지 않았습니다. 모든 변환된 값은 두 명의 리뷰어가 독립적으로 검증하였습니다.

편향 위험(질) 평가24

포함된 관찰 연구의 방법론적 질은 Joanna Briggs 연구소(JBI)의 분석 횡단면 연구에 대한 비판적 평가 체크리스트를 사용하여 두 명의 평가자에 의해 독립적으로 평가되었습니다25. 이 도구는 표본 대표성, 노출 및 결과 측정, 교란 요소, 통계 분석 등 다양한 영역을 평가합니다. 각 문항은 "예", "아니오", "불분명하다" 또는 "해당 없음"으로 점수를 매겼습니다. 전체 연구 품질 등급(높음, 중간, 낮음)이 합의에 따라 부여되었습니다. 불화는 위에서 설명한 대로 해결되었다.

데이터 종합 및 통계 분석

효과 측정: 주요 효과 측정은 평균 차이(MD)와 95% 신뢰구간(CI)이었습니다. MD가 0> 경우 AI 지식이 있는 그룹에서 더 높은 점수(예: 더 긍정적인 태도)를 나타냈습니다.

메타분석 모델: 임상 및 방법론적 이질성이 연구 간 예상됨에 따라 모든 1차 분석에 무작위 효과 모델을 사용하였습니다. 무작위 효과 모델도 민감도 분석으로 적용되었다26,27.

이질성 평가: 통계적 이질성은 I2 통계량을 사용하여 정량화하였습니다. 25 %, 50%, 75%의 2개 수치는 각각 낮음, 중등도, 높은 이질성으로 해석되었습니다. 코크란의 Q 검정(p < 0.10, 유의미한 이질성을 나타낸 결과)도 참고되었다.

하위 그룹 및 민감도 분석: 계획된 하위 그룹 분석은 결과당 연구 수가 제한적(<10개)으로 인해 실현 불가능했습니다. 민감도 분석은 고정 효과 모델로 전환하여 수행되었습니다. 민감도 분석은 통합 추정치의 견고성을 평가하기 위해 계획되었으며, 저품질로 평가된 연구는 제외하고 고정효과 모델로 전환하는 것이 포함되었습니다. 저품질(JBI 점수 ≤4)27.28로 평가된 두 연구를 제외한 민감도 분석이 수행되었습니다. 나머지 7개 연구의 통합 효과 추정치(n = 3,161)는 모든 결과에 대해 본 분석과 유사했으며, 모든 연관성은 통계적으로 유의미했습니다(p < 0.001). 따라서 9개 연구 모두 1차 분석에 포함되었습니다. 이 연구들을 제외해도 결과에 실질적인 변화가 없었기 때문에, 표본 크기와 일반화 가능성을 극대화하기 위해 1차 분석에 포함되었습니다.

출판 편향 평가: ≥10개 연구를 포함한 결과에 대해 깔때기 플롯의 시각적 검사를 계획하였다. 모든 결과가 10개 미만의 연구를 포함했기 때문에, 에거 회귀 검정과 같은 공식 검정은 약하며 일반적으로 권장되지 않습니다. 그러나 연구 수(태도, n = 9)가 가장 많은 결과에 대해 탐색적 에거 회귀 검정을 사후 분석으로 수행하였다. 통계적 검정력이 낮기 때문에 결과는 극도의 신중하게 해석해야 합니다.

소프트웨어: 모든 통계 분석은 Review Manager(RevMan) 소프트웨어 버전 5.4(코크란 협력체, 코펜하겐, 덴마크)를 사용하여 수행되었습니다.

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

Results

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

2245개의 관련 논문을 검토한 결과, 2021년부터 2025년 사이에 발표된 9개의 연구가 26,27,28,29,30,31,32,33,34의 포함 기준을 충족하였습니다. 표 2는 이 연구들의 결과를 요약한 것입니다. 총 3648명의 간호사가 조사되었습니다. 노출 정의는 연구마다 달랐지만, 자기보고한 지식...

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

Discussion

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

현재 메타분석에서는 3648명의 간호사를 대상으로 9개의 연구가 조사되었으며, 26,27,28,29,30,31,32,33,34를 포함하였습니다. 이 메타분석은 간호 실무에서 AI가 어떻게 사용되는지 알고 있다고 보고한 간호사와 그렇지 않은 간호사를 비교했습니다. 9개의 연구에서 지식이 풍부한 그룹은 지각, 태도, 의도 측정에서 꾸준히 ...

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

Disclosures

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

저자들은 서로 상충하는 이해관계가 없다고 선언한다.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
코크레인 도서관코크레인 도서관https://www.cochranelibrary.com/
엠베이스엠베이스https://www.embase.com/landing?status=grey
엔드노트 X9클라리베이트 애널리틱스https://support.clarivate.com/Endnote/s/?language=en_US중복 제거 및 인용 조직을 위한 문헌 관리 소프트웨어
구글 스칼라구글https://scholar.google.com/
조안나 브릭스 연구소(JBI) 비판 평가 체크리스트조안나 브릭스 연구소https://jbi.global/critical-appraisal-tools분석 횡단면 연구를 위한 품질 평가 도구
마이크로소프트 엑셀마이크로소프트 코퍼레이션https://www.microsoft.com/en-us데이터 추출 양식 개발; 데이터 관리; 통계 변환
오비드오비드https://www.ovid.com/
PRISMA 2020 플로우 다이어그램 템플릿프리즈마 작업 그룹https://www.prisma-statement.org/prisma-2020-flow-diagram연구 선발 흐름도 템플릿  
퍼블메드국립보건원(NIH)https://pubmed.ncbi.nlm.nih.gov/
리뷰 매니저(RevMan)  코크란 협력체버전 5.4코크란 리뷰 준비 및 유지를 위한 소프트웨어; 메타분석(풀링, 포레스트 플롯, 이질성, 민감도 분석)에 사용됩니다.

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