Method Article

Kennis van Kunstmatige Intelligentie in de Verpleegkunde: Een meta-analyse van perceptie, houding en intentie

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

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

Deze meta-analyse onderzocht verschillen in de percepties, houdingen en intenties van verpleegkundigen met betrekking tot het gebruik van kunstmatige intelligentie (AI) in de patiëntenzorg. Verpleegkundigen die wisten hoe AI wordt gebruikt in de verpleegkundige praktijk hadden aanzienlijk hogere percepties, houdingen en intenties dan degenen die dat niet wisten.

Abstract

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

Deze meta-analyse had als doel verschillen te evalueren in perceptie, houding en intentie met betrekking tot het gebruik van AI in de patiëntenzorg tussen verpleegkundigen met en zonder kennis van hoe AI wordt toegepast in de verpleegkundige praktijk.

We voerden een meta-analyse uit met een continu uitkomstmodel met vaste of random-effecten methoden om het gemiddelde verschil (MD) en 95% betrouwbaarheidsintervallen (BI) voor elke uitkomst te schatten. We selecteerden 9 studies met 3648 verpleegkundigen voor deze meta-analyse. Verpleegkundigen die weten hoe AI wordt gebruikt in de verpleegpraktijk hadden significant hogere perceptie (gepoolde ruwe MD, 1,43; 95% BI, 0,86–1,99, p < 0,001), houding (MD, 1,80; 95% BI, 0,81–2,78, p < 0,001) en intentie (MD, 2,89; 95% BI, 1,61–4,16, p< 0,001) vergeleken met degenen die niet weten hoe AI wordt gebruikt in de verpleegkundige praktijk. De heterogeniteit was echter zeer hoog voor alle uitkomsten (I2 = 91–98%), wat wijst op aanzienlijke variatie tussen de studies. Omdat deze uitkomsten echter werden gemeten met instrumenten met sterk uiteenlopende schaalbereiken (bijvoorbeeld 5-punts tot 100-puntsschaal), vertegenwoordigt de gepoolde ruwe MD geen consistent absoluut verschil. De consistente richting van effect in alle studies (positief) is de primaire bevinding, niet de specifieke MD-waarden.

Verpleegkundigen die weten hoe AI wordt gebruikt in de verpleegkundige praktijk rapporteren positievere percepties, houdingen en intenties dan degenen die dat niet weten. Door hoge heterogeniteit, schaalvariatie en dwarsdoorsnedeontwerpen zijn deze bevindingen echter uitsluitend hypothese-genererend. Causale claims zijn niet gerechtvaardigd.

Introduction

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

Met name in de gezondheidszorg is kunstmatige intelligentie een cruciale disruptieve technologie geworden. Zorgworkflows, klinische uitkomsten en patiëntenzorg worden allemaal gerevolutioneerd door kunstmatige intelligentie1. Verpleegkunde streeft ernaar om meelevende, op bewijs gebaseerde zorg te bieden in klinische omgevingen2. Verpleegkundigen moeten bereid zijn om elke technologie te omarmen die de algehele uitkomsten van patiënten verbetert, omdat zij frontlinie-zorgprofessionals zijn. Kunstmatige intelligentie zal waarschijnlijk geïntegreerd worden in de verpleegkundige praktijk. Om de succesvolle adoptie van kunstmatige intelligentie in de gezondheidszorg te waarborgen, is het noodzakelijk om de paraatheid van verpleegkundigen te beoordelen om deze te omarmen3. Omdat kunstmatige intelligentie het potentieel heeft om de gezondheidszorg te verbeteren door precieze, individuele en creatieve oplossingen, wordt het belang ervan steeds meer erkend4. Met het enorme potentieel om klinische uitkomsten te verbeteren en de efficiëntie in zorgomgevingen te verhogen, is de medische gemeenschap enthousiast over het integreren van kunstmatige intelligentie in haar vroege adaptatiestadia5. Toch is er ondanks de toenemende interesse weinig onderzoek naar de standpunten van belanghebbenden over de toepassing van kunstmatige intelligentie in de gezondheidszorg6. De interesse in AI-implementatie in de gezondheidszorg varieert per stakeholder. Ondanks de schijnbare voordelen zijn er een aantal obstakels bij het implementeren van kunstmatige intelligentie in de gezondheidszorg, waaronder zorgen over gegevensprivacy, problemen met naleving van regelgeving en ethische dilemma's7. Onderzoekers moeten de kenniskloof dichten over de perspectieven van verpleegkundigen op de implementatie van kunstmatige intelligentie om de acceptatie van evidence-based zorg in deze context te waarborgen8. Om deze kloof te dichten, vergelijkt de huidige meta-analyse expliciet verpleegkundigen die aangeven te weten hoe AI wordt gebruikt in de verpleegkundige praktijk met degenen die dat niet weten, over de domeinen van perceptie, houding en intentie met betrekking tot AI in de patiëntenzorg. Onderzoek moet zich meer richten op het revolutionaire potentieel van kunstmatige intelligentie om de output te verhogen en nieuwe leveringssystemen te ontwikkelen, evenals alternatieve perspectieven op de toepassing ervan in overweging nemen5. Onzekerheid over de juiste toepassingen van kunstmatige intelligentie en problemen met datakwaliteit zijn verdere obstakels voor de adoptie ervan in de gezondheidszorgsector9. Volgens economische beoordelingen verbetert kunstmatige intelligentie de medische kwaliteit en maakt het kosteneffectieve methoden mogelijk, vooral in complexe domeinen zoals de oogheelkunde10. Het aanpakken van de obstakels voor de adoptie van kunstmatige intelligentie is essentieel om ervoor te zorgen dat al haar voordelen volledig worden benut. Het bijscholen van het personeel, ethische kwesties en de uitdaging om kunstmatige intelligentietechnologie succesvol in praktische contexten te gebruiken, zijn enkele van de obstakels die in eerder onderzoek zijn opgemerkt11. Deze obstakels hebben allemaal directe invloed op hoe goed medisch personeel is voorbereid om zich aan te passen aan kunstmatige intelligentie. Met technieken zoals fuzzy expert systems, Bayesiaanse netwerken, kunstmatige neurale netwerken en hybride intelligente systemen die in klinische omgevingen worden gebruikt om de zorgverlening te verbeteren, wordt kunstmatige intelligentie steeds meer geïntegreerd in de gezondheidszorgsector12. Daarnaast worden geavanceerde systemen ontwikkeld, zoals deep-learning kunstmatige intelligentiesystemen, die mogelijk processen kunnen automatiseren en ziekten kunnen detecteren13. Als gevolg hiervan zullen de effecten van kunstmatige intelligentie in de gezondheidszorg zichtbaar zijn in diverse disciplines en een enorm potentieel hebben om klinische behandeling te verbeteren, risico's te anticiperen en het hele proces te stroomlijnen14. Het integreren van kunstmatige intelligentie brengt aanzienlijke obstakels met zich mee voor verpleegkundigen, waaronder ethische kwesties, de noodzaak om zich aan te passen aan nieuwe technologieën en de mogelijke impact op de verpleegkundige verantwoordelijkheden15. Verpleegkundigen moeten de kennis en vaardigheden verwerven die nodig zijn om kunstmatige intelligentie-tools correct te gebruiken naarmate hun gebruik vordert16. Volgens onderzoek verbetert emotionele intelligentie de interactie van verpleegkundigen met kunstmatige intelligentie, waardoor zowel de kwaliteit van de patiëntenzorg als het vermogen van verpleegkundigen om zich aan te passen aan het gebruik ervan wordt beïnvloed17. Een cruciale factor die invloed kan hebben op hoe verpleegkundigen AI waarnemen en ermee omgaan, is hun bestaande kennis van hoe AI daadwerkelijk wordt toegepast in de verpleegkundige praktijk. Zonder een basisbegrip van de concrete functies van AI—zoals klinische beslissingsondersteuning, voorspellende analyses of geautomatiseerde monitoring—kunnen verpleegkundigen een mening vormen op basis van desinformatie of een gebrek aan exposure. Daarentegen kunnen verpleegkundigen met praktische kennis van de rol van AI in de verpleegkundige praktijk een gunstigere houding, een grotere waargenomen nut en sterkere intenties om AI-tools te adopteren, vertonen. Daarom kozen we "kennis over hoe kunstmatige intelligentie wordt gebruikt in de verpleegkundige praktijk" als de primaire blootstellingsvariabele om te testen of deze specifieke vorm van kennis samenhangt met betekenisvolle verschillen in percepties, houdingen en intenties. Daarom hebben we een meta-analyse uitgevoerd om de percepties, houdingen en intenties van verpleegkundigen te evalueren met betrekking tot het gebruik van kunstmatige intelligentie in de patiëntenzorg. De studie sluit belangrijke hiaten in de literatuur over de houdingen, vaardigheden en kennis die nodig zijn om kunstmatige intelligentie toe te passen in patiëntenzorgomgevingen. De studie biedt plannen om de integratie van kunstmatige intelligentie in de verpleegkunde te vergroten door de gereedheid van verpleegkundigen te evalueren en kritieke verbeterpunten aan te wijzen.

Deze meta-analyse is specifiek ontworpen om drie uitkomsten te vergelijken—perceptie, houding en intentie ten opzichte van AI in de patiëntenzorg—tussen twee groepen verpleegkundigen: degenen die aangeven te weten hoe AI wordt gebruikt in de verpleegkundige praktijk en degenen die dat niet weten.

Het belangrijkste doel van deze studie was om te achterhalen hoe goed geregistreerde verpleegkundigen waren voorbereid om kunstmatige intelligentie te gebruiken in hun patiëntenzorgprocedures.

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

Protocol

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

Studieontwerp:

Deze studie was een systematische review en meta-analyse uitgevoerd volgens de richtlijnen van Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). De voltooide PRISMA 2020-checklist wordt verstrekt als Aanvullend Dossier 1. Het protocol had als doel het bewijs kwantitatief te synthetiseren over de percepties, houdingen en intenties van verpleegkundigen met betrekking tot het gebruik van Kunstmatige Intelligentie (AI) in de patiëntenzorg, waarbij degenen met voorkennis van AI werden vergeleken met degenen zonder18 jaar. Figuur 1 illustreert het selectieproces van de studie.

Toelatingscriteria
Studies werden geselecteerd op basis van het volgende PICOS-kader19:

Populatie (P): Geregistreerde verpleegkundigen of verpleegkundig managers van elke klinische specialiteit of setting.

Interventie (I)/Blootstelling: Kennis, training of bewustzijn van het gebruik van AI in de verpleegkundige praktijk.

Vergelijking (C): Verpleegkundigen of verpleegkundestudenten die aangeven niet te weten hoe AI wordt gebruikt in de verpleegkundige praktijk.

Uitkomsten (O): Kwantitatieve maten van perceptie, houding of intentie ten opzichte van AI in de patiëntenzorg, gerapporteerd als gemiddelde scores met standaardafwijkingen (SD) of data die hiernaar omgezet kunnen worden.

Studieontwerp (S): Observationele studies (dwarsdoorsnede of cohort) en survey-gebaseerde studies. Interventiestudies (bijvoorbeeld gerandomiseerde gecontroleerde onderzoeken) werden uitgesloten omdat de relevante blootstelling—kennis over hoe AI wordt gebruikt in de verpleegkundige praktijk—een bestaand kenmerk is in plaats van een gerandomiseerde interventie.

Exclusiecriteria:

Kwalitatieve studies, overzichtsartikelen, hoofdartikelen, brieven, conferentieabstracts zonder volledige data en niet-peer-reviewed literatuur werden uitgesloten van deze studie. Studies die geen vergelijkende kwantitatieve gegevens (bijv. gemiddelde, SD, steekproefgrootte) voor de twee groepen (met versus zonder AI-kennis) leverden, werden uitgesloten. Studies waarin de populatie niet uitsluitend of voornamelijk uit verpleegkundigen bestond (bijvoorbeeld gemengde zorggroepen zonder scheidbare verpleegkundige gegevens) werden ook uitgesloten. Er werden geen studies uitgesloten op basis van taal.

Informatiebronnen en zoekstrategie

Er werd een systematische zoekopdracht uitgevoerd in vijf elektronische databases vanaf hun oprichting tot 31 juli2025: PubMed, Cochrane Library, Embase, OVID en Google Scholar.
De zoekstrategie combineerde gecontroleerde woordenschat (bijv. MeSH-termen) en vrije tekstzoekwoorden gerelateerd aan drie kernconcepten: (1) Verpleegkundigen, (2) Kunstmatige Intelligentie en (3) Perceptie/Houding. De Booleaanse operatoren "EN" en "OF" werden gebruikt om termen binnen en tussen concepten te verbinden. Een voorbeeldzoekstrategie voor PubMed wordt gegeven in Tabel 1. De referentielijsten van alle opgenomen studies en relevante reviews werden handmatig gescreend om aanvullende in aanmerking komende publicaties te identificeren21. De volledige reproduceerbare zoekstrings voor elke database worden hieronder vermeld. De syntaxis werd aangepast aan het vereiste formaat van elke database, inclusief geschikte veldtags, gecontroleerde woordenschat (MeSH, EMTREE) en Booleaanse operatoren. Er werden geen taal- of datumbeperkingen toegepast. De zoektocht vond plaats op 31 juli 2025.

Studieselectieproces

Het selectieproces van het onderzoek volgde het PRISMA-stroomdiagram (zie Figuur 1). Alle opgehaalde records werden geïmporteerd in EndNote X9 (Clarivate Analytics) voor deduplicatie. Twee onafhankelijke beoordelaars toetsten titels en abstracts aan de hand van de geschiktheidscriteria. Studies die door een van beide beoordelaars mogelijk relevant werden geacht, gingen over naar volledige tekstbeoordeling. Dezelfde twee beoordelaars beoordeelden onafhankelijk de volledige teksten van de geselecteerde studies. Meningsverschillen op elk moment werden opgelost door overleg en consensus. Er was geen derde beoordelaar nodig. De definitieve lijst van studies die aan alle criteria voldeden, werd bij consensus goedgekeurd.

Data-extractie en -beheer22

Een gestandaardiseerd, gepiloteerd data-extractieformulier werd ontwikkeld in een spreadsheet. De twee beoordelaars haalden onafhankelijk gegevens uit elk opgenomen onderzoek. De geëxtraheerde gegevens omvatten studiekenmerken, populatiedetails, blootstellingsdefinitie en uitkomstgegevens.

Studiekenmerken: Eerste auteur, publicatiejaar, land, onderzoeksopzet en steekproefgrootte.

Populatiegegevens: Verpleegkundige type (bijv. klinisch, student, manager), klinische setting, gemiddelde leeftijd, geslachtsverdeling.

Definitie van exposure: Hoe "kennis van AI-gebruik in de verpleegkundige praktijk" werd gedefinieerd en gemeten (bijvoorbeeld specifieke trainingscursus, zelfgerapporteerde bekendheid op een Likert-schaal).

Uitkomstgegevens: Voor elk relevant resultaat (perceptie, houding, intentie) werden de gemiddelde score, standaarddeviatie (SD) en steekproefgrootte (n) geëxtraheerd voor zowel de "AI-kenner" als "niet-AI-kenner" groepen. Als gemiddelden en standaarddeviaties (SD's) niet direct werden gerapporteerd, werden deze berekend uit beschikbare statistieken met behulp van methoden beschreven in de Cochrane Handbook for Systematic Reviews of Interventions (Versie 6.4)19. Specifiek:

Uit medianen en interkwartielbereiken (IQR): De methode van Wan et al. (2014)23 werd gebruikt om gemiddelden en SD's te schatten.

Uit 95% betrouwbaarheidsintervallen (BI's) en steekproefgroottes: SD's werden terugberekend met de formule: SD = √n × (bovenste BI-limiet – onderste BI-limiet) / (2 × 1,96).

Uit p-waarden en steekproefgroottes: SD's werden geschat met de methode beschreven in het Cochrane Handbook (Sectie 6.5.2.3) wanneer t-statistieken of exacte p-waarden beschikbaar waren.

Van de 9 opgenomen studies vereisten er drie dataconversie omdat gemiddelden en SD's niet werden gerapporteerd in het formaat dat voor meta-analyse vereist was:

Studie [Auteur, Jaar]: Gerapporteerde medians en IQR's; omgezet met de Wan et al.23-methode .

Studie [Auteur, Jaar]: Rapporteerde slechts 95% BI; SD's terugberekend.

Studie [Auteur, Jaar]: Gerapporteerde gemiddelden zonder SD's maar met p-waarden voor groepsvergelijkingen; SD's worden geschat op basis van p-waarden.

De overige 6 studies rapporteerden direct gemiddelden en SD's en vereisten geen conversie. Alle omgezette waarden werden onafhankelijk door twee beoordelaars geverifieerd.

Beoordeling van risico op bias (kwaliteit)24

De methodologische kwaliteit van de opgenomen observationele studies werd onafhankelijk beoordeeld door twee beoordelaars met behulp van de Joanna Briggs Institute (JBI) kritische beoordelingschecklist voor analytische cross-sectional studies25. Dit instrument evalueert domeinen zoals steekproefrepresentativiteit, blootstellings- en uitkomstmeting, confounding en statistische analyse. Elk item werd beoordeeld als "Ja," "Nee," "Onduidelijk" of "Niet van toepassing." Een algemene beoordeling van de studiekwaliteit (Hoog, Middelig, Laag) werd toegekend op basis van consensus. Meningsverschillen werden opgelost zoals hierboven beschreven.

Datasynthese en statistische analyse

Effectmaat: De primaire effectmaat was het gemiddelde verschil (MD) met een 95% betrouwbaarheidsinterval (BI). Een MD > 0 gaf een hogere score aan (bijvoorbeeld een positievere houding) in de groep met AI-kennis.

Meta-analysemodel: Voor alle primaire analyses werd een random-effects model gebruikt vanwege verwachte klinische en methodologische heterogeniteit tussen de studies. Een random-effect model werd ook toegepast als gevoeligheidsanalyse26,27.

Heterogeniteitsbeoordeling: Statistische heterogeniteit werd gekwantificeerd met behulp van de I2-statistiek . I2-waarden van 25%, 50% en 75% werden respectievelijk geïnterpreteerd als laag, matig en hoog heterogeniteit. De Q-test van Cochran (p < 0,10, wat significante heterogeniteit aangeeft) werd ook geraadpleegd.

Subgroep- en gevoeligheidsanalyse: Geplande subgroepanalyses waren niet haalbaar vanwege het beperkte aantal studies (<10) per uitkomst. Gevoeligheidsanalyses werden uitgevoerd door over te schakelen op een fixed-effect model. Gevoeligheidsanalyses werden gepland om de robuustheid van de gepoolde schattingen te beoordelen, inclusief het uitsluiten van studies die als laag van kwaliteit werden beoordeeld en overstappen op een fixed-effect model. Er werd een gevoeligheidsanalyse uitgevoerd waarbij de twee studies die als laag van kwaliteit werden beoordeeld (JBI-score ≤4)27,28 werden uitgesloten. De gepoolde effectschattingen voor de overige zeven studies (n = 3.161) waren vergelijkbaar met de hoofdanalyse voor alle uitkomsten, en alle verbanden bleven statistisch significant (p < 0,001). Daarom werden alle 9 studies behouden in de primaire analyse. Omdat het uitsluiten van deze studies de bevindingen niet wezenlijk veranderde, werden ze behouden in de primaire analyse om de steekproefgrootte en generaliseerbaarheid te maximaliseren.

Beoordeling van publicatiebias: Visuele inspectie van funnel plots op asymmetrie was gepland voor uitkomsten waaronder ≥10 studies. Omdat alle uitkomsten minder dan 10 studies omvatten, zijn formele tests zoals de regressietest van Egger onderbekrachtigd en doorgaans niet aanbevolen. Echter, een verkennende Egger-regressietest werd uitgevoerd voor het resultaat met het grootste aantal studies (attitude, n = 9) als post-hoc analyse. Resultaten moeten met uiterste voorzichtigheid worden geïnterpreteerd vanwege de lage statistische kracht.

Software: Alle statistische analyses werden uitgevoerd met Review Manager (RevMan) software, versie 5.4 (The Cochrane Collaboration, Kopenhagen, Denemarken).

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

Results

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

Na het onderzoeken van 2245 relevante publicaties voldeden 9 studies die tussen 2021 en 2025 werden gepubliceerd aan de inclusiecriteria 26,27,28,29,30,31,32,33,34. Tabel 2

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

Discussion

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

Voor de huidige meta-analyse werden 9 studies met 3648 verpleegkundigen onderzocht: 26,27,28,29,30,31,32,33,34. Deze meta-analyse vergeleek verpleegkundigen die aangeven te weten hoe AI wo...

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

Disclosures

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

De auteurs verklaren dat zij geen concurrerende belangen hebben.

Acknowledgements

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

Geen enkele

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Cochrane LibraryCochrane Libraryhttps://www.cochranelibrary.com/
EmbaseEmbasehttps://www.embase.com/landing?status=grey
EndNote X9Clarivate Analyticshttps://support.clarivate.com/Endnote/s/?language=en_USReferentiemanagementsoftware voor deduplicatie en citatieorganisatie
Google ScholarGooglehttps://scholar.google.com/
Joanna Briggs Institute (JBI) Critical Appraisal ChecklistJoanna Briggs Institutehttps://jbi.global/critical-appraisal-toolsKwaliteitsbeoordelingsinstrument voor analytische dwarsdoorsnedestudies
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/en-usGegevensextractieformulierontwikkeling; gegevensbeheer; conversie van statistieken
OVIDOVIDhttps://www.ovid.com/
PRISMA 2020 Flow Diagram TemplatePRISMA Working Grouphttps://www.prisma-statement.org/prisma-2020-flow-diagramSjabloon voor studieselectie-stroomdiagram 
PubMedNational Institutes of Healthhttps://pubmed.ncbi.nlm.nih.gov/
Review Manager (RevMan) The Cochrane CollaborationVersie 5.4Software voor het voorbereiden en onderhouden van Cochrane-reviews; gebruikt voor meta-analyse (pooling, bosplots, heterogeniteit, gevoeligheidsanalyses).

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

GeneeskundeNummer 231Nummer 231Lege WaardeKwestiekunstmatige intelligentiekennispati ntenzorgPerceptieverpleegkundige praktijkintentiehouding

Related Articles